淺談船舶輻射噪聲功率譜的線譜檢測技術(shù)

淺談船舶輻射噪聲功率譜的線譜檢測技術(shù)

1被動納群線譜檢測被動噪聲是指通過在目標(biāo)軌跡上發(fā)出的輻射噪聲來檢測和確定目標(biāo)類型的噪聲。眾所周知,船舶的輻射噪聲的功率譜是由連續(xù)分布的寬帶噪聲譜和在若干個離散頻率上的窄帶線譜分量構(gòu)成的。在被動聲納信號處理中,線譜檢測和提取具有舉足輕重的地位。首先,線譜特有的集中而穩(wěn)定的能量可以提高檢測性能。線譜主要是由于艦艇、魚雷等目標(biāo)的機(jī)械部件的往復(fù)、旋轉(zhuǎn)運(yùn)動,螺旋槳的周期性擊水以及葉片共振產(chǎn)生的。因為產(chǎn)生線譜的聲源的功率和慣性都相當(dāng)大,工作條件也比較穩(wěn)定,所以線譜有較高的強(qiáng)度和穩(wěn)定度,利用窄帶檢測系統(tǒng)可顯著提高被動聲納的作用距離。其次,線譜可用來估計目標(biāo)的運(yùn)動參數(shù)。例如,通過精確測定線譜的多普勒頻移并實行跟蹤,可以估計目標(biāo)的運(yùn)動參數(shù)。線譜還是最重要的目標(biāo)識別依據(jù)。譜特征直接與產(chǎn)生它們的現(xiàn)象是有關(guān)的,通過對譜進(jìn)行細(xì)致的分析,可以得到聲源的許多信息,對線譜進(jìn)行高質(zhì)量的譜估計,將為目標(biāo)識別提供重要依據(jù)。對被動聲納而言,提高線譜的檢測能力和提取質(zhì)量,對于提高目標(biāo)檢測、跟蹤距離和分類識別正確率都具有重要的意義,線譜檢測和提取多年來一直是國內(nèi)外研究的重點。在目前的被動聲納中,線譜檢測通常是根據(jù)計算的周期圖的譜值進(jìn)行檢測的。線譜檢測方法分為兩大類:利用單個時刻的譜值的實時檢測法和利用多個時刻的數(shù)據(jù)推遲決策方法。2積分時間和線譜檢測門限線譜檢測最經(jīng)典的方法是直接將在某個方向上接收的信號經(jīng)濾波、解析變換等處理后計算周期圖,然后把輸出同設(shè)定門限進(jìn)行比較,判斷是否存在窄帶信號。直接利用單次輸出檢測線譜,在高信噪比時,可以同時保證高檢測概率和較低的虛警概率。但隨著信噪比的降低,越來越容易把隨機(jī)起伏的噪聲誤判為信號。為了降低虛警概率,有兩種措施:一是增加積分時間。這種措施在信號為平穩(wěn)信號時,效果較好。然而,對于非平穩(wěn)信號,在平均時間內(nèi)信號已不滿足信號平穩(wěn)的假設(shè)。如果分析時間間隔內(nèi)信號線譜頻率發(fā)生漂移,采用長的積分時間會導(dǎo)致譜峰展寬,強(qiáng)度和分辨率下降;如果漂移較大,則會導(dǎo)致無法檢測出線譜的存在。二是提高線譜檢測門限。但提高線譜檢測門限,則會漏掉低幅值線譜,檢測概率隨之降低。為了利用線譜的形狀特點,并能夠自動提取出譜峰位置和線譜寬度等信息,陶篤純和吳國清利用譜峰形狀特點,分別給出了一套線譜識別邏輯。線譜形狀的利用,剔除了一部分幅值超過門限,但形狀不具備線譜特點的噪聲點,可在一定程度上降低虛警概率。但由于單個時刻的信息有限,僅利用單個時刻的譜估計值直接檢測線譜,在低信噪比下不能同時得到高的檢測概率和低虛警概率。3線譜跟蹤及檢測為了提高在低信噪比下線譜檢測、跟蹤和提取能力,必須利用多行的數(shù)據(jù),推遲決策,即進(jìn)行LOFAR處理。被動聲納通常是將在某個方向上接收的信號進(jìn)行時頻分析,并將分析的結(jié)果顯示給觀察者。若用x軸表示信號的頻率,y軸表示時間,亮度表示幅度。這種表示時頻平面的M×N二維圖象就是LOFAR圖。窄帶信號經(jīng)過譜分析和累加平均后的譜表現(xiàn)為線譜。線譜除了在譜的形狀,如幅值高、滿足一定的斜率和寬度要求外,在時間會持續(xù)一段時間。在LOFAR圖上,由線譜點組成的點形成了一條清晰的亮線,即譜線。這樣,本來是一維的頻率檢測和跟蹤問題,在LOFAR圖上就變成了譜線檢測和提取問題。在LOFAR圖上檢測和提取譜線,往往將兩種或多種方法進(jìn)行組合,其目的是能夠利用每一個方法的優(yōu)勢,使整個算法能夠獲得較好的處理性能。根據(jù)處理方法的不同,大體可以分為四類:第一類是采用經(jīng)典的圖像處理方法。Chen-shanWang利用Hough變換來檢測LOFAR圖中的譜線。為了進(jìn)一步提高算法性能,VanceA.Brahoshky把圖論、Hough變換和啟發(fā)式搜索結(jié)合起來檢測譜線。這些方法優(yōu)點是在譜線為直線時在低信噪比下有很強(qiáng)的提取能力,但當(dāng)譜線為曲線時效果差;對于寬的譜線還會出現(xiàn)一根譜線重建成多根譜線的情況。Abel等人提出的方法是利用一個統(tǒng)計似然比檢測出包含窄帶能量的區(qū)域,然后用圖像膨脹和腐蝕算法剔除大部分隨機(jī)噪聲點,提取出譜線軌跡。在信噪比較低時,利用這種方法能夠剔除許多噪聲點。然而,這種方法的不足是不但計算量大,而且對于LOFAR圖上出現(xiàn)的較粗的手指狀干擾當(dāng)做譜線來檢測。Martina等人把邊緣檢測方法和線譜跟蹤過程結(jié)合起來解決LOFAR圖中的譜線檢測和提取問題。這種方法有一定的抑制噪聲的能力。可該文獻(xiàn)中給出的算法中對圖像的平滑是試探著確定的,并且為了去除高頻噪聲,選擇了高平滑。這意味著如果兩根譜線靠得很近,會被合并到一起。另外,該算法并非全自動的,門限參數(shù)的選擇還要手工來完成。因為用經(jīng)典的邊緣檢測算子處理低信噪比下的淹沒在噪聲中的譜線時,將會產(chǎn)生許多虛假和破碎的邊緣,使用這種方法難于取得理想的效果。760所呂俊軍等人對線譜檢測和跟蹤問題進(jìn)行了深入的研究,利用數(shù)字圖像處理技術(shù)和多目標(biāo)跟蹤的概念,設(shè)計了非平穩(wěn)線譜的動態(tài)檢測和跟蹤算法。該方法首先對譜圖進(jìn)行曲線檢測與跟蹤,得到粗略的線譜曲線,然后對檢測的線譜曲線進(jìn)行細(xì)化處理,得到平滑的線譜曲線。根據(jù)跟蹤計算所得線譜曲線,對線譜進(jìn)行積分,提取出關(guān)于線譜的分布、強(qiáng)度、變化等特征信息。該算法減弱了不平穩(wěn)性對簡單積分的影響,如譜峰降低,譜寬展寬等,并能給出線譜條數(shù)、強(qiáng)度、分布以及根據(jù)檢測跟蹤曲線求出線譜變化率,提供了較多的用于識別的特征參數(shù),并且對之積分后的值平均后可以進(jìn)行第二次門限檢測,可以剔除其中的一部分噪聲。但該算法不足之處是計算量較大,對譜圖采用先曲線檢測再細(xì)化的處理流程,同樣會把一些在海上出現(xiàn)的粗的干擾信號誤判為譜線。第二類采用了經(jīng)典的目標(biāo)檢測和跟蹤理論。I.N.Maksym,A.J.Bonner(1983年)等人利用貝葉斯概率理論給出了在LOFAR圖中進(jìn)行譜線檢測和跟蹤的序貫似然比跟蹤器。該算法是把譜線軌跡檢測看作是一個二元假設(shè)檢測問題。H1表示在給定的頻率點上存在;H0表示譜線不存在。這些假設(shè)的后驗概率利用下一次輸出的數(shù)據(jù)進(jìn)行更新。由于更新一個后驗概率等價于更新一個累積似然比。一組數(shù)據(jù)點結(jié)合起來是否表示存在一根譜線由下面的原則確定:把累積似然比Cl同低門限Tl和高門限Tu比較,若Cl<Tl,則決定譜線不存在,若Cl>Tu,則表示譜線存在;若Cl在二者之間,則推遲決策,結(jié)合更多的頻率點。對于沒有和老的軌跡組合到一起的數(shù)據(jù)點,若似然比高于低門限Tl,則開始新軌跡點。利用這種方法提取譜線,LOFAR圖中噪聲背景下的譜線得到增強(qiáng),但這種方法只能確定各點是否是譜線點,處理后的圖像并不能給出信號的任何相對或時變的幅度信息。為了給出信號的幅度信息,Stephen.A.S.Jones,G.J.Heald(1991年)等人把二元假設(shè)檢驗推廣到多元假設(shè)檢驗問題。這種改進(jìn),能夠保留信號的相對幅度信息,保留了每一根軌跡的時變幅度,剔除了大部分背景噪聲。但從分析結(jié)果看,這種方法在前20次輸出中有大量虛假譜線存在。另外,該方法只適用于增強(qiáng)頻率不變的譜線。Y.H.Yang利用松弛算法檢測LOFAR圖中的線譜。該方法在信噪比高時可在LOFAR圖中檢測譜線。但在低信噪比下,效果較差,在每一次疊代時噪聲去除非常慢。ClaudeJaufferet和DamienBouchet把概率數(shù)據(jù)關(guān)聯(lián)建模和Viterbi算法進(jìn)行結(jié)合來檢測和提取線譜。該算法在低信噪比下有很強(qiáng)的線譜檢測能力,但不能給出信號的起止時間,對存在多根譜線的情況尚需進(jìn)一步研究。D.V.Cappel等人提出了基于隱含馬爾可夫模型的譜線跟蹤器。提出這種方法的目的是為了克服利用最鄰近鄰值(Nearestneighbour)和概率數(shù)據(jù)關(guān)聯(lián)算法在低信噪比和頻率、幅度變化時的局限性。由于利用了多行的數(shù)據(jù)和推遲了決策過程,并同時考慮幾種譜線變化模型,該算法在低信噪比下的線檢測和提取能力是很強(qiáng)的,能給出信號的起止時間;但該算法的計算量很大。第三類將線譜檢測和提取問題轉(zhuǎn)化為尋優(yōu)問題。J.D.Martino和J.P.Haton(1993年)等人研究了LOFAR圖中譜線幅值和頻率變化連續(xù)的特點,定義了一個代價函數(shù),求使代價函數(shù)最小的最佳路徑,若一最佳路徑通過某點一次,則對應(yīng)計數(shù)器增加一次。由于代價函數(shù)充分考慮了譜線特點,此最佳路徑在屬于譜線的機(jī)率很大。利用這種方法處理后的圖像表示最佳路徑經(jīng)過的次數(shù)。處理后LOFAR圖中的噪聲點得到一定的去除。路徑長度N較大(文獻(xiàn)中為150),對噪聲剔除效果較好。但在N較小(N=15)時,處理效果是比較差的,產(chǎn)生了許多“多余軌跡”,不但不能直接用于目標(biāo)識別,而且丟失了幅度信息。另外這種方法還存在計算量較大的缺點。美國AD報告“SimulatedAnnealinginSonarTrackDetection”中把譜線提取問題轉(zhuǎn)化為最優(yōu)化問題,并用模擬退火算法進(jìn)行尋優(yōu)。盡管該方法避免了譜線斷裂問題,并在低信噪比情況下有很強(qiáng)的譜線提取能力,但卻存在極大的局限性。首先該算法是一個局部調(diào)諧算法,需事先知道譜線的大體位置;另外該算法由于在實現(xiàn)過程中為了防止斷線,采用了模板匹配的辦法,使該方法適用于譜線頻率變化不大的情況,若相鄰時刻譜線點的頻率變化大于一個頻率點的情況,該算法不使用。為了克服美國AD報告中算法的局限性,陳敬軍從譜線和噪聲在LOFAR圖中的差異出發(fā),定義了一個新的代價函數(shù),給出了在整個LOFAR圖中檢測和提取譜線的全局優(yōu)化算法。同經(jīng)典邊緣檢測算法相比,該算法較好地解決了譜線中間出現(xiàn)斷點、隨機(jī)噪聲點干擾等線譜檢測中的難題,并且提高了低信噪比下的線譜檢測和提取能力。但該算法的缺點是譜線初始狀態(tài)對算法性能影響較大,在已知譜線大體位置、根數(shù)的情況下有較好的處理效果。但在上述參數(shù)未知的情況下,在線譜可能出現(xiàn)的位置設(shè)置一組初始譜線,并進(jìn)行退火尋優(yōu),最后根據(jù)最終的代價函數(shù)來判斷是屬于譜線還是噪聲。這樣做的最終結(jié)果雖然檢測性能有了改進(jìn),但計算量比較大,對于實際海上的復(fù)雜情況,各種參數(shù)的選擇比較困難。第四類模擬人工從LOFAR圖中提取譜線的智能線譜檢測和提取方法。由于人具有很強(qiáng)的模式識別和視覺積累能力,人在LOFAR圖中的線譜檢測和提取能力是非常強(qiáng)的。聲納兵通過觀察LOFAR圖,即使在極低的信噪比下,也能很容易地從LOFAR圖中提取出譜線來。研究表明,當(dāng)聲納兵利通過觀察LOFAR圖判斷是否存在窄帶信號時,執(zhí)行了一個雙閾值檢測過程:第一次是設(shè)置一個門限,根據(jù)不同時刻、頻率的點的灰度值的大小初步判斷該點是否可能是譜線上的點;然后利用線譜的形狀特點和時間上的連續(xù)性,并第二次取門限來完成檢測。聲納兵在此過程中自動進(jìn)行了模式識別和視覺積累,并且兩次檢測之間并不是孤立的,而是存在著密切的聯(lián)系。例如,聲納兵對一些幅值雖高,但孤立的點會作為噪聲剔除掉;一些點雖然幅值較低,但相鄰各個時刻連續(xù)出現(xiàn),并且滿足窄帶信號存在時的特點,就會把這些點保留下來;一旦判斷有窄帶信號存在,即使因為信號或背景起伏、存在其它干擾等原因引起的在中間丟失的部分,也會認(rèn)為該時刻窄帶信號是存在的,自動填補(bǔ)中間丟失的部分。為了能夠在低信噪比下檢測線譜時能夠同時得到高的檢測概率和低的虛警概率,陳敬軍模擬人工提取譜線的雙門限檢測過程提出了雙門限線譜檢測算法,該算法通過選擇低的檢測門限和利用線譜的形狀進(jìn)行線譜識別來完成第一次檢測,保留每一行既超過門限又滿足線譜識別邏輯的點;然后延遲一段時間后,利用該時刻前后各個時刻的線譜識別情況剔除噪聲、自動生成中間丟失的線譜點。通過上述處理,使該方法在低信噪比下檢測線譜時,能夠同時得到高的檢測概率和低的虛警概率。由于在實現(xiàn)過程中對線譜識別方法進(jìn)行了優(yōu)化,并注重在線譜檢測的每個環(huán)節(jié)上設(shè)法降低計算量,使算法的計算量較小,適合于實時處理。經(jīng)理論分析和利用海上錄制數(shù)據(jù)分析表明,此線譜檢測方法并不需事先知道調(diào)制信號的幅值、根數(shù)、位置、起止時間等信息;在用海上錄制的不同目標(biāo)數(shù)據(jù)驗證時,還體現(xiàn)出很好的寬容性。4線譜檢測技術(shù)分析近年來,現(xiàn)代艦船的隱身性能得到了高度重視,隨著減振降噪技術(shù)在船舶的大量運(yùn)用,其輻射噪聲大幅度降低。對被動聲納而言,要想能夠?qū)Π察o型目標(biāo)進(jìn)行正確檢測、跟蹤、定位和識別,必須保證在低信噪比時能夠?qū)€譜進(jìn)行正確檢測、跟蹤