盧佳敏 宋三明 景 嚴(yán) 張 瑤 谷 浪魯 帆 胡志強(qiáng) 李 碩

(1 中國科學(xué)院沈陽自動化研究所 機(jī)器人學(xué)國家重點(diǎn)實驗室 沈陽 110016)

(2 中國科學(xué)院機(jī)器人與智能制造創(chuàng)新研究院 沈陽 110169)

(3 中國科學(xué)院大學(xué) 北京 100049)

(4 中國科學(xué)院聲學(xué)研究所 北京 100190)

0 引言

水中機(jī)動目標(biāo)在航行時會輻射出具有特殊頻譜分布的噪聲，因此可以通過噪聲分析來估計航行器的噸位、槳葉數(shù)等物理特征和軸頻、航速等運(yùn)動狀態(tài)［1?2]，進(jìn)而實現(xiàn)合作或?qū)箞鼍跋碌膽B(tài)勢感知。軸頻是螺旋槳轉(zhuǎn)速的最直接反映［3]，對水下目標(biāo)探測具有重要的意義，本文將重點(diǎn)研究如何從水聽器陣列接收到的噪聲中估計軸頻信息。

軸頻也稱為基頻，在數(shù)值上等于目標(biāo)螺旋槳主軸的轉(zhuǎn)動頻率［4]，常用DEMON 譜分析法提取調(diào)制譜特征，以獲取基頻及其諧波在內(nèi)的低頻線譜，進(jìn)而檢測目標(biāo)的基頻、葉頻或槳葉數(shù)目。文獻(xiàn)[5–6]評估了不同解調(diào)分量得到的DEMON譜的鑒別能力。文獻(xiàn)[7–11]研究了DEMON 譜凈化與增強(qiáng)，提高了線譜的信噪比與基頻估計的精度。其中，文獻(xiàn)[7]基于線譜之間的倍頻關(guān)系，提出基于最大公約數(shù)的基頻提取方法，文獻(xiàn)[12–13]對此進(jìn)行了拓展并提出相應(yīng)的改進(jìn)方法。這些算法需要人為設(shè)置參數(shù)進(jìn)行特征提取和基頻估計，對信噪比較敏感。實際接收到的目標(biāo)噪聲信號，受到不同海洋波導(dǎo)傳輸過程的乘性作用和加性干擾，其信噪比變化大［14?15]。

深度學(xué)習(xí)具有較強(qiáng)的泛化能力，近年來逐漸被研究人員引入水下目標(biāo)識別領(lǐng)域。文獻(xiàn)[16]通過提取DEMON 譜中各諧波之間的結(jié)構(gòu)特征關(guān)系建立模板庫，根據(jù)模板庫對深度神經(jīng)網(wǎng)絡(luò)(Deep neural networks,DNN)進(jìn)行訓(xùn)練，并識別螺旋槳的葉片數(shù)目。文獻(xiàn)[17]將梅爾頻率倒譜系數(shù)(Melfrequency cepstrum coefficient,MFCC)和頻譜包絡(luò)特征輸入卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural networks,CNN)和深度置信網(wǎng)絡(luò)(Deep belief networks,DBN)，對船舶目標(biāo)進(jìn)行分類。文獻(xiàn)[18]提出一個類似方案，將線性預(yù)測倒譜系數(shù)(Linear predictive cepstral coefficient,LPCC)和MFCC 串聯(lián)后輸入DBN 網(wǎng)絡(luò)。文獻(xiàn)[19]將梅爾頻率特征分別輸入支持向量機(jī)(Support vector machine,SVM)和VGGish 網(wǎng)絡(luò)中，對生物、潛艇和船只3 種目標(biāo)噪聲進(jìn)行分類。文獻(xiàn)[20]使用堆疊降噪自編碼器(Stacked denoising auto encoder,SDAE)對原始信號數(shù)據(jù)進(jìn)行降維和逐層特征提取，然后使用SVM和BP 網(wǎng)絡(luò)進(jìn)行分類。文獻(xiàn)[21]開展了基于長短時記憶(Long short-term memory,LSTM)網(wǎng)絡(luò)的聲學(xué)目標(biāo)分類，發(fā)現(xiàn)時域、頻域和MFCC 三種特征具有相當(dāng)?shù)姆诸愋阅堋ｋS后，他們對DEMON 譜和MFCC等特征進(jìn)行融合，提高了LSTM 網(wǎng)絡(luò)的分類準(zhǔn)確率［22]。

大多數(shù)現(xiàn)有水下目標(biāo)分類算法首先通過波束形成將水聽器陣列信號約減為一維信號，然后提取頻域特征輸入深度網(wǎng)絡(luò)進(jìn)行訓(xùn)練。本文開展基于深度學(xué)習(xí)的基頻估計，但是重點(diǎn)考慮如下兩個問題：

(1)在特征提取時，絕大多數(shù)研究都采用了MFCC特征。MFCC反映能量在不同頻率區(qū)間的分布，本質(zhì)上是對噪聲信號頻譜包絡(luò)的一種描述，關(guān)注的是連續(xù)譜而非調(diào)制譜特征。

(2)在波束形成時，會丟失很多細(xì)節(jié)信息，且會引入新的陣形估計誤差。

對于問題(1)，由于調(diào)制譜是由基頻及其諧頻決定的，而一般采用DEMON 譜來提取調(diào)制譜，所以本文在估計基頻時候選擇DEMON 譜作為網(wǎng)絡(luò)的輸入。需要注意的是，在目標(biāo)航速很低時噪聲的調(diào)制效應(yīng)很弱，因此調(diào)制譜分析更適合分析非低速航行下的目標(biāo)噪聲。

對于問題(2)，一種更加合理的選擇是將水聽器陣列采集的多通道信號直接用于特征提取。然而，多通道數(shù)據(jù)不僅會導(dǎo)致特征數(shù)急速增長，而且還會引入隨機(jī)噪聲的譜特征。本文擬采用CNN 網(wǎng)絡(luò)對多通道特征進(jìn)行二次特征提取，實現(xiàn)特征降維和凈化。最后，將多個時間窗對應(yīng)的二次特征輸入LSTM網(wǎng)絡(luò)實現(xiàn)基頻估計。

1 算法流程

本文提出的基頻檢測算法流程如圖1所示。首先，對每個通道的噪聲信號作加窗分幀處理，在每個時間窗內(nèi)提取DEMON 譜特征；然后，利用梳狀濾波器對DEMON 譜特征中包含的倍頻關(guān)系進(jìn)行增強(qiáng)；最后，將同一時間窗內(nèi)所有通道特征組成二維矩陣經(jīng)卷積層處理后輸入LSTM網(wǎng)絡(luò)。

本文采用分類網(wǎng)絡(luò)來估計基頻。把基頻取值范圍分成幾個頻段，每個頻段當(dāng)作一個類別，將基頻估計問題轉(zhuǎn)化為分類問題。需要說明的是，也可以采用回歸網(wǎng)絡(luò)進(jìn)行基頻估計。但是，在很多研究領(lǐng)域中，回歸網(wǎng)絡(luò)或者分類網(wǎng)絡(luò)在性能上并不存在本質(zhì)的區(qū)別［23?24]。下面將詳細(xì)介紹算法各個步驟的具體實現(xiàn)方法。

1.1 DEMON譜

DEMON譜的計算流程如圖2所示。

圖2 DEMON 譜計算流程圖Fig.2 The DEMON spectrum extraction procedure

調(diào)制信號對不同頻帶噪聲的信號調(diào)制強(qiáng)度是不同的［7]?？梢詫⑿盘柕念l譜劃分成多個頻段，然后將不同頻段的線譜進(jìn)行融合來提高線譜質(zhì)量。具體包括如下幾個步驟：(1)在高頻端選取若干個子帶，對原始噪聲信號進(jìn)行時域帶通濾波；(1)對每個子帶進(jìn)行平方解調(diào)，得到時域包絡(luò)；(2)對包絡(luò)做快速傅里葉變換(Fast Fourier transform,FFT)得到頻譜，并利用雙向α濾波器去除趨勢項得到各個子帶的線譜；(3)根據(jù)線譜根數(shù)將各子帶的線譜進(jìn)行加權(quán)融合，得到最終的線譜特征。考慮到水中運(yùn)動目標(biāo)的實際工況，后面實驗中將基頻的搜索范圍限制在5～10 Hz之間。而且，由于DEMON譜的線譜階數(shù)不會太高［7]，本文以10 階為限，僅保留100 Hz以下的DEMON譜。

1.2 梳狀濾波器

受到不穩(wěn)定調(diào)制的影響，線譜之間的倍頻關(guān)系可能會減弱或消失。本文采用文獻(xiàn)[25]提出的梳狀濾波器對倍頻關(guān)系進(jìn)行增強(qiáng)。梳狀濾波器由許多按等頻率間隔排列的通帶和阻帶組成，能夠很好地保留信號中的倍頻關(guān)系。

對于理想的DEMON 譜，其對數(shù)頻域上基頻及倍頻的分布可以表示為

其中，b為線譜幅度，k表示第k個諧頻，f0為基頻，N(q)為加性噪聲。

理想狀態(tài)下，各次諧波線譜之間遵守嚴(yán)格的倍數(shù)關(guān)系。當(dāng)梳狀濾波器h(q)的第一個通帶移動至某個線譜頻率處時，其余各通帶會落在該頻率對應(yīng)的各次諧波上，對各個諧頻進(jìn)行累積。在第一個通帶位于基頻f0處時達(dá)到峰值。相應(yīng)的理想濾波器h(q)可以用式(2)描述：

但在實際中，基頻及諧頻之間的倍頻關(guān)系并不嚴(yán)格，如諧頻位置存在偏差或存在一定的譜峰寬度。因此，DEMON 譜不能直接用式(1)描述，相應(yīng)的也不能用式(2)的濾波器進(jìn)行濾波。一種考慮了偏差和譜峰寬度的濾波器為

其中，g(q)為

參數(shù)K是諧波個數(shù)，γ代表譜峰寬度。在后面的實驗中K取10，γ取1.8，取β，使

利用梳狀濾波器進(jìn)行濾波時，首先將特征信號映射至對數(shù)域，q=logf,然后將DEMON譜與濾波器做卷積得到增強(qiáng)后的線譜特征：

梳狀濾波前后的DEMON 譜如圖3所示，濾波后諧波結(jié)構(gòu)(線譜間的倍頻關(guān)系)明顯增強(qiáng)。

圖3 梳狀濾波器對DEMON 譜的增強(qiáng)效果Fig.3 Enhancement to DEMON spectrum by the comb filtering

1.3 深度分類網(wǎng)絡(luò)

提取DEMON 譜特征后，可以通過訓(xùn)練分類網(wǎng)絡(luò)來估計基頻。作者在文獻(xiàn)[26]中提出過一種基于CNN 網(wǎng)絡(luò)的檢測方法，利用小波變換對DEMON譜特征去噪，然后將將凈化譜特征輸入CNN 網(wǎng)絡(luò)來估計基頻。但是，去噪可能會造成譜特征信息的丟失，而且單純采用CNN 網(wǎng)絡(luò)需要對較長的時間序列進(jìn)行融合，影響實時性。本文去掉了去噪步驟，同時在CNN 網(wǎng)絡(luò)上增加了LSTM 網(wǎng)絡(luò)，以期利用LSTM 網(wǎng)絡(luò)的時序建模能力去捕獲低信噪比條件下基頻及其倍頻的統(tǒng)計特性，提高基頻估計的穩(wěn)定性和實時性。

LSTM是循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent neural network,RNN)的一種改進(jìn)結(jié)構(gòu)，具有RNN 處理時間序列信號能力的同時解決了RNN 存在的長時依賴問題，被廣泛用于處理各種語聲任務(wù)。LSTM 基本單元結(jié)構(gòu)如圖4所示。其中，xt為各時間步輸入LSTM 單元的特征，ht是各時間步LSTM 單元的輸出，sig為sigmoid函數(shù)。

圖4 LSTM 基本單元Fig.4 Cell of LSTM

網(wǎng)絡(luò)的整體結(jié)構(gòu)如圖5所示，包含一個擁有8個3×3 卷積核的卷積層、一個卷積核尺寸為2×2的池化層、一個含有256 個神經(jīng)元的LSTM 層以及一個大小為128的隱藏層和大小為25的softmax 分類層。注意，輸出是one-hot 向量，當(dāng)基頻的真實值落在相應(yīng)頻率范圍內(nèi)時，該類值為1，其余為0。損失函數(shù)采用交叉熵函數(shù)，網(wǎng)絡(luò)使用mini-batch 進(jìn)行訓(xùn)練。其中卷積層對輸入的多通道DEMON譜特征進(jìn)行降維，LSTM層用于提取輸入信號的時序特征，隨后輸入分類網(wǎng)絡(luò)進(jìn)行分類。

圖5 網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.5 The proposed deep-learning network structure

2 數(shù)據(jù)仿真

訓(xùn)練深度網(wǎng)絡(luò)需要大量標(biāo)定好的數(shù)據(jù)。但是，真實艦船噪聲數(shù)據(jù)往往比較稀缺，而且實測數(shù)據(jù)標(biāo)定是一項繁瑣且容易出錯的工作。因此本文首先使用仿真數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，在湖試中利用實測艦船噪聲數(shù)據(jù)對預(yù)訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行微調(diào)后，再進(jìn)行基頻估計。本節(jié)介紹艦船噪聲信號的仿真方法。

對于仿真艦船噪聲信號來說，周期性局部平穩(wěn)過程［14]和準(zhǔn)周期性隨機(jī)聲脈沖序列模型［15]是描述其時域信號較為客觀接近實際的兩種數(shù)理模型。準(zhǔn)周期性隨機(jī)聲脈沖序列模型可以模擬以不同噪聲源為主導(dǎo)的不同工況下的目標(biāo)輻射噪聲信號，其脈沖形狀和脈沖出現(xiàn)的周期性程度可取不同值，使其具有不同的寬帶連續(xù)譜形狀和不同線譜幅度、調(diào)制深度，具有良好的普適性，因此本文根據(jù)文獻(xiàn)[15]對目標(biāo)噪聲信號進(jìn)行仿真。

2.1 艦船噪聲準(zhǔn)周期性隨機(jī)聲脈沖序列模型

艦船噪聲的頻譜可以看作由連續(xù)譜和線譜疊加組成，噪聲的時域波形可以看作由準(zhǔn)周期性隨機(jī)脈沖聲序列構(gòu)成，其中第n個聲脈沖的出現(xiàn)時刻(脈沖前沿)為

其中，T為聲脈沖序列之間的平均間隔，Δn為脈沖序列在周期點(diǎn)附近的隨機(jī)擺幅，服從均值為零、方差為δΔ的正態(tài)分布。

準(zhǔn)周期性隨機(jī)聲脈沖序列指出噪聲輻射線譜相對于連續(xù)譜的幅值僅取決于脈沖的隨機(jī)擺幅，脈沖序列的準(zhǔn)周期性越差，則線譜幅值越低。對于不同工況的船舶，通過選擇周期性隨機(jī)序列脈沖的各個參數(shù)可以獲得不同頻率和幅度的線譜，以及譜峰頻率不同、連續(xù)譜形狀和衰減規(guī)律不同的功率譜［15]。

以聲脈沖形狀為指數(shù)衰減型為例給出具體實現(xiàn)過程。第n個聲脈沖的形狀為［15]

其中，γ為衰減系數(shù)，τ是脈沖持續(xù)時間。脈沖幅度分布遵循式(9)：

每個脈沖的起始時間在槳葉周期附近服從高斯分布：

圖6給出一段仿真信號的頻譜。

圖6 一段基頻為5 Hz 的噪聲仿真信號的頻譜Fig.6 The frequency spectrum of a synthesized ship-radiated noise signal with the shaft frequency being 5 Hz

2.2 陣列信號仿真

海洋環(huán)境噪聲和水聲信道傳輸過程會降低接收點(diǎn)處接收信號的信噪比，本節(jié)介紹如何仿真受海洋環(huán)境影響的接收點(diǎn)信號。

本文主要面向接收點(diǎn)與目標(biāo)之間距離為中近距離的情形，側(cè)重考慮隨距離變化的聲能平均傳播損失、海底與海面反射引起的相干多途干擾以及海洋環(huán)境噪聲加性干擾。采用基于射線聲學(xué)的bellhop模型對傳播損失和多途干擾進(jìn)行仿真，聲源深度10 m，接收6 元陣，接收深度10 m，為垂直線陣，接收陣水平距離2000 m，海水密度1.0 g/cm3，海底聲速1680 m/s，海底密度1.8 g/cm3，吸收系數(shù)0.6 dB/λ。聲速剖面分別選用等聲速梯度剖面、負(fù)聲速梯度剖面、含有溫躍層的淺海聲速剖面、深海Munk 聲速剖面等，水深分別選用50 m、500 m、5000 m，來模擬不同環(huán)境下的相干多途傳播信道。聲源使用2.1 節(jié)中合成的仿真信號。海洋環(huán)境噪聲使用不同信噪比高斯白噪聲模擬。

合成的仿真噪聲數(shù)據(jù)與真實工況下的噪聲并不完全一致，但可以使用仿真數(shù)據(jù)完成網(wǎng)絡(luò)訓(xùn)練后，再利用真實數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行微調(diào)來彌補(bǔ)二者之間的差別。

3 實驗結(jié)果及分析

本文設(shè)計了4個實驗來測試本文提出的基頻檢測算法。

(1)分別采用本文提出的深度學(xué)習(xí)算法(數(shù)據(jù)驅(qū)動)和傳統(tǒng)的模型驅(qū)動方法對仿真噪聲信號進(jìn)行基頻檢測，以測試數(shù)據(jù)驅(qū)動方法在抗噪性和適應(yīng)性上的提升。

(2)本文在文獻(xiàn)[26]的基礎(chǔ)上，去掉了去噪步驟，增加了LSTM網(wǎng)絡(luò)。為此，本文設(shè)計了一組對比實驗來比較二者在準(zhǔn)確性和實時性上的性能差異。

(3)為了測試LSTM 網(wǎng)絡(luò)在提取時序譜特征上的可行性，分別采用CNN 和CNN+LSTM 網(wǎng)絡(luò)開展時序基頻檢測。實驗中保持兩者卷積層部分的結(jié)構(gòu)相同。

(4)分別采用本文提出的深度學(xué)習(xí)算法(數(shù)據(jù)驅(qū)動)和傳統(tǒng)的模型驅(qū)動方法對外場實測噪聲數(shù)據(jù)進(jìn)行基頻檢測，以測試本文方法在實測數(shù)據(jù)上的檢測性能。

在仿真數(shù)據(jù)準(zhǔn)備階段，總共生成了長度大約為12 h 的數(shù)據(jù)，采樣頻率為10 kHz，數(shù)據(jù)的基頻范圍在5～10 Hz 之間，按0.2 Hz 的間隔劃分為25 個類別。估計的基頻值定義為預(yù)測類別的中點(diǎn)。例如：劃分到5～5.2 Hz 類別的基頻預(yù)測值為5.1 Hz。仿真的噪聲數(shù)據(jù)中槳葉數(shù)的取值為3～7 葉。此外，本文將80%的樣本作為訓(xùn)練數(shù)據(jù)集，剩余20%的數(shù)據(jù)作為測試樣本集。評價指標(biāo)包括：P，定義為誤差小于0.1 Hz 的預(yù)測值比例，計算公式為P=(N ?Ne)/N ×100%，其中Ne為預(yù)測誤差超過0.1 Hz 的數(shù)據(jù)個數(shù)，N為總數(shù)據(jù)量；平均誤差，其中fig表示第i段數(shù)據(jù)的真實基頻值，fip表示第i段數(shù)據(jù)的預(yù)測基頻值。

3.1 數(shù)據(jù)驅(qū)動方法與模型驅(qū)動方法

傳統(tǒng)檢測方法存在對先驗知識的依賴，尤其DEMON 譜提取過程和倍頻統(tǒng)計步驟需要人工設(shè)定很多參數(shù)。本文方法簡化預(yù)處理過程，并利用神經(jīng)網(wǎng)絡(luò)建模的方式降低檢測算法對先驗知識的依賴。為了比較兩類方法的性能，本文選取文獻(xiàn)[12]和文獻(xiàn)[13]中提出的兩種基于DEMON 譜的基頻提取算法作為對比。這兩種方法計算基頻時，首先利用波束形成將陣列信號約減為一維信號，再進(jìn)行計算。

表1 給出了兩種不同信噪比(Signal to noise ratio,SNR)背景噪聲強(qiáng)度下對仿真數(shù)據(jù)進(jìn)行基頻檢測的結(jié)果，兩種模型驅(qū)動算法的檢測性能相當(dāng)，而本文方法在誤差小于0.1 Hz 的預(yù)測值比例P上有較大提升，且平均誤差更小。相對于傳統(tǒng)方法從DEMON 譜提取人工特征然后計算基頻而言，基于深度網(wǎng)絡(luò)的方法提取DEMON 譜的高層特征再進(jìn)行基頻估計，能夠降低噪聲的影響，從而改善檢測結(jié)果。而傳統(tǒng)方法提取的淺層特征對噪聲線譜的抗干擾能力相對較弱，因此對于SNR 較低、線譜質(zhì)量較差的DEMON 譜，本文方法能夠取得較常規(guī)方法更好的檢測結(jié)果。但是，當(dāng)DEMON譜質(zhì)量較好，干擾線譜很少的時候，常規(guī)方法也能獲得比較理想的檢測結(jié)果。

表1 本文方法與傳統(tǒng)方法的對比結(jié)果Table 1 Comparison between classic methods and the proposed method

3.2 本文算法與文獻(xiàn)[26]的檢測結(jié)果對比

文獻(xiàn)[26]提出了一種基于CNN 網(wǎng)絡(luò)的基頻檢測方法。而本文優(yōu)化了網(wǎng)絡(luò)結(jié)構(gòu)，去掉了DEMON譜去噪和多幀融合步驟，使得特征提取部分更加簡單。兩種方法的檢測結(jié)果對比如表2所示。

表2 與文獻(xiàn)[26]進(jìn)行對比Table 2 Comparison with the method in Ref.[26]

從表2 可以看出，當(dāng)信號輸入時長上由20 s 下降至6 s 時，本文的檢測算法幾乎達(dá)到同樣的準(zhǔn)確率；而輸入時長增加至10 s時，誤差小于0.1 Hz的預(yù)測值比例P會略高于CNN網(wǎng)絡(luò)。因此，盡管簡化了預(yù)處理程序，但是LSTM 網(wǎng)絡(luò)卻能夠以較短的信號輸入時長獲得大致相同的P值；從不同時長的檢測結(jié)果能夠看出，本文的方法在時效性上有了較大的提升。對于本文提出的算法，對比時長為3 s 和6 s的實驗結(jié)果，可以發(fā)現(xiàn)時長較長的信號能夠提供更多穩(wěn)定的檢測結(jié)果。由于計算代價和信號長度成正比，這也提示我們可以通過調(diào)整輸入信號的時長來滿足不同任務(wù)對準(zhǔn)確率和實時性的不同需求。

3.3 CNN 和CNN+LSTM的檢測結(jié)果對比

為了驗證LSTM 網(wǎng)絡(luò)從時序DEMON 譜中提取統(tǒng)計特征的能力，分別采用CNN和CNN+LSTM網(wǎng)絡(luò)進(jìn)行基頻檢測。表3 列出了兩種網(wǎng)絡(luò)結(jié)構(gòu)在不同的輸入信號長度上的實驗結(jié)果。CNN 的輸入為一幀語音信號計算的DEMON譜，添加LSTM層的網(wǎng)絡(luò)每輸入5 個時間幀輸出一個檢測結(jié)果，其中幀間重疊為50%。

表3 CNN 與CNN+LSTM 的實驗結(jié)果對比Table 3 Comparison between CNN and CNN + LSTM

當(dāng)幀長為1 s時，CNN網(wǎng)絡(luò)的P值在53%左右，添加LSTM 結(jié)構(gòu)后增加至74%；當(dāng)幀長增加至2 s時，前者的P值上升至75%左右，而后者提高至84%左右。由實驗結(jié)果能夠看出，隨著幀長的增加，輸入網(wǎng)絡(luò)的特征信息將增多，基頻的檢測精度上升；而在相同的幀長情況下，添加LSTM 層后精度有較大的提升，表明LSTM 網(wǎng)絡(luò)能夠較大幅度提升基頻檢測的準(zhǔn)確率。

3.4 外場實驗數(shù)據(jù)分析

分別利用湖試數(shù)據(jù)和海試數(shù)據(jù)對所提算法進(jìn)行測試。其中，湖試數(shù)據(jù)于千島湖外場實驗中獲得，目標(biāo)船只噸位為幾十噸級，接收距離約1 km，共采集216 段數(shù)據(jù)；海試數(shù)據(jù)于三亞外場實驗中獲得，為百噸級漁船噪聲，接收距離約2 km，共采集162段數(shù)據(jù)。兩次實驗的接收陣均為24 陣元的水平線陣，陣元距離1.875 m，位于水下15 m，采樣頻率為20 kHz。數(shù)據(jù)共包含5 種不同轉(zhuǎn)速，基頻范圍為5～10 Hz。對使用湖試數(shù)據(jù)進(jìn)行基頻估計前，先利用實測噪聲數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行微調(diào)學(xué)習(xí)。為了擴(kuò)充數(shù)據(jù)集，本文采用加噪、平移、縮放等方式對實測數(shù)據(jù)進(jìn)行數(shù)據(jù)集擴(kuò)充。使用20%的數(shù)據(jù)作為訓(xùn)練集，其余80%數(shù)據(jù)作為測試集。

將無目標(biāo)情況下采集到的背景噪聲放大后疊加到原始信號上，疊加后信號的信噪比大約為0 dB，用于驗證加噪情況下算法的性能。

表4 給出了兩組外場實驗數(shù)據(jù)的基頻檢測結(jié)果。其中原始數(shù)據(jù)中目標(biāo)距離較近，信號的信噪比相對較高。因此，本文方法及常規(guī)基頻檢測方法均獲得了較好的檢測結(jié)果，但本文方法的平均誤差更小。對于加噪后的信號，本文方法較常規(guī)方法在精度上有較大的提升，并且平均誤差在可接受的范圍；常規(guī)方法的精度較低且常出現(xiàn)倍頻半頻錯誤的緣故導(dǎo)致平均誤差很大。

表4 本文方法與傳統(tǒng)方法在實測數(shù)據(jù)上的檢測性能對比Table 4 Comparison between classic methods and the proposed method on the field dataset

圖7 給出了一段實測噪聲的時域波形及其DEMON 譜，從DEMON 譜中能夠看到較多的干擾線譜。表5 給出了該段數(shù)據(jù)分別使用3 種方法得到的檢測結(jié)果?？梢钥吹?，常規(guī)方法由于受到干擾線譜的影響，估計出的基頻值誤差較大。

圖7 某段基頻為8.4 Hz 的漁船噪聲數(shù)據(jù)Fig.7 A segment of sea trial data with shaft frequency being 8.4 Hz

表5 圖7 的基頻檢測結(jié)果Table 5 Fundamental frequency detection results of the signal segment in Fig.7

4 結(jié)論

本文提出了一種基于CNN 和LSTM 網(wǎng)絡(luò)的水下目標(biāo)輻射噪聲基頻檢測方法。在網(wǎng)絡(luò)輸入上，與傳統(tǒng)方法利用波束形成融合多通道信息不同，本文提取每個通道的DEMON 譜并以二維矩陣的方式直接送入網(wǎng)絡(luò)中，充分利用各個通道的信息；在特征提取部分，去掉了先前工作中的去噪和多幀融合步驟，在簡化預(yù)處理步驟的同時提高算法的實時性，也擺脫了傳統(tǒng)模型驅(qū)動算法在預(yù)處理過程中對先驗知識的依賴。最后，將經(jīng)過CNN+LSTM 提取的特征輸入全連接層實現(xiàn)基頻估計。仿真實驗和實驗數(shù)據(jù)表明，本文方法能夠較好適應(yīng)模擬的不同環(huán)境和不同信噪比的目標(biāo)噪聲，具有良好泛化性能，可望實際推廣；在一定信噪比下，能夠從時序DEMON 譜特征中估計出較為準(zhǔn)確的基頻值，可供進(jìn)一步研究和應(yīng)用參考。

需要注意的是，本文主要關(guān)注較高航速下目標(biāo)噪聲的基頻檢測。當(dāng)航行速度很低時，無法從DEMON 譜中提取到基頻的調(diào)制信息，所以本文算法不適用于低速狀態(tài)的航行器的基頻檢測。且限于實測數(shù)據(jù)規(guī)模的限制，本文使用仿真數(shù)據(jù)進(jìn)行訓(xùn)練。仿真數(shù)據(jù)并不能完好地模擬實測數(shù)據(jù)，因此對實測數(shù)據(jù)的檢測結(jié)果可能有一定的影響。后續(xù)工作中隨著實測數(shù)據(jù)數(shù)量的增加，將盡可能利用實測數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，進(jìn)一步提高網(wǎng)絡(luò)的性能。