寬帶信號在水下目標探測和識別中的應(yīng)用寬帶信號寬帶信號的概念其實是從雷達信號理論中產(chǎn)生出散射中對寬帶信號特來的。因此，可以借鑒雷達中對寬帶信號特性和信號處理方法上的研究對比水聲中寬帶信號目標識別模式。利用信號帶寬的概念，對寬帶信號的可以根據(jù)信號的頻帶寬度相對于中心頻率的比來描述：為信號的上限頻率，為信號的下限頻率。通過定義相對帶寬的值，當實際信號的相對帶寬大于定義的相對帶寬的值時，該信號定義為寬帶信號。典型寬帶信號的時頻特性2.1線性調(diào)頻信號線性調(diào)頻信號本身是檢驗時頻分布處理方法聚焦性的特殊信號，而且具有頻譜寬，頻帶內(nèi)能量集中，頻帶外能量衰減迅速的特點，在雷達和航空領(lǐng)域應(yīng)用廣泛，在水聲中也是應(yīng)用比較多的一種寬帶信號。其時域表達式為其中，為幅度，為脈沖寬度，為載頻，為頻率的變化率，為帶寬，為矩形函數(shù)，其表達式為：研究背景主動聲吶目標識別是由主動聲吶發(fā)射脈沖聲信號，然后對接收到的經(jīng)目標反射會開的回波信號進行分析，依據(jù)回波信號具有的特征來判斷目標的類別經(jīng)目標反射的回波是關(guān)于目標的類型、目標和聲吶設(shè)備之間的距離以及目標的方位等的函數(shù)，通過對函數(shù)進行分析可以得出許多表征目標特征的信息，比如回波展寬、幅度、相位、目標尺度、反射系數(shù)、能譜等；通過激勵信號激發(fā)出的目標本身的散射特性識別目標時有效的目標識別手段，然而只有獲得目標在足夠?qū)挼念l段內(nèi)的散射相應(yīng)才有可能對目標進行識別和判斷，因此，進一步研究寬帶回波的目標特性具有重要的實際意義。目前，隨著計算機技術(shù)和信號處理技術(shù)的發(fā)展，基于寬帶信號激勵下的目標回波特性的研究日益受到重視，并且正在應(yīng)用于水聲理論和設(shè)備研究的各個方面，從主動聲納到小目標自導(dǎo)，從潛艇的目標探測到反潛武器的研究，目標寬帶散射的應(yīng)用會逐漸擴大。各國的理論和實驗研究逐漸重視目標本身的寬頻段相應(yīng)特性。這是基于目標散射特性進行目標識別的理論基礎(chǔ)。目前國內(nèi)水聲領(lǐng)域?qū)δ繕说淖R別多采用單頻窄帶脈沖信號，而對于寬帶信號引起的目標本身的物理特性的研究很少。相對于單頻信號存在的頻率寬度不夠的特點，寬帶信號具有攜帶目標信息量大，背景相關(guān)性弱的特點。對于聲納研制中采用寬帶信號目的集中水下運動目標的探測，主要提高信噪比，提高探測距離和探測精度，著眼于加強目標的幾何亮點回波，這種情況下，目標的寬帶信號回波具有信息量大，背景相關(guān)弱，有利于目標探測、參量估計和目標特征提取等特點，可實現(xiàn)目標的精確測距和測速以及目標識別?；趯拵盘柕男∧繕俗R別研究現(xiàn)狀寬帶信號的頻率一般在100kHz-220kHz之間，相對于簡單的窄帶信號，目標的寬帶回波信號可以獲得更豐富的時域響應(yīng)和頻域響應(yīng)信息。Rogers等人用統(tǒng)計頻譜的方法，使用遺傳神經(jīng)網(wǎng)絡(luò)分類器對鯡小目標、胡瓜小目標和白鮭小目標的個體進行了識別[[]E.Rogers,G.Fleischer,P.Simposn,etal.BroadbandfishidentificationofLaurentianGreatLakesfishes[C].InternationalGeoscienceandRemoteSensingSymposium,2004,2:1430-1434.]。Kulinchenko等人使用繩系法對太平洋大比目小目標和巖小目標進行了實驗，并利用回波包絡(luò)和統(tǒng)計頻譜特征兩種方法成功對大比目小目標、巖小目標、海底進行了分類[[]A.Kulinchenko,P.Simpson,G.Denny.TetheredFishDataCollectionandSpeciesClassification:PrinceWilliamSoundBottomfish[C].InternationalGeoscienceandRemoteSensingSymposium,2004,2:1439-1443.]。Brundage等人利用寬帶信號對單體的短鼻鱘小目標和其他三種小目標以及湖底進行探測，利用回波信號的統(tǒng)計頻譜作為特征量，并用BP神經(jīng)網(wǎng)絡(luò)分類器進行分類，成功對短鼻鱘小目標進行了識別[[]H.BrundageIII,J.Jung.ExperimentswithBroadbandSonarfortheDetectionandIdentificationofEndangeredShortnoseSturgeon[J].MarineTechnologySocietyJournal.2009,43(3):78-82.]。文獻[[]BoLundgren,J.RasmusNielsen.Amethodforthepossiblespeciesdiscriminationofjuvenilegadoidsbybroad-bandwidthbackscatteringspectravs.angleofincidence[J].ICESJournalofMarineScience.2008,65(4):581-593.]利用寬帶信號和窄帶信號同時對單體小目標進行照射.文獻[[]OlsenKK,AntonsenG.Broadbandechosignalsusedforfishspeciesidentification[C].ICESScientificConference.2004.]利用統(tǒng)計頻率的方法，選用模糊神經(jīng)網(wǎng)絡(luò)分類器，成功對[]E.Rogers,G.Fleischer,P.Simposn,etal.BroadbandfishidentificationofLaurentianGreatLakesfishes[C].InternationalGeoscienceandRemoteSensingSymposium,2004,2:1430-1434.[]A.Kulinchenko,P.Simpson,G.Denny.TetheredFishDataCollectionandSpeciesClassification:PrinceWilliamSoundBottomfish[C].InternationalGeoscienceandRemoteSensingSymposium,2004,2:1439-1443.[]H.BrundageIII,J.Jung.ExperimentswithBroadbandSonarfortheDetectionandIdentificationofEndangeredShortnoseSturgeon[J].MarineTechnologySocietyJournal.2009,43(3):78-82.[]BoLundgren,J.RasmusNielsen.Amethodforthepossiblespeciesdiscriminationofjuvenilegadoidsbybroad-bandwidthbackscatteringspectravs.angleofincidence[J].ICESJournalofMarineScience.2008,65(4):581-593.[]OlsenKK,AntonsenG.Broadbandechosignalsusedforfishspeciesidentification[C].ICESScientificConference.2004.[]ContiSG,DemerDA.Wide-bandwidthacousticalcharacterizationofanchovyandsardinefromreverberationmeasurementsinanechoictank[J].ICESJournalofMarineScience,2003,60(3):617-624.[]JungJB，JacobsJH,DowdingGA,etal.Initialspeciesdiscriminationexperimentswithriverinesalmonids[C].ProceedingoftheInternationalJointConference.2003,2:1295-1300.[]張喬，魚類的回波特性與識別技術(shù)研究[D].中國科學(xué)院大學(xué).2015.圖1目標識別算法流程其中，預(yù)處理主要包括信號濾波，信號的濾波采用寬帶信號處理方法。5寬帶信號特征提取的技術(shù)難點特征提取和選擇：信號特征提取是指獲取信號中的有效信息，主要是經(jīng)特征形成、變換或選擇到最終形成有效特征的過程。這一過程包括的處理工作有：特征的形成、特征的提取，特征的選擇。特征形成是根據(jù)被識別的對象產(chǎn)生出一些基本特征值來表示被識別的對象，這組基本特征成為原始特征，可以通過直接測量或計算獲得。特征提取在廣義上是指一種變換，原始特征一般都存在信息冗余、區(qū)分性不高以及維數(shù)過高等問題，為了更有效的表征信號的本質(zhì)，利用數(shù)學(xué)變換的方法對維數(shù)較高的原始特征數(shù)據(jù)進行變換，得到高維的原始特征的某種組合，對原始特征的維數(shù)進行了壓縮，從而形成低維的特征量。特征選擇是指為了降低特征空間的維數(shù)，從得到的基本特征中選用對分類識別最有效的特征，去除基本特征中那些對分類作用不大的特征。5.1特征提取準確的提取目標特征是目標識別分類過程中最關(guān)鍵的一環(huán)。主動目標識別中，特征提取算法的有效性取決于特征反應(yīng)目標物理本質(zhì)信息的準確性。同時目標特征還受到環(huán)境如：傳輸信道、混響、環(huán)境噪聲等因素的影響，故而目標特征的選擇通常需要反復(fù)驗證。特征提取算法需要具備以下兩方面能力：一是去除冗余目標信息，簡化運算過程便于識別分類；二是提取的特征要充分，以保證識別成功率。目標回波主要由目標的散射聲波、混響和環(huán)境噪聲等疊加構(gòu)成，相同環(huán)境下目標的波形結(jié)果主要取決于目標的材料特性、幾何尺寸和結(jié)構(gòu)等。不同種類的個體小目標其解剖結(jié)構(gòu)、尺寸等均有所不同，其各個部分對回波的貢獻不同，因此回波結(jié)構(gòu)有一定的差異。通過相應(yīng)的信號處理方法分析提取小目標回波信號結(jié)構(gòu)信息，將高維的數(shù)據(jù)空間轉(zhuǎn)化為較低維的特征空間，達到識別分類的目的。下圖是幾種寬帶回波信號圖圖1幾種不同魚類個體以及海底的寬帶回波頻譜5.2特征提取關(guān)鍵技術(shù)分析和處理小目標的回聲數(shù)據(jù)，分析小目標寬帶回波信號的特性，提取識別特征量?；趯拵盘柕奶卣髁康奶崛〉年P(guān)鍵是分析寬帶聲學(xué)回波結(jié)構(gòu)的分布、頻譜結(jié)構(gòu)、回波強度、時間展寬、波形起伏、空間分布特征量，同時由于各種特征量之間存在著相關(guān)性，即各種特征量之間并不是相互獨立的，這樣就存在著“冗余”信息，而冗余特征的存在將降低分類器性能。因此，如何使用特定的變換算法實現(xiàn)原始信號到特定空間的投影實現(xiàn)，從而更加準確地描述信號，是目標識別技術(shù)的關(guān)鍵。目前利用統(tǒng)計頻譜的寬帶信號特征提取方法在小目標識別中應(yīng)用較多。解決途徑：建立主要海洋生物體的聲學(xué)散射模型,通過建模仿真和試驗數(shù)據(jù)分析獲得影響小目標聲學(xué)特性的因素，用寬帶聲學(xué)探測技術(shù)獲得全頻譜的聲學(xué)數(shù)據(jù)，利用小目標的不同解剖結(jié)構(gòu)對不同頻率聲學(xué)信號散射的貢獻差異，分析小目標目標散射的全頻譜信號結(jié)構(gòu)，從時域和頻域兩個方面來分析回波信號的結(jié)構(gòu)和特征；采用多元信息融合技術(shù)，提高目標探測和識別能力，提升系統(tǒng)的魯棒性能力。6寬帶信號分類技術(shù)難點6.1目標分類關(guān)鍵技術(shù)對小目標進行識別，一個重要的問題就是分類器的設(shè)計。設(shè)計分類器的目標是在通過學(xué)習(xí)后，可以自動的對小目標的種類進行分類。分類器性能的好壞直接影響著識別效果。另一方面，通過設(shè)計相應(yīng)的分類器也可以檢驗所提取特征的可行性和有效性。目前主要的分類器設(shè)計包含BP神經(jīng)網(wǎng)絡(luò)分類器和支持向量機的分類器的設(shè)計。6.1.1BP神經(jīng)網(wǎng)絡(luò)分類器設(shè)計以三層BP神經(jīng)網(wǎng)絡(luò)為例，設(shè)計BP神經(jīng)網(wǎng)絡(luò)分類器。圖2三層BP神經(jīng)網(wǎng)絡(luò)示意圖按照圖2的三層BP網(wǎng)絡(luò)算法的執(zhí)行步驟，設(shè)輸入向量為,隱含層輸出為,則隱含層第個節(jié)點輸出為： 其中，為輸入第個節(jié)點與隱含層第個節(jié)點的連接權(quán)值，為隱含層第個節(jié)點的閾值。輸出層的輸出為（為輸出神經(jīng)元節(jié)點數(shù)，通常為分類類別數(shù)目），第k個節(jié)點的輸出為 其中，為隱含層第個節(jié)點與輸出層第個節(jié)點的連接權(quán)值，為輸出層第個節(jié)點的閾值。BP神經(jīng)網(wǎng)絡(luò)算法的訓(xùn)練步驟為：（1）初始化為連接權(quán)值、閾值初始化，賦值為（-1,1）之間的隨機值，初始化學(xué)習(xí)速率和學(xué)習(xí)次數(shù)；（2）為神經(jīng)網(wǎng)絡(luò)提供訓(xùn)練樣本隨機選擇輸入樣本和目標樣本；（3）根據(jù)式GOTOBUTTONZEqnNum852917REFZEqnNum852917\*Charformat\!(1)和GOTOBUTTONZEqnNum232103REFZEqnNum232103\*Charformat\!(2)從前向后計算各層節(jié)點單元的輸入輸出；（4）計算輸出層的各節(jié)點的敏感系數(shù)；（5）從后向前計算各隱層的敏感系數(shù)；（6）計算并保存各層單元節(jié)點的權(quán)值修正量；（7）根據(jù)式誤差修正權(quán)值系數(shù)；（8）選擇下一次學(xué)習(xí)樣本向量并輸入，返回步驟（3），直到所有訓(xùn)練樣本訓(xùn)練完畢；（9）計算全局誤差，若滿足設(shè)定的極小值，即網(wǎng)絡(luò)收斂，則學(xué)習(xí)結(jié)束；若學(xué)習(xí)次數(shù)大于設(shè)置的，則認為無法收斂，學(xué)習(xí)結(jié)束，否則返回步驟（3）繼續(xù)學(xué)習(xí)；（10）學(xué)習(xí)結(jié)束。分類器設(shè)計主要是根據(jù)任務(wù)要求設(shè)計神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和學(xué)習(xí)算法，通過模式空間維數(shù)和分類目標確定神經(jīng)網(wǎng)絡(luò)的層數(shù)、各層節(jié)點數(shù)、各層之間和神經(jīng)元之間的連接方式、激活函數(shù)等。根據(jù)目標識別任務(wù)，采用三層BP神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)設(shè)計如下：（1）輸入層與輸出層設(shè)計輸入層節(jié)點數(shù)由模式樣本的維數(shù)決定，即分類目標的特征維數(shù)；輸出層節(jié)點數(shù)由分類目標的種類數(shù)決定。（2）隱含層設(shè)計多個隱含層的神經(jīng)網(wǎng)絡(luò)容錯性更好，但是層數(shù)增多，靠近輸入層的反向傳遞誤差變得不可靠，這樣修正的權(quán)值系數(shù)也變得不可靠。對于BP神經(jīng)網(wǎng)絡(luò)，任意區(qū)間內(nèi)的一個連續(xù)函數(shù)都可以用單隱層的BP神經(jīng)網(wǎng)絡(luò)逼近，任意一個三層BP神經(jīng)網(wǎng)絡(luò)可以完成任意維到為的映射。隱含層單元數(shù)的選擇，目前沒有準確的解析形式，與問題的要求、輸入輸出單元數(shù)都有直接的關(guān)系。隱含層單元數(shù)目越多其學(xué)習(xí)能力越強，同時會導(dǎo)致學(xué)習(xí)時間過長，推廣能力下降。（3）激活函數(shù)設(shè)計隱含層單元的激活函數(shù)選擇Sigmoid函數(shù) 輸出層選擇線性激活函數(shù)。（4）學(xué)習(xí)參數(shù)選擇學(xué)習(xí)速率控制了每一次迭代過程中權(quán)值系數(shù)的調(diào)整程度。較大的學(xué)習(xí)速率可以較快得到較快的收斂，但是也同意導(dǎo)致最優(yōu)解附近劇烈震蕩，甚至引起發(fā)散；反之，較小的學(xué)習(xí)速率，收斂速度過慢。通常情況下學(xué)習(xí)速率選擇小于0.5。6.1.2支持向量機的分類器設(shè)計支持向量機(SupportVectorMachine，SVM)是一種機器學(xué)習(xí)方法，它是在結(jié)構(gòu)風(fēng)險最小化(SRM)原則的基礎(chǔ)上發(fā)展起來的。SVM通過引入核函數(shù)，將樣本向量映射到高維特征空間，然后在高維空間中構(gòu)造最優(yōu)分類面，獲得最優(yōu)決策函數(shù)。采用支持向量機求解分類識別問題的關(guān)鍵是核函數(shù)的選擇，核函數(shù)代替了高維特征空間中的內(nèi)積運算，避免了復(fù)雜的高維運算。樣本在原空間線性可分情況下支持向量機分類器設(shè)計設(shè)訓(xùn)練樣本輸入為，對應(yīng)的期望輸出為，其中1和-1分別代表兩類的類別標識。樣本集可以得到分類超平面H：。式中為超平面的法向量，也為分類器的權(quán)向量；為偏置量。樣本集完全分開為如下兩類 分類超平面H的分類間隔為 為了使分類的錯誤率最小，分類器超平面的分類間隔M應(yīng)該最大，等價于使或或最小?？梢远x以下拉格朗日函數(shù) 其中，為拉格朗日系數(shù)。問題轉(zhuǎn)化為關(guān)于和求的最小值。對式GOTOBUTTONZEqnNum138360REFZEqnNum138360\*Charformat\!(6)求偏導(dǎo)，并令結(jié)果為零，可得到問題的約束條件極其對偶形式 這是一個受不等式約束的凸二次優(yōu)化問題，存在唯一解，其中 這個優(yōu)化問題的解須滿足 因此，在所有中，只有一部分（通常很少一部分）不為零，這些樣本被稱為支持向量，也就是距離最優(yōu)分類超平面最近的點,其中，m為支持向量的個數(shù)。求解后，得到訓(xùn)練集的最優(yōu)分類判別函數(shù)可以表示為 分類閾值b的一種求解方法為 其中表示屬于第一個類別的任意一個支持向量，表示屬于第二個類別的任意一個支持向量。另外一種求解方法如下，比上面方法更加可靠，但計算量略有增加 （2）樣本在原空間非線性可分情況的支持向量機分類器設(shè)計為解決非線性可分問題，首先將原空間樣本通過非線性映射映射到一個高維特征空間，考慮映射后仍存在部分樣本錯分的一般情況，引入松弛變量，映射后特征空間樣本的約束條件變?yōu)椋? 則優(yōu)化目標轉(zhuǎn)化為： 其中，c稱作懲罰因子，用于控制錯分樣本懲罰度，實現(xiàn)錯分樣本數(shù)量與分類器泛化能力之間的折中。此時拉格朗日函數(shù)變?yōu)椋? 其中，是拉格朗日乘子。對式GOTOBUTTONZEqnNum494144REFZEqnNum494144\*Charformat\!(15)中求偏導(dǎo)，得到的如下關(guān)系： 因為拉格朗日乘子都大于零，去掉，用進行限制，那么對偶形式及約束條件變?yōu)椋? 式GOTOBUTTONZEqnNum861414REFZEqnNum861414\*Charformat\!(17)涉及到高維特征空間的點集運算，根據(jù)泛函的有關(guān)理論，只要一個核函數(shù)滿足Mercer條件，它就對應(yīng)某一變換空間的點積。根據(jù)（Mercer定理）當把樣本空間非線