基于辐射噪声能量分布的舰船目标分类算法

第３２卷第１０期　２０１０年ｌＯ月　舰船科学技术　Ｖｏ１．３２．Ｎｏ．１０　Ｏｃｔ．．２０１０　ＳＨＩＰ　ＳＣＩＥＮＣＥ　ＡＮＤ　ＴＥＣＨＮＯＬＯＧＹ　基于辐射噪声能量分布的舰船目标分类算法　鞠熠昊，耿伯英，刘　健，王文涛　（海军３－程大学电子工程学院，湖北武汉４３００３３）　摘　要：　有效的特征提取技术是水中目标识别的基础。为提高基于舰船辐射噪声的水中目标识别准确率，选　用小波变换完成信号预处理和滤波，并在信号变换后的多尺度子空间上提取信号特征参数，归一化处理后构建分类　特征向量，最后用支持向量机算法进行训练和测试。仿真结果表明，利用小波变换的多分辨率分析方法和支持向量　机算法对舰船辐射噪声信号进行分类识别，特征提取算法有效，分类速度较快。　关键词：　小波变换；特征提取；支持向量机；目标识别　中图分类号：ＴＢ１８２；ＴＰ３１９　文献标识码：Ａ　文章编号：　１６７２—７６４９（２０１０）１０—００４５—０５　ＤＯＩ：１０．３４０４／ｊ．ｉｓｓｎ．１６７２—７６４９．２０１０．１０．０１２　Ａｌｇｏｒｉｔｈｍ　ｏｆ　ｓｈｉｐ　ｔａｒｇｅｔ　ｒｅｃｏｇｎｉｔｉｏｎ　ｂａｓｅｄ　ｏｎ　ｅｎｅｒｇｙ　ｄｉｓｔｒｉｂｕｔｉｏｎ　ｏｆ　ｔｈｅ　ｓｈｉｐ　ｒａｄｉａｔｅｄ　ｎｏｉｓｅ　ＪＵ　Ｙｉ—ｈａｏ，ＧＥＮＧ　Ｂｏ—ｙｉｎｇ，ＬＩＵ　Ｊｉａｎ，ＷＡＮＧ　Ｗｅｎ—ｔａｏ　（Ｅｌｅｃｔｒｉｃａｌ　Ｅｎｇｉｎｅｅｒｉｎｇ　Ｃｏｌｌｅｇｅ，Ｎａｖａｌ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｗｕｈａｎ　４３００３３，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：Ｔｈｅ　ｅｆｆｅｅｔｉｖｅ　ｆｅａｔｕｒｅ　ｅｘｔｒａｃｔｉｏｎ　ｉｓ　ｔｈｅ　ｂａｓｉｓ　ｆｏｒ　ｕｎｄｅｒｗａｔｅｒ　ｔａｒｇｅｔ　ｒｅｃｏｇｎｉｔｉｏｎ．Ｔｏ　ｅｎｈａｎｃｅ　ｔｈｅ　ａｃｃｕｒａｃｙ　ｏｆ　ｕｎｄｅｒｗａｔｅｒ　ｔａｒｇｅｔ　ｐａｓｓｉｖｅ　ｒｅｃｏｇｎｉｔｉｏｎ　ｂａｓｅｄ　ｏｎ　ｔｈｅ　ｓｈｉｐ　ｒａｄｉａｔｅｄ　ｓｉｇｎａｌｓ，ｔｈｅ　ｓｉｇｎａｌｓ　ｏｆ　ｓｈｉｐ　ｒａｄｉａｔｅｄ　ａｒｅ　ｐｒｅｐｒｏｃｅｓｓｅｄ　ａｎｄ　ｆｉｌｔｅｒｅｄ　ｂｙ　ＷＴ　ａｎｄ　ｔｈｅ　ｅｎｅｒｇｙ　ｆｅａｔｕｒｅ　ｐａｒａｍｅｔｅｒｓ　ａｒｅ　ｅｘｔｒａｃｔｅｄ　ｕｐｏｎ　ｍｕｌｔｉ—　ｓｃａｌｅ　ｓｕｂｓｐａｃｅ　ａｆｔｅｒ　ＷＴ．Ａｔ　ｌａｓｔ，ｔｈｅ　ｃｈａｒａｃｔｅｒｉｓｔｉｃ　ｖｅｃｔｏｒ　ｉｓ　ｅｓｔａｂｌｉｓｈｅｄ　ｗｉｔｈ　ｎｏｒｍａｌｉｚａｔｉｏｎ　ｐｒｏｃｅｓｓ　ａｎｄ　ｔｈｅ　ｓｉｇｎａｌｓ　ａｒｅ　ｃｌａｓｓｉｆｉｅｄ　ｕｓｉｎｇ　ＳＶＭ．Ｔｈｅ　ｓｉｍｕｌａｔｉｏｎ　ｅｘｐｅｒｉｍｅｎｔ　ｒｅｓｕｌｔｓ　ｄｅｍｏｎｓｔｒａｔｅ　ｔｈａｔ，ｔｈｅ　ｓｈｉｐ　ｒａｄｉａｔｅｄ　ｓｉｇｎａｌｓ　ｃａｎ　ｂｅ　ｃｌａｓｓｉｆｉｅｄ　ｏｒ　ｒｅｃｏｇｎｉｚｅｄ　ａｖａｉｌａｂｌｙ　ｂａｓｅｄ　ｏｎ　ＷＴ　ａｎｄ　ＳＶＭ．Ｔｈｅ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｓｐｅｅｄ　ｒａｐｉｄｌｙ．　Ｋｅｙ　ｗｏｒｄｓ：　ｗａｖｅｌｅｔ　ｔｒａｎｓｆｏｒｍ；ｆｅａｔｕｒｅ　ｅｘｔｒａｃｔｉｏｎ；ｓｕｐｐｏ￣ｖｅｃｔｏｒ　ｍａｃｈｉｎｅ；ｔａｒｇｅｔ　ｒｅｃｏｇｎｉｔｉｏｎ　０　引　言　水中目标识别　是通过水听器（如被动声呐）接　目标信号　（含噪声）　类别判定　收信号（包括目标的辐射噪声以及与其所处的水介　质共同作用后产生的环境噪声）的处理，从而对辐射　源进行类别判定。在民用和军用领域（如海洋环境　图ｌ　水中目标识别的总体框架　Ｆｉｇ．１　Ｔｈｅ　ｆｒａｍｅｗｏｒｋ　ｏｆ　ｔｈｅ　ｕｎｄｅｒｗａｔｅｒ　ｔａｒｇｅｔ　ｒｅｃｏｇｎｉｔｉｏｎ　开发、海洋生物研究、海底资源开发、武器开发研制等　方面）都有广泛的应用价值和重要意义。水中目标　特征提取与识别是水中目标识别的关键技术之～，也　是国内外一直公认的难题。作为一类特殊的模式识　别问题，水中目标识别的总体框架如图１所示。　键环节。由于海洋环境的复杂性和水声信号通道的　特殊性，要从舰船辐射噪声信号中提取１种既能反映　目标本质特征，又能满足水中探测要求的有效特征表　示，一直是水中目标识别领域的难题和热点　。小　波变换（Ｗａｖｅｌｅｔ　Ｔｒａｎｓｆｏｒｍ，ｗＴ）不仅具有良好的时频　舰船辐射噪声信号是水中目标分类识别的主要　信息来源，其特征信号的提取是水中目标识别中的关　定位特性，通过它提取的特征可以更好地反映信号的　时间与尺度特性，而且小波变换后信号相当于在不同　收稿日期：２０１０—０４—０７；修回日期：２０１０—０５—０４　基金项目：海军工程大学自然科学基金（ＨＧＤＪＪ２０Ｏ８０２９）　作者简介：鞠熠吴（１９８０一），男，硕士研究生，讲师，主要研究方向为军用目标识别技术。　・４６・　舰船科学技术　第３２卷　频带上进行滤波处理，更容易准确　地提取物理特　征。　待分析信号，（ｔ）的小波变换定义是把基本小波　（ｔ）作位移ｒ后，再在不同尺度ａ下与待分析的信　号．厂（ｔ）作内积：　统计学习理论（Ｓｔａｔｉｓｔｉｃａｌ　Ｌｅａｒｎｉｎｇ　Ｔｈｅｏｒｙ，　ＳＬＴ）Ｅｓ］是一种小样本统计理论，为研究有限样本情　况下的统计模式识别和更广泛的机器学习（Ｍａｃｈｉｎｅ　Ｌｅａｒｎｉｎｇ，ＭＬ）问题建立了１个较好的理论框架，同时　（ｎ，＇．）＝　ｆ，４（￡）　ｆ　１１ｄ￡，口＞０。（３）　ａ　一　、　０　在实际应用中，往往需要把连续小波及其变换离　散化，对连续小波的参数ｏ，ｂ进行采样；口＝口　，ｂ：　也发展了１种新的基于支持向量机（Ｓｕｐｐｏ￣Ｖｅｃｔｏｒ　Ｍａｃｈｉｎｅ，ＳＶＭ）的模式识别方法。ＳＶＭ是Ｖａｐｎｉｋ于　１９９５年提出的１种新的机器学习方法　，由于其具　有良好的泛化能力，在解决小样本、非线形及高维模　式识别问题中表现出许多特有优势，被推广应用到函　数拟合等其他机器学习问题中。目前，ＳＶＭ已成为　机器学习域新的研究热点并已被应用于人脸、文本、　手写体识别等多个研究工作中＂　。　为提高基于舰船辐射噪声的水中目标识别准确　率，本文首先利用小波变换对舰船辐射噪声信号进行　预处理和滤波，然后在小波变换后的各层子空间上提　取能量特征参数，再进行归一化处理，构建出信号的　特征向量，最后将原始测量信号分为训练部分和测试　部分，运用Ｃ—ＳＶＭ的分类算法对舰船辐射噪声信号　进行了分类识别。　１　算法原理　１．１小波变换理论　小波分析（Ｗａｖｅｌｅｔ　Ａｎａｌｙｓｉｓ）是在２０世纪８０年　代，由Ｍｏｒｌｅｔ在分析研究地理物理信号时提出的，是　１种分析非平稳信号的非常有效方法。它克服了短　时傅立叶变换固定分辨率的缺点，既能分析信号的整　个轮廓，又可以进行信号细节的分析，实现了对信号　不同分辨率下的分析。　小波函数定义：设　（ｔ）为一平方可积函数，即　（ｆ）∈Ｌ　（　），若其傅立叶变换　（ｔｏ）满足条件：　ｆ—ｊ一　２　ｄ　＜∞，　（１）１　Ｊ　Ｒ　则称　（ｔ）为１个基本小波或小波母函数，并称式　（１）为小波的可容性条件。原则上，任何满足可容性　条件的　（　）空间的函数都可作为小波母函数。　将小波母函数　（ｔ）进行伸缩和平移，设其伸缩　因子（也称尺度因子）为ａ，平移因子为　，令其伸缩　平移后的函数为：　…（￡）＝ａ一丁　（　—Ｊ＿），ａ＞０，７－∈Ｒ，　（２）　Ⅱ　称　…（ｔ）为依赖于参数ａ和．ｒ的小波基函数。　ｎ６０Ⅱ　，从而：　．　（ｚ）＝口一Ｔ　（ａｏ　ｔ—ｎ６ｏ），　（４）　．＋∞　（ｍ，　）＝ｆＪ　一∞　￡）　…（ｔ）ｄｔ＝　ｔ），　（‘）｝。（５）　因此，小波变换可以描述为函数　ｔ）∈　（　）。　通过带通滤波器的滤波输出响应。研究证明　，人　耳之所以能有效区分声信号，在于耳蜗处理复杂声信　号的能力及内在机理，即在低频时使用较窄的频域　窗，提高谱分辨率；在高频时使用较宽的频域窗，降低　谱分辨率，其实质就是１个小波变换。因此，利用小　波变换进行声信号特征描述，并用于计算机识别，具　有可靠的理论依据和实践基础。　１．２多分辨率分析　’　多分辨率分析（Ｍｕｌｔｉ—Ｒｅｓｏｌｕｔｉｏｎ　Ａｎａｌｙｓｉｓ，ＭＲＡ）　由Ｓ．Ｍａｌｌａｔ和Ｙ．Ｍｅｙｅｒ于１９８６年提出，它将此前所　有的正交小波基的构造统一起来，并在计算机上实现　了正交小波变换的快速算法（Ｍａｌｌａｔ算法），使小波理　论研究产生突破性的进展。　ＭＲＡ的主要思想是用不同的时间分辨率来逐级　逼近待分析的信号＿厂（　）。利用多分辨率分析，可以将　１个已知函数　ｔ）投影到相互正交的函数空间中。　尺度相同的小波函数或尺度函数构成了１个函数空　间的基，而不同函数空间其基的尺度是不相同的，从　而表征了不同的频率特性。通过不断地投影，即可逐　步得到原函数在其任意子空间中的分量，由粗及细地　实现信号的分析。这里把信号分为近似部分和细节　部分，所谓近似部分，即指信号中可以投影到大尺度　（即尺度值较大）空间中的低频分量，而细节部分则　指信号中和小尺度空间相对应的高频分量。　１．３支持向量机　支持向量机用于分类问题可描述为：给定１组训　练数据（　‘，Ｙ１），ｉ＝１，…，ｚ；　∈Ｒ　，ＹｉＥ｛一１，＋Ｉ｝，　要寻找１个分类规则，（　），使它能对未知类别的新　样本（新样本与训练样本独立同分布）作尽可能正确、　的划分。其实质就是寻找１个最优分类超平面作为　分类决策面；同时还通过引进核函数巧妙地解决了低　第１０期　鞠熠昊，等：基于辐射噪声能量分布的舰船目标分类算法　・４７・　维空间向量映射到高维空问向量时带来的“维数灾　难”问题。　在训练集线性可分情形下，ＳＶＭ就是要构造１　个最优超平面：　（０９・　）＋ｂ＝０。　（６）　这个超平面既要满足下面的约束条件：　Ｙ　［（　・　）＋ｂ］≥１，ｉ＝１，…，ｆ；　（７）　同时还要使下面的函数取得最小值：　１　１　（ｔｏ）＝÷ｌｌｏｔ　ｌＩ　＝÷（ｔｏ・　）。　（８）　通过求解最优化问题可得最优超平面的形式如　下：　∑ＹｉＯＬ？（　・　）＋ｂ。＝０。　（９）　其中：ＳＶ为支持向量，Ｏｌ　为Ｌａｇｒａｎｇｅ乘子。　在训练集线性不可分时，引进松弛因子　＞０及惩　罚参数Ｃ。此时需在约束Ｙ　［（　・　）＋ｂ］≥１一　，　ｆ　１　ｉ：１，…，ｚ下求最小化函数　（　）＝÷　『一　　ｌ＋ｃ’∑　，Ｉ　　类似可得最优超平面。有了最优超平面，分类规则或　分类函数只要取，（　）：ｓｇｎ　ｉ∑Ｙｉ　？（　‘Ｘｉ）＋ｂ。Ｉ　Ｖ　即可。　支持向量机特点之一在于核函数的引入。众所　周知，低维空间向量集往往难于划分，若把它们映射　到高维空间，随之而来的是计算复杂度的大大增加，　核函数巧妙地解决了这个问题。　若函数　（　・Ｙ）满足Ｍｅｒｃｅｒ条件　，则Ｋ（　・Ｙ）　＝　（　）・　（Ｙ）。其中西（）表示某个映射（未必知其　具体表达式）。这样，只要适当选取核函数就可以得　到对应高维空间的分类函数：　，（　）＝ｓｇｎ　ｌ∑ＹＳＶ　ｉ　？Ｋ（　～　）＋ｂ。　。（１０）　其中：　（　），（ｂ（Ｙ）为比　，Ｙ更高维的向量（注意：不　必知道其具体形式），由于Ｋ（　・Ｙ）只涉及（　・Ｙ），　因此计算没有涉及高维运算。　为此，我们将分类函数（决策函数）类型为式　（１０）的学习机称为支持向量机。　由上可知，支持向量机的基本思想为：在进行分　类时，对于线性不可分的样本首先通过一个非线性映　射将原空间的样本映射到１个高维的特征空间（也　称核空问），使得在核空问中变得线性可分或近似线　性可分，然后在核空间中进行线性分类（或其他线性　算法），从而实现相对于原空间的非线性算法。　２　舰船辐射噪声的特征提取　２．１　小波变换提取多尺度空间能量特征基本原理　按照小波变换理论，基于小波变换提取多尺度空　间能量特征的基本原理可描述为：小波变换可在“放　大”了的不同频带内分析信号，使本不易察觉的信号　特征在不同分辨率的若干子空间中显露出来，具备数　字“显微镜”功能。因此，选取不同的小波函数，分解　结果也不同。但无论小波函数如何选取，每一分解尺　度所用的滤波器中心频率与带宽成固定的比例，即具　有所谓“恒Ｑ”特性。因此，各尺度空间内的平滑信　号和细节信号提供了原始信号的时频局域信息，特别　是能提供不同频段上信号的构成信息。由于能量是　反映信号特征的一个重要物理量，求解出不同分解尺　度上信号能量，将这些能量值按尺度顺序排列成特征　向量以备分类识别使用。　２．２基于舰船辐射噪声的水中目标小波分解能量特　征提取　对于舰船辐射噪声来说，信号所包含的能量频谱　分布与目标类型、形状和大小密切相关。因此，小波　分解后尺度空间上的能量分布如同舰船的低频线谱　一样，反映出目标的本质特征，可用于分类识别　。　因此可选取各尺度上细节信号的能量作为特征向量，　主要原因在于：①不同目标辐射信号在各个尺度上　的细节能量分布不同；②小波变换后的各个尺度上　的细节信号是正交的，因此它们是不相关的，符合目　标特征向量最小维数的要求；③用归一化能量作为　特征向量，既可以消除原始信号幅值的影响，也易于　使特征向量归一化。故采用小波变换方法进行目标　特征提取，从多分辨率分析出发，对信号进行Ｍａｌｌａｔ　多级小波分解，可得出信号在各级近似空间和细节空　问上的信号表示。　鉴于此，基于舰船辐射噪声的水中目标小波分解　能量特征提取步骤如下：　１）利用信号的多尺度分解及其快速算法对舰船　辐射噪声信号进行小波变换；　２）重构小波变换后的各层细节信号；　３）在第１级到第ｎ级细节子空问上，分别计算　这ｎ个子空间中的信号能量；　４）将这ｎ个子空间中的信号能量进行归一化处　理，作为分类特征向量。　这样，经过／１，级小波分解后，便可提取出特征向　量，并且其特征向量具备以下２个优点：一是特征维　・４８・　舰船科学技号名术　０．５　０。０．５第３２卷　ｉ　数低，因为小波分解的级数Ⅳ一般不会太高；二是选　用此方法提取的特征包含了信号在不同频带ｋ的信　息，并未造成信息的大量损失。　２．３特征提取实例　一　———　———　｝！！！！！蔷　。。　重豳一　０．Ｏ．５０　５　以２种类型舰船辐射噪声信号为例进行多尺度小　写０‘５波分解，用２２　ｋＨｚ频率对原始信号采样，采样时间为　１　ｓ，信号长度为２２　０５０个点，取ｄｂ５小波，进行５级小　写一０．５　———菇　０—－—　—■■●—■　波分解。图２和图３分别表示噪声的原始波形及分解　结构。图４和图５分别表示各级小波细节信号。　图２类型１原始信号及小波分解结构　Ｆｉｇ．２　Ｔｙｐｅ　１　ｓｔｒｕｃｔｕｒｅ　ｏｆ　ｔｈｅ　ｏｒｉｇｉｎａｌ　ｓｉｇｎａｌ　ａｎｄ　ｗａｖｅｌｅｔ　ｄｅｃｏｍｐｏｓｉｔｉｏｎ　１　Ｏ　—Ｏ　－１　（Ｓ）第２类原始信号　（ｂ）低频系数和各层高频系数　图３类型２原始信号及小波分解结构　Ｆｉｇ．３　Ｔｙｐｅ　２　ｓｔｒｕｃｔｕｒｅ　ｏｆ　ｔｈｅ　ｏｒｉｇｉｎａｌ　ｓｉｇｎａｌ　ａｎｄ　ｗａｖｅｌｅｔ　ｄｅｃｏｍｐｏｓｉｔｉｏｎ　计算各层细节信号的能量并进行归一化处理，构　成５维小波变换后的尺度一能量特征向量，如图６所　示。　２种类型舰船辐射噪声经小波变换的多分辨率　分析后提取的典型特征向量见表１，以ｄｂ５小波的５　层分解为例。　２．４结果分析　从图表中可以看出：２种不同舰船辐射噪声信号　小波变换后的不同尺度细节信号能量值的分布明显　０．２　亳＿（）．２　Ｏ．Ｏ５　Ｏ　－０．ｏ５　０　０．５　１＿０　１．５　２．０　ｘｌｏ４　时间　ｓ　图４类型１小波细节信号　Ｆｉｇ．４　Ｔｙｐｅ　１　ｗａｖｅｌｅｔ　ｄｅｔａｉｌ　ｓｉｇｎａｌ　０．５　．　．．．．．１一　号一ｏ－９｝！！！！！　０　＿口　０　时间ｔ／ｓ　图５类型２小波细节信号　Ｆｉｇ．５　Ｔｙｐｅ　２　ｗａｖｅｌｅｔ　ｄｅｔａｉｌ　ｓｉｇｎａｌ　归一化能量　归一化能量　图６　归一化后的尺度一能量特征向量　Ｆｉｇ．６　Ｎｏｒｍａｌｉｚｅｄ　ｓｃａｌｅ—ｔｈｅ　ｅｎｅｒｇｙ　ｆｅａｔｕｒｅ　ｖｅｃｔｏｒ　第ｌ０期　鞠熠昊，等：基于辐射噪声能量分布的舰船目标分类算法　表１分类特征向量　・４９・　Ｔａｂ．１　Ｃｌａｓｓｉｆｉｃａｔｉ０ｎ　ｏｆ　ｔｈｅ　ｖｅｃｔｏｒ　舰船辐射噪声　、　—二］信号　／　归ｌ　一一　化能量　小波变换　）　／　构建尺度能　量特征向量　一多分辩挈分辑　）　计算各尺度空　、—二二［二　（　一ＳＶＭ分类器　一　一　、　一旦　　～一一　丝垦—　～　’—］—：一一　图７计算总能量　）　（　＿　分类结果　＿二　水中目标分类流程不意图　Ｆｉｇ．７　Ｆｌｏｗ　ｄｉａｇｒａｍ　ｏｆ　ｕｎｄｅｒｗａｔｅｒ　ｔａｒｇｅｔ　ｃｌａｓｓｉｉｃａｔｉｆｏｎ　不同。表明了不同目标的物理特性，而这些特征具有　相对的稳定性，可用于舰船目标的分类识别。　利用ＬＩＢＳＶＭ¨　“　进行分类，采用Ｃ—ＳＶＣ分类类型，　ＲＢＦ核函数，测试结果见表２。其中，最优参数是采　用ＬＩＢＳＶＭ软件自带选优工具所得的结果；ＫＮＮ—　ＳＶＭ是采用文献［１１—１２］提出的算法。　分类实验结果表明：　此外，通过分析可知：①选取不同的小波基函数　有着不同的特征向量，因此小波基函数的选取将直接　影响分类结果。②小波变换后的小波系数表明了小　波与被处理信号之间的相似程度。如果小波变换后　的小波系数较大，表明小波和信号的波形相似程度较　大；反之则较小。如果小波变换要反映信号整体的近　似特性，往往选用较大的尺度；要反映细节上的变换　则选用小尺度。由于小波函数家族成员多，进行小波　变换的目的各异，目前如何选取小波基函数还没有一　个通用的标准，不过在实际应用中已取得了一些经　验，具体可参考文献［９］。　１）信号的能量结构能真实反映舰船辐射噪声信　号的本质特征。　２）ＳＶＭ分类算法能进行有效的分类，平均识别　率在７０％以上，分类速度较快。　３）若进行核函数参数优选或采用ＫＮＮ—ＳＶＭ算　法优化，可进一步提高分类的准确率。　４　结　语　本文探讨了基于舰船辐射噪声的水中目标小波　特征提取及ＳＶＭ分类方法。针对水中目标识别的特　３　基于舰船辐射噪声的水中目标分类实验　根据小波变换和支持向量机的基本原理，在实际　应用中，具体多尺度子空问能量分布特征的提取及目　标分类识别过程的流程如图７所示。　殊性，选用目标能量分布特征进行特征提取，直接提　取所有分解后的尺度空问能量，对目标先验信息的依　赖较弱。提取的能量特征形式简单且特征维数低，算　法简便、存储及运算量小、速度快。实测信号的仿真　测试结果表明，基于小波特征提取和支持向量机分类　选用实测舰船噪声辐射信号，以２２　ｋＨｚ频率对　原始信号采样，采样时间为１　ｓ，信号长度为２２　０５０个　点。待分类的信号为２类，各有１２０个样本，其中３６　个样本作为训练样本，其他８４个样本作为测试样本。　算法能有效识别舰船辐射噪声类型。　表２分类实验结果　Ｔａｂ．２　Ｃｌａｓｓｉ　ｃａｔｉ０ｎ　ｒｅｓｕｌｔｓ　特征提取方法　ｄｂ５小波４层分解　。　７０．９８７４９０　０．００５４７２　０．００５８２４　０．０６９６９２　ｓＶ数目　７２　７２　６６　１５　２５　２８　２５７　２７１　２３７　０．２８５７　１．３０９５　１．７１４３　ｓｃｃ　０．７５００　０　２０８６　０．０７６９　９２．８５７ｌ　６７．２６ｌ９　５７　１４２９　９５．２３８１　８４．５２３８　７９．７６１９　７３．２１　７０．２４　ｄｂ５小波５层分解　ｄｂ５小波６层分解　—６９．４６２８９０　３５．６Ｏ１９４７　ｄｍｅｙ小波４层分解　ｄｍｅｙ小波５层分解　—７Ｏ．９５５３８５　０．００６９０５　０．００５４５９　７２　７２　４４　３４　１９３　２５６　０．３３３３　０．３５７１　０　７１４３　０．６９７０　９１　６６６７　８９　８８１０　９３．４５２４　９１．０７１４　７１．１２７６７７　３２．２３ｌ３７９　ｄｍｅｙ小波６层分解　０．０７４８０６　６０　３７　ｌ９４　１．７１４３　０．０７６９　５７．１４２９　８８．０９５２　６４．８８　ｆ下转第８３页）　第１０期　李　响，等：舰船地震波场检测系统及实验研究　如　∞　∞　∞　ｍ　５　Ｏ　・８３・　１．５　耗和大容量存储的难题，并取得了丰富的海上试验数　１．４　据。数据分析表明：舰船地震波场信号有着明显的频　ｈ　　Ｉ１．３　－＿＾上‘　乜ＩＪ　谱特性，有利于舰船目标的探测识别。传感器性能的　之１　２　提高，测量方法的改进以及信号处理方法的丰富，为　‘”Ｐ　’　再’　ｒｒ　１．１　　Ｉｒ，　以后深入研究舰船地震波场打下了良好的基础。　ｌＩ　１．０　参考文献：　０．９　［１］　傅金祝．国外水雷战装备参考资料［Ｍ］．宜昌：７１０所，　Ｏ．８　０　５　１０　１５　２０　２５　３０　３５　ｌ９９４．１—８０．　时间／ｓ　［２］　张胜业，潘玉玲．应用地球物理学原理［Ｍ］．武汉：中国　地质大学出版社，２００４，２９９—３７０．　［３］　肖汉光，蔡从中，廖克俊．利用声波和地震波识别军事车　辆类型［Ｊ］．系统工程理论与实践，２００６，４（４）：１０８—　Ｊ脚　１１３．　［４］李响，颜冰．舰船地震波场分析［Ｊ］．噪声与振动控制，　２００７，２７（４）：ｌ２０—１２２．　［５］　李响，颜冰．海底沉积物特性对舰船地震波传播的影响　［Ｊ］．舰船科学技术，２００８，３０（４）：４３—４６．　［６］ＨＥＣＨＴ　Ｒ　Ｊ．Ｉｎｖｅｓｔｉｇａｔｉｏｎ　ｏｆ　ｔｈｅ　Ｐｏｔｅｎｔｉａｌｉｔｉｅｓ　ｏｆ　Ｕｓｉｎｇ　图７实验数据及其时频图　Ｓｅｉｓｍｉｃ　Ｓｅｎｓｏｒｓ　ｆｏｒ　ｔｈｅ　Ｄｅｔｅｃｔｉｏｎ　ｏｆ　Ｓｈｉｐｓ　ａｎｄ　Ｏｔｈｅｒ　Ｎａｖａｌ　Ｆｉｇ．７　Ｔｉｍｅ　ａｎｄ￣ｅｑｕｅｎｃｙ　ａｎａｌｙｓｉｓ　ｏｆ　ｔｈｅ　ｓｉｇｎａｌ　Ｐｌａｔｆｏｒｍｓ［Ｒ］．ＡＤ　ｒｅｐｏ￣，ＡＯ６３２１８，１９７６．　［７］　蔡素雄．ＭＳＰ４３０Ｆ１４９在电力测控保护产品中的应用［Ｊ］．　３　结　语　单片机与嵌入式系统应用，２００４，２５（８）：５８—５９，７４．　『８］Ｔｅｘａｓ　Ｉｎ，ｔｒｕｍｅｎｔ￥．ＭＳＰ４３０ＸＩＸＸ　Ｕｓｅｒ　Ｇｕｉｄｅ［Ｍ］．ＵＳＡ：　设计的舰船地震波场检测系统成功解决了微功　Ｔｅｘａｓ　Ｉｎｓｔｒｕｍｅｎｔｓ，２００２．　（上接第４９页）　［８］　张静远，张冰，蒋兴舟．基于小波变换的特征提取方法分　参考文献：　析［Ｊ］．信号处理，２０００，１６（２）：１５６—１６２．　［９］　葛哲学，沙威．小波分析理论与ＭＡＴＬＡＢ　Ｒ２００７实现　［１］　章新华．水中目标自动识别的核心技术［Ｊ］．兵工学报，　［Ｍ］．北京：电子工业出版社，２００７．　１９９８，１９（３）：２７５—２８０．　［１０］　ＣＨＡＮＧ　Ｃ　Ｃ。ＬＩＮ　Ｃ　Ｊ．ＬＩＢＳＶＭ：ａ　ｌｉｂｒａｒｙ　ｆｏｒ　ｓｕｐｐｏ￣　［２］　郭丽华，王大成，丁士圻．水中目标特征提取方法研究　ｖｅｃｔｏｒ　ｍａｃｈｉｎｅｓ［ＥＢ／ＯＬ］．ｈｔｔｐ：／／ｗｗｗ．ｃｓｉｅ．ｎｔｕ．ｅｄｕ．ｔｗ／　［Ｊ］．声学技术，２００５，９（３）：１４８—１５２．　～ｃｊｌｉｎ／ｌｉｂｓｖｍ．　［３］　丁玉薇．被动声纳目标识别技术的现状与发展［Ｊ］．声　ＳＨＥＮ　Ｘｉａｏ—ｑｉａｏ，ＬＩＮ　Ｙａ—ｐｉｎｇ．Ｇｅｎｅ　Ｅｘｐｒｅｓｓｉｏｎ　Ｄａｔａ　学技术，２００４，２３（４）：２５３—２５７．　Ｃｌａｓｓｉｉｆｃａｔｉｏｎ　Ｕｓｉｎｇ　ＳＶＭ—ＫＮＮ　Ｃｌａｓｓｉｆｉｅｒ［Ａ］．Ｐｒｏｃｅｅｄｉｎｇｓ　［４］　章新华，王骥程，林良骥．基于小波变换的舰船辐射噪声　ｏｆ　２００４　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｓｙｍｐｏｓｉｕｍ　ｏｎ　Ｉｎｔｅｌｌｉｇｅｎｔ　Ｍｕｌｔｉｍｅｄｉａ，　特征提取［Ｊ］．声学学报，１９９７，２２（２）：１３９—１４４．　Ｖｉｄｅｏ　ａｎｄ　Ｓｐｅｅｃｈ　Ｐｒｏｃｅｓｓｉｎｇ［ｃ］．Ｈｏｎｇ　Ｋｏｎｇ，２００４，１４９一　［５］　ＣＲＩＳＴＩＡＮＩＮＩ　Ｎ．支持向量机导论［Ｍ］．李国正，译．北　ｌ５２．　京：机械工业出版社，２００４．　［１２］　刘健，薛蒙．基于Ｋ最近邻决策的支持向量机分类算法　［６］　张学工．关于统计学习理论与支持向量机［Ｊ］．自动化　及仿真［Ｊ］．舰船电子工程，２００９，２９（３）：８８—９１．　学报，２０００，２６（１）：３２—４２．　［１３］　ＬＩＢＳＶＭ软件，ｈｔｔｐ：／／ｗｗｗ．　ｃｓｉｅ．　ｎｔｕ．　ｅｄｕ．ｔｗ／～　［７］　ＹＡＮＧ　Ｘ　Ｗ，ｅｔ　ａ１．Ａｕｄｉｔｏｒｙ　ｒｅｐｒｅｓｅｎｔａｔｉｏｎ　ｏｆ　ａｃｏｕｓｔｉｃ　ｃｊｌｉｎ／ｌｉｂｓｖｍ／ａｃｋｎｏｗｌｅｄｇｅｍｅｎｔｓ．　ｓｉｇｎａｌｓ［Ｊ］．ＩＥＥＥ　ｔｒａｎｓ．ｏｎ　ＩＴ，１９９２，３８：８２４—８３９．