浅谈船舶辐射噪声功率谱的线谱检测技术

浅谈船舶辐射噪声功率谱的线谱检测技术

1被动纳群线谱检测被动噪声是指通过在目标轨迹上发出的辐射噪声来检测和确定目标类型的噪声。众所周知,船舶的辐射噪声的功率谱是由连续分布的宽带噪声谱和在若干个离散频率上的窄带线谱分量构成的。在被动声纳信号处理中,线谱检测和提取具有举足轻重的地位。首先,线谱特有的集中而稳定的能量可以提高检测性能。线谱主要是由于舰艇、鱼雷等目标的机械部件的往复、旋转运动,螺旋桨的周期性击水以及叶片共振产生的。因为产生线谱的声源的功率和惯性都相当大,工作条件也比较稳定,所以线谱有较高的强度和稳定度,利用窄带检测系统可显著提高被动声纳的作用距离。其次,线谱可用来估计目标的运动参数。例如,通过精确测定线谱的多普勒频移并实行跟踪,可以估计目标的运动参数。线谱还是最重要的目标识别依据。谱特征直接与产生它们的现象是有关的,通过对谱进行细致的分析,可以得到声源的许多信息,对线谱进行高质量的谱估计,将为目标识别提供重要依据。对被动声纳而言,提高线谱的检测能力和提取质量,对于提高目标检测、跟踪距离和分类识别正确率都具有重要的意义,线谱检测和提取多年来一直是国内外研究的重点。在目前的被动声纳中,线谱检测通常是根据计算的周期图的谱值进行检测的。线谱检测方法分为两大类:利用单个时刻的谱值的实时检测法和利用多个时刻的数据推迟决策方法。2积分时间和线谱检测门限线谱检测最经典的方法是直接将在某个方向上接收的信号经滤波、解析变换等处理后计算周期图,然后把输出同设定门限进行比较,判断是否存在窄带信号。直接利用单次输出检测线谱,在高信噪比时,可以同时保证高检测概率和较低的虚警概率。但随着信噪比的降低,越来越容易把随机起伏的噪声误判为信号。为了降低虚警概率,有两种措施:一是增加积分时间。这种措施在信号为平稳信号时,效果较好。然而,对于非平稳信号,在平均时间内信号已不满足信号平稳的假设。如果分析时间间隔内信号线谱频率发生漂移,采用长的积分时间会导致谱峰展宽,强度和分辨率下降;如果漂移较大,则会导致无法检测出线谱的存在。二是提高线谱检测门限。但提高线谱检测门限,则会漏掉低幅值线谱,检测概率随之降低。为了利用线谱的形状特点,并能够自动提取出谱峰位置和线谱宽度等信息,陶笃纯和吴国清利用谱峰形状特点,分别给出了一套线谱识别逻辑。线谱形状的利用,剔除了一部分幅值超过门限,但形状不具备线谱特点的噪声点,可在一定程度上降低虚警概率。但由于单个时刻的信息有限,仅利用单个时刻的谱估计值直接检测线谱,在低信噪比下不能同时得到高的检测概率和低虚警概率。3线谱跟踪及检测为了提高在低信噪比下线谱检测、跟踪和提取能力,必须利用多行的数据,推迟决策,即进行LOFAR处理。被动声纳通常是将在某个方向上接收的信号进行时频分析,并将分析的结果显示给观察者。若用x轴表示信号的频率,y轴表示时间,亮度表示幅度。这种表示时频平面的M×N二维图象就是LOFAR图。窄带信号经过谱分析和累加平均后的谱表现为线谱。线谱除了在谱的形状,如幅值高、满足一定的斜率和宽度要求外,在时间会持续一段时间。在LOFAR图上,由线谱点组成的点形成了一条清晰的亮线,即谱线。这样,本来是一维的频率检测和跟踪问题,在LOFAR图上就变成了谱线检测和提取问题。在LOFAR图上检测和提取谱线,往往将两种或多种方法进行组合,其目的是能够利用每一个方法的优势,使整个算法能够获得较好的处理性能。根据处理方法的不同,大体可以分为四类:第一类是采用经典的图像处理方法。Chen-shanWang利用Hough变换来检测LOFAR图中的谱线。为了进一步提高算法性能,VanceA.Brahoshky把图论、Hough变换和启发式搜索结合起来检测谱线。这些方法优点是在谱线为直线时在低信噪比下有很强的提取能力,但当谱线为曲线时效果差;对于宽的谱线还会出现一根谱线重建成多根谱线的情况。Abel等人提出的方法是利用一个统计似然比检测出包含窄带能量的区域,然后用图像膨胀和腐蚀算法剔除大部分随机噪声点,提取出谱线轨迹。在信噪比较低时,利用这种方法能够剔除许多噪声点。然而,这种方法的不足是不但计算量大,而且对于LOFAR图上出现的较粗的手指状干扰当做谱线来检测。Martina等人把边缘检测方法和线谱跟踪过程结合起来解决LOFAR图中的谱线检测和提取问题。这种方法有一定的抑制噪声的能力。可该文献中给出的算法中对图像的平滑是试探着确定的,并且为了去除高频噪声,选择了高平滑。这意味着如果两根谱线靠得很近,会被合并到一起。另外,该算法并非全自动的,门限参数的选择还要手工来完成。因为用经典的边缘检测算子处理低信噪比下的淹没在噪声中的谱线时,将会产生许多虚假和破碎的边缘,使用这种方法难于取得理想的效果。760所吕俊军等人对线谱检测和跟踪问题进行了深入的研究,利用数字图像处理技术和多目标跟踪的概念,设计了非平稳线谱的动态检测和跟踪算法。该方法首先对谱图进行曲线检测与跟踪,得到粗略的线谱曲线,然后对检测的线谱曲线进行细化处理,得到平滑的线谱曲线。根据跟踪计算所得线谱曲线,对线谱进行积分,提取出关于线谱的分布、强度、变化等特征信息。该算法减弱了不平稳性对简单积分的影响,如谱峰降低,谱宽展宽等,并能给出线谱条数、强度、分布以及根据检测跟踪曲线求出线谱变化率,提供了较多的用于识别的特征参数,并且对之积分后的值平均后可以进行第二次门限检测,可以剔除其中的一部分噪声。但该算法不足之处是计算量较大,对谱图采用先曲线检测再细化的处理流程,同样会把一些在海上出现的粗的干扰信号误判为谱线。第二类采用了经典的目标检测和跟踪理论。I.N.Maksym,A.J.Bonner(1983年)等人利用贝叶斯概率理论给出了在LOFAR图中进行谱线检测和跟踪的序贯似然比跟踪器。该算法是把谱线轨迹检测看作是一个二元假设检测问题。H1表示在给定的频率点上存在;H0表示谱线不存在。这些假设的后验概率利用下一次输出的数据进行更新。由于更新一个后验概率等价于更新一个累积似然比。一组数据点结合起来是否表示存在一根谱线由下面的原则确定:把累积似然比Cl同低门限Tl和高门限Tu比较,若Cl<Tl,则决定谱线不存在,若Cl>Tu,则表示谱线存在;若Cl在二者之间,则推迟决策,结合更多的频率点。对于没有和老的轨迹组合到一起的数据点,若似然比高于低门限Tl,则开始新轨迹点。利用这种方法提取谱线,LOFAR图中噪声背景下的谱线得到增强,但这种方法只能确定各点是否是谱线点,处理后的图像并不能给出信号的任何相对或时变的幅度信息。为了给出信号的幅度信息,Stephen.A.S.Jones,G.J.Heald(1991年)等人把二元假设检验推广到多元假设检验问题。这种改进,能够保留信号的相对幅度信息,保留了每一根轨迹的时变幅度,剔除了大部分背景噪声。但从分析结果看,这种方法在前20次输出中有大量虚假谱线存在。另外,该方法只适用于增强频率不变的谱线。Y.H.Yang利用松弛算法检测LOFAR图中的线谱。该方法在信噪比高时可在LOFAR图中检测谱线。但在低信噪比下,效果较差,在每一次叠代时噪声去除非常慢。ClaudeJaufferet和DamienBouchet把概率数据关联建模和Viterbi算法进行结合来检测和提取线谱。该算法在低信噪比下有很强的线谱检测能力,但不能给出信号的起止时间,对存在多根谱线的情况尚需进一步研究。D.V.Cappel等人提出了基于隐含马尔可夫模型的谱线跟踪器。提出这种方法的目的是为了克服利用最邻近邻值(Nearestneighbour)和概率数据关联算法在低信噪比和频率、幅度变化时的局限性。由于利用了多行的数据和推迟了决策过程,并同时考虑几种谱线变化模型,该算法在低信噪比下的线检测和提取能力是很强的,能给出信号的起止时间;但该算法的计算量很大。第三类将线谱检测和提取问题转化为寻优问题。J.D.Martino和J.P.Haton(1993年)等人研究了LOFAR图中谱线幅值和频率变化连续的特点,定义了一个代价函数,求使代价函数最小的最佳路径,若一最佳路径通过某点一次,则对应计数器增加一次。由于代价函数充分考虑了谱线特点,此最佳路径在属于谱线的机率很大。利用这种方法处理后的图像表示最佳路径经过的次数。处理后LOFAR图中的噪声点得到一定的去除。路径长度N较大(文献中为150),对噪声剔除效果较好。但在N较小(N=15)时,处理效果是比较差的,产生了许多“多余轨迹”,不但不能直接用于目标识别,而且丢失了幅度信息。另外这种方法还存在计算量较大的缺点。美国AD报告“SimulatedAnnealinginSonarTrackDetection”中把谱线提取问题转化为最优化问题,并用模拟退火算法进行寻优。尽管该方法避免了谱线断裂问题,并在低信噪比情况下有很强的谱线提取能力,但却存在极大的局限性。首先该算法是一个局部调谐算法,需事先知道谱线的大体位置;另外该算法由于在实现过程中为了防止断线,采用了模板匹配的办法,使该方法适用于谱线频率变化不大的情况,若相邻时刻谱线点的频率变化大于一个频率点的情况,该算法不使用。为了克服美国AD报告中算法的局限性,陈敬军从谱线和噪声在LOFAR图中的差异出发,定义了一个新的代价函数,给出了在整个LOFAR图中检测和提取谱线的全局优化算法。同经典边缘检测算法相比,该算法较好地解决了谱线中间出现断点、随机噪声点干扰等线谱检测中的难题,并且提高了低信噪比下的线谱检测和提取能力。但该算法的缺点是谱线初始状态对算法性能影响较大,在已知谱线大体位置、根数的情况下有较好的处理效果。但在上述参数未知的情况下,在线谱可能出现的位置设置一组初始谱线,并进行退火寻优,最后根据最终的代价函数来判断是属于谱线还是噪声。这样做的最终结果虽然检测性能有了改进,但计算量比较大,对于实际海上的复杂情况,各种参数的选择比较困难。第四类模拟人工从LOFAR图中提取谱线的智能线谱检测和提取方法。由于人具有很强的模式识别和视觉积累能力,人在LOFAR图中的线谱检测和提取能力是非常强的。声纳兵通过观察LOFAR图,即使在极低的信噪比下,也能很容易地从LOFAR图中提取出谱线来。研究表明,当声纳兵利通过观察LOFAR图判断是否存在窄带信号时,执行了一个双阈值检测过程:第一次是设置一个门限,根据不同时刻、频率的点的灰度值的大小初步判断该点是否可能是谱线上的点;然后利用线谱的形状特点和时间上的连续性,并第二次取门限来完成检测。声纳兵在此过程中自动进行了模式识别和视觉积累,并且两次检测之间并不是孤立的,而是存在着密切的联系。例如,声纳兵对一些幅值虽高,但孤立的点会作为噪声剔除掉;一些点虽然幅值较低,但相邻各个时刻连续出现,并且满足窄带信号存在时的特点,就会把这些点保留下来;一旦判断有窄带信号存在,即使因为信号或背景起伏、存在其它干扰等原因引起的在中间丢失的部分,也会认为该时刻窄带信号是存在的,自动填补中间丢失的部分。为了能够在低信噪比下检测线谱时能够同时得到高的检测概率和低的虚警概率,陈敬军模拟人工提取谱线的双门限检测过程提出了双门限线谱检测算法,该算法通过选择低的检测门限和利用线谱的形状进行线谱识别来完成第一次检测,保留每一行既超过门限又满足线谱识别逻辑的点;然后延迟一段时间后,利用该时刻前后各个时刻的线谱识别情况剔除噪声、自动生成中间丢失的线谱点。通过上述处理,使该方法在低信噪比下检测线谱时,能够同时得到高的检测概率和低的虚警概率。由于在实现过程中对线谱识别方法进行了优化,并注重在线谱检测的每个环节上设法降低计算量,使算法的计算量较小,适合于实时处理。经理论分析和利用海上录制数据分析表明,此线谱检测方法并不需事先知道调制信号的幅值、根数、位置、起止时间等信息;在用海上录制的不同目标数据验证时,还体现出很好的宽容性。4线谱检测技术分析近年来,现代舰船的隐身性能得到了高度重视,随着减振降噪技术在船舶的大量运用,其辐射噪声大幅度降低。对被动声纳而言,要想能够对安静型目标进行正确检测、跟踪、定位和识别,必须保证在低信噪比时能够对线谱进行正确检测、跟踪