第八章 水下噪声 噪声定义：是指在特定条件下不需要的声音。 水下噪声： （1）海洋环境噪声和舰船的自噪声 它们是声呐系统的主要干扰背景之一，限制装备性能。 （2）目标（舰船、潜艇、鱼雷等）辐射噪声 它是被动声呐系统的声源，通过接收该噪声实现目标检测。 水下噪声研究的意义（对抗与反对抗）： （1）建立水下噪声的规律和特性，提高声呐设备的性能。 （2）降噪处理，提高自身隐蔽性。 8.1 噪声的基本概念 1、噪声的描述 噪声是一个随机过程，描述噪声的统计量有： 噪声的概率密度函数： ()()1 1110p 1p p p p p P lim t ,p 1??Φ?+<<=→ 噪声的概率分布函数： ()()?+=+<<1 11p p p 1111dp t ,p t ,p p p p P ?Φ? 平稳随机过程： ()()τΦΦ+=t ,p t ,p 11 一般水中噪声被视为平稳随机过程，若噪声的声压概率密度函数表示为： ()()22 2p e 21p σμπσΦ--= 为高斯分布，相应的噪声称为高斯噪声。其均值和方差： ()()()()??∞ ∞-∞ ∞--=-===dp p p p pdp p p 222ΦμμσΦμ 一般，表征噪声统计特性的统计量：概率密度函数、数学期望、方差、相关函数、功率谱。 由随机过程理论可知，噪声自相关函数的傅立叶变换即为功率谱密度函数：
()()()()()??∞ ∞---∞→=-?=τ τωττωτd e R S dt t p t p T 21lim R j T T T 若噪声的功率谱是均匀，则称之为白噪声。 噪声声压有效值e p ：等于介质阻抗为单位值时平均声强I 的平方根。如果假设噪声的平均值为零，介质阻抗为单位值，则它的方差便等于平均声强： ?∞ ∞-==dp )p (p I 22Φσ 或时间平均表示： ?-∞→==2/T 2 /T 2T 2dt )t (p T 1lim I σ 噪声声压有效值： ?-∞→==2/T 2/T 2T e dt )t (p T 1I p lim 2、噪声的频谱分析 噪声声压是一个随机量，与时间量之间不存在确定关系，因此分析噪声声压幅值的频谱没有意义；而随机过程的功率谱函数是一个确定的统计量，反映了该过程的各频率分量的平均强度。 根据信号频谱曲线形状划分： （1）线谱：数学上能够用傅氏级数来表示，水声中周期、准周期信号频谱就是线谱信号； （2）连续谱：频谱分析用傅氏变换来表示，水声中瞬态非周期信号频谱就是连续谱。 声强平均频谱密度： i i i f I S ??= 声强频谱密度函数： ()df dI f I lim f S i i 0f i ==→??? 带宽内的总声强： ()?=21 f f df f S I 海洋环境噪声级： N I I lg 10NL = 式中，N I 为水听器工作带宽内的噪声总声强。 假设水听器工作带宽f ?内噪声谱)f (S 和其相应是均匀的，则有：
２０１４年１２月第３２卷第６期 西北工业大学学报 ＪｏｕｒｎａｌｏｆＮｏｒｔｈｗｅｓｔｅｒｎＰｏｌｙｔｅｃｈｎｉｃａｌＵｎｉｖｅｒｓｉｔｙ Ｄｅｃ．Ｖｏｌ．３２２０１４Ｎｏ．６ 收稿日期：２０１４－０５－１６ 基金项目：国家自然基金（１１２７４２５３）资助 作者简介：吴姚振（１９８５—），西北工业大学博士研究生，主要从事水声信号处理与目标识别研究。 基于Ｇａｍｍａｔｏｎｅ频率离散小波系数的 水下目标鲁棒识别 吴姚振，杨益新，田丰，杨龙，陶灿 （西北工业大学航海学院，陕西西安 ７１００７２） 摘 要：针对水下目标辐射噪声的复杂性和研究样本的局限性，提出了一种基于Ｇａｍｍａｔｏｎｅ频率离散小波系数的特征提取方法，结合人耳听觉感知机理，提取出了有效吻合人耳听觉特性的识别特征。该方法在２个方面改进了目前广泛采用的美尔倒谱系数：①用Ｇａｍｍａｔｏｎｅ滤波器代替三角滤波器，更好地模拟了人耳基底膜的滤波特性；②用离散小波变换替换离散余弦变换，使得识别特征具有优良的局部化特性。针对实录的水下动物叫声和舰船辐射噪声进行分类实验，表明所提出的特征提取方法在识别率和稳健性方面都有明显提高。 关 键 词：Ｇａｍｍａｔｏｎｅ滤波器，Ｇａｍｍａｔｏｎｅ频率离散小波系数，水下目标识别，特征提取中图分类号：ＴＰ３９１．４，ＴＢ５６６ 文献标志码：Ａ 文章编号：１０００－２７５８（２０１４）０６－０９０６－０６ 选取有效且稳健性好的特征提取方法并提取精确描述水下目标辐射噪声的识别特征进行目标分类，一直是水声领域重要研究课题之一。早期的研究主要集中在利用声呐员的主观听觉并结合专门的设备来对目标进行分类。声呐员在其精神状态良好的情况下正确判断目标类型的概率比较高，这说明可以从声呐员的听觉感知机理出发，研究适用于水下目标辐射噪声的特征提取方法，寻找人耳主观听觉量中的有效特征量，改善水下目标的识别性能。 近十几年来，听觉生理和听觉心理的研究取得了巨大的进步，人们对与听觉感知特性有关的特征 用于目标识别产生了浓厚兴趣［１－４］ 。美尔频率倒谱 系数（ｍｅｌ－ｆｒｅｑｕｅｎｃｙｃｅｐｓｔｒａｌｃｏｅｆｆｉｃｉｅｎｔｓ，ＭＦＣＣ）［５］ 就是一种在语音识别领域提出的与听觉感知特性有关的特征描述，目前已被广泛用于语音识别、说话人识别等。ＭＦＣＣ是一种准听觉模式的特征提取方法，主要模拟听觉系统的如下特性：（１）美尔频率变换模拟了基底膜的频率分解特性；（２）三角滤波器模拟了基底膜的滤波特性；（３）对数压缩模拟了听觉系统的非线性特性。 ＭＦＣＣ在无干扰时识别效果很好，但在噪声干 扰条件下识别效果急剧下降［６］ 。为此，研究者迫切 需要寻找一种抗干扰能力强、稳健性好的特征提取 方法。本文利用人耳优良的听觉感知机理和小波变换精细化分析信号的优点，提出了基于Ｇａｍｍａｔｏｎｅ频率离散小波系数（Ｇａｍｍａｔｏｎｅｆｒｅｑｕｅｎｃｙｄｉｓｃｒｅｔｅｗａｖｅｌｅｔｃｏｅｆｆｉｃｉｅｎｔｓ，ＧＦＤＷＣ）的特征提取方法。该方法模拟了人耳基底膜的滤波特性、频率分解特性及非线性特性，有效地改善了ＭＦＣＣ方法使用三角滤波器组带来的相邻频带间频谱能量泄露不利于反映目标共振特性的问题，更加精细地分析了目标的特性，对提高水下目标识别系统的性能意义重大。 １ 水下目标辐射噪声的听觉描述 目标辐射噪声的特点主要取决于自身物理特性，而对目标自身物理特性的认识和声呐员对其的感受是相对客观的标准。利用听觉感知机理对目标进行描述，是为了有效地识别目标的类型。本文提出的ＧＦＤＷＣ方法主要在３个层次上对水下目标辐射噪声进行听觉感知描述：①等效矩形带宽（ｅｑｕｉｖ－ａｌｅｎｔｒｅｃｔａｎｇｕｌａｒｂａｎｄｗｉｄｔｈ，ＥＲＢ）变换；②ｇａｍｍａｔｏｎｅ滤波器及其高阶表示；③离散小波变换（ｄｉｓｃｒｅｔｅｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ，ＤＷＴ）。
海洋水下声探测信号的类型与探析 发布时间:2016-05-21编辑：张莉手机版 水下声探测设备的声源特性不同，其声探测信号的分析方法也不同，下面是小编搜集的一篇相关论文范文，欢迎阅读参考。 随着人类文明的发展，海洋的战略地位日益突显，各国积极开发利用海洋资源和空间，采用各种手段对海洋的水下环境进行探测。声波是目前在海洋中唯一能够进行远距离传播的能量形式，因此，在众多的海洋水下探测设备中，声波探测是其主要使用的技术手段。 目前，水下声探测设备种类多，数量大，已广泛用于海洋的水下探测和调查研究[1-8],例如海洋的工程地质勘探、海底地形地貌测量等。但水下声探测也是外国调查船和水下文物盗捞船进行非法调查和水下文物探测、定位的主要技术手段，这些海洋水下声探测活动可以通过探测信号的接收声特征进行区分，因此，开展海洋水下声探测信号的采集研究对非法调查的监视取证和水下文物保护具有重要意义。 在海洋声学中，水声信号处理的研究驱动主要来自军事需求，重点关注水下目标的辐射噪声特性、水下目标的声回波特性、水下声场的信息获取与处理等[9-14],另外，一些海洋生物的发声特性也因其军事和海洋生态效应逐渐被关注[15-18],对于水下声探测设备发射声信号的分类、被动采集、分析和识别方面的研究则极少，一直以来，人们主要关注水下声探测设备在海洋调查和海洋工程勘探中的使用[1-8],即强调发射声信号对海洋环境的主动探测过程。目前，关于海洋水下声探测信号的分析研究方面，有基于希尔伯特黄变换的 C-BOOM 浅剖信号分析，通过集合经验模态分解，实现对未知频带的 C-BOOM 浅剖信号的滤波[19]; 还有对多波束测深仪与侧扫声纳信号回波检测技术的分析，从理论上给出了两种仪器的海底回波信号检测方法[20]. 本文则立足实际海洋工程作业过程中对海洋水下声探测信号的被动测量，在未知作业设备目标信息的条件下，实现对海上测量数据的分析、提取，结合对已知的水下声探测设备信号声特征的分类，来实现对海洋水下声探测活动的初步识别。 水下声探测设备的生产厂家或研制人员均会给出设备一些主要的技术参数，包括声学特性参数。但海洋是一个随机时变、空变的复杂声信道[21],水下声探测设备的发射声信号经海洋这个水声信道调制后会产生畸变和信息损失，并受到海洋中其他声信号的干扰，导致接收的水下声探测信号无法直接区分、识别。因此，本文依据设备给出的声信号的频带范围对主要的海洋水下声探测信号进行分类，给出各类水下声探测信号的主要声特征; 采集了 4 种代表性的海洋水下声探测信号，通过对 4 种实测的海洋水下声探测信号数据的分析、研究，给出了对应类型的海洋水下声探测信号的常规分析方法; 根据已知的水下声探测信号的声特征实现对分析目标信号的识别。 1、海洋水下声探测信号分类
基于声信号人耳听觉谱特征和SVME 的水下目标识别 杨宏晖1彭圆2曾向阳1 摘要利用人耳听觉谱特征模拟人耳听觉系统的特性，提取了水下目标信号的人耳听觉谱特征，设计了基于支持向量机自适应增强集成算法用于水下目标的分类识别算法。仿真实验证明，人耳听觉谱特征可有效用于水下目标识别，支持向量机自适应增强集成算法比单个优化的支持向量机分类器的正确识别率高％～％。 关键词人耳听觉谱特征水下目标识别支持向量机集成 1 引言 长期以来，为了提高水下目标识别的正确率,国内外研究人员从不同的角度对水下目标辐射噪声原始信号进行了分析和研究,提取了各种水下目标特征。提取的水下目标特征主要有以下几类：时域波形特征[1]、频域分析特征[2-3]、时频分析特征[4]、非线性特征[5]和听觉特征[6-7]。这些特征各有特点：时域波形特征的主要特点是方法简单、实时性好。但水下目标信号时域波形结构复杂，难以提取具有高分类信息的波形结构特征[1]。频域分析特征的特点是技术成熟、方法简单,而且谱信息中包含明确的物理概念，但适合处理线性、平稳信号[2-3]。时频分析方法提取的特征可以更好地反映目标的时域和频域特征。但小波分析算法较为复杂，存储量、运算量大，计算速度慢，实时性差。而且小波分析适合处理非平稳信号，处理非线性信号能力较弱[4]。我国学者的研究表明:舰船噪声有混沌现象，舰船噪声极限环有混沌行为，舰船辐射噪声的非线性表明同类目标具有相似性，不同类目标具有可分性[5]。但是在实际的随机噪声中，不存在严格的分形信号，大多数水声信号只是在某种尺度范围内具有分形特征。因此，分形与混沌方法仅是识别特征的补充。 众所周知，依靠人耳极其灵敏的听觉系统和长期在实践中积累的经验来判断水下目标类型仍然是水下目标识别的重要途径之一。目前模拟人耳听觉系统进行水下目标识别的研究报道很少。国内外研究人员提取了水下目标辐射噪声信号的听觉特征、语音特征及心理声学参数特征[6-7]。利用这些特征可以识别目标的类型，甚至可以识别目标的材质。这类特征的主要特点是适于处理非线性的水声信号，而且原理简单，计算快速，具有较好的实时性。但这方面的研究工作还有待于进一步的深入。 本文提出了根据人耳听觉模型提取水下目标信号的人耳听觉谱特征的方法；并提出了支持向量机自适应增强集成算法用于水下目标的分类识别。仿真实验结果表明，本文提出的水下目标信号听觉谱特征提取方法简单有效，运算速度快，人耳听觉谱特征可有效用于水下目标识别，支持向量机自适应增强集成算法比单个优化的支持向量机分类器的正确识别率高％～％。 2 人耳听觉感知模型 人耳可以听到频率在20Hz～20KHz范围内的声音。人耳听觉系统是一个音频信号处理器，可以完成对声信号的传输、转换以及综合处理的功能，最终达到感知和识别目标的目的。人耳听觉系统有两个重要的特性[8]，一个是耳蜗对于声信号的分频特性；另一个是人耳听觉掩蔽效应。 耳蜗的分频特性 当声音经外耳传入中耳时，镫骨的运动引起耳蜗内流体压强的变化，从而引起行波沿基底膜的传播。不同频率的声音产生不同的行波，其峰值出现在基底膜的不同位置上。频率较低时，基底膜振动的幅度峰值出现在基底膜的顶部附近；相反，频率较高时，基底膜振动的幅度峰值出现在基底膜的基部附近（靠近镫骨）。如果信号是一个多频率信号，则产生的行波将沿着基底膜在不同的位置产生最大幅度。在每一声音频率上，随着强度的增加，基底膜运动的幅度增大，