李兰瑞，李 鹏，刘天宇，郭 煜，姜栋瀚

（1.海军装备部驻上海地区第一军事代表室，上海 200000；2.水下测控技术重点实验室，辽宁 大连 116000；3.31001 部队，北京 100094）

0 引言

随着潜艇消声材料和消声技术的发展，以及海上航运事业的日益繁荣，水中目标信号的检测和识别难度日益增加。水中目标检测和目标识别技术是水声信号处理领域的两大核心技术，也是海上实际作战中的两大难题。因此，本文重点梳理总结了近几年国内外在水声目标检测与识别领域的技术发展情况。

1 目标检测技术研究现状及主要问题

1.1 目标检测技术研究现状

波束形成方法是最常用的目标检测方法。波束形成的实现方式分为频域和时域两种。频域波束形成通过补偿阵元之间时延带来的相移来合成波束。时域波束形成对时域信号直接延时来合成波束。采用分块处理方式的频域波束形成算法，由于块与块之间的相位不连续，所以无法有效输出真正连续的时域波形信号。时域波束形成技术因为直接在时域对信号进行延时累加，实时性强且可输出连续的声音信号，是被动声纳听音信号的主要来源。波束形成方法对扫描后得到的各路波束信号求能量得到空间谱。这种基于能量检测的方法在实际使用中受干扰和环境的影响，目标分辨率低，弱目标检测能力差。

近些年，国内外学者提出利用信号的宏微观特性进行处理的方法为传统波束形成方法突破这一技术瓶颈打开了新的思路。信号的宏微观结构指的是利用信号的声传播特征、谱特征和时域特征。根据水下信号的这些特性，对阵列信号进行前置处理或对波束形成结果进行后置处理已达到弱信号检测的目的。

朱辉庆[1]等人针对平台振动噪声影响下的舷侧阵声纳弱信号检测问题，提出了基于白化滤波器和频段加权的微弱信号检测方法。这类方法的优点是通过对波束形成输出波束进行后置滤波，可以增强其输出信噪比，但前提条件是对所检目标的信噪比有一定要求。

水声信号传播过程中受水声环境的变化、目标源辐射幅度的不稳定性和多途干扰等因素的影响会产生起伏效应。Wagstaff R A[2]研究发现，利用声信号的起伏特性会增强声纳系统处理增益。Wagstaff利用波束输出快拍间的相位变化均匀性差异和目标信号和噪声频谱幅度在快拍间的起伏特性差异，提出了基于幅度起伏滤波器和相位起伏原理的方法，为微弱信号检测提供了新思路。国内中船重工第715 所的王忠康和马启明[3]也做了相关研究，并发现该方法的适用条件相对苛刻，对快拍间频谱幅度起伏较小或相位变化均匀性较好的窄带确定性信号，具有较好的检测能力。但是，在阵列噪声和目标信号均为宽带随机信号的情况下，由于各窄带快拍间的频谱幅度起伏特性差异或相位变化均匀性差异不能保证，反而会降低处理增益。

中科院声学所戴文舒[4]等人提出了一种利用目标信号线谱检测目标的方法。该方法的实质是利用目标辐射噪声中线谱分量方位稳定的特征进行弱目标检测。当频点处的线谱不明显或者起伏较大时，它的性能较差。哈尔滨工程大学的陈阳[5]与惠俊英提出基于频率方差加权的弱目标检测方法，认为瞬时频率方差在线谱的谱级信噪比超过门限值时为零。该方法求取波束的频率方差，增强信号的瞬时频率方差较小的线谱目标方位，同时抑制其他方位波束，以此提高目标的检测能力。美国人Bono M[6]提出了子带能量检测（Subband Energy Detction，SED）算法。SED 算法检测原理是依据频率方位图，利用信号峰、极值的“空间一致性”，对每个子带各个方位上的峰、极值点能量进行求和作为波束输出，以改善声纳显示效果。美海军潜用拖曳线列阵声纳TB-16 和TB-23 两种装备上使用了SED 算法。

1.2 主要问题

近些年关于弱目标的检测方法研究取得很大进展，显著提高了目标的检测信噪比，但仍有一些问题有待进一步解决：现有基于波束域的检测方法未充分利用目标信号特征，多停留在基于能量判决下的峰值叠加，当波束形成方法检测不到弱目标时，后置处理算法同样检测不到弱目标；在实际战场应用中环境多变，对弱目标检测的稳健性有待提高。

1.3 未来趋势展望

随着水下目标隐身技术的发展和海洋航运业的繁荣，水下目标声信号噪声级越来越弱，而海洋环境噪声干扰越来越大，基于能量的目标检测方法越来越难以检测到水下目标。水中目标信号能量虽然在减弱，但其信号特征依然存在。水下目标的特征和其动力推进方式、螺旋桨结构和外形构造密切相关。这些特征是必然存在的，未来基于特征的目标检测方法将成为主流，仅仅基于能量的检测方法将无法在实战中发挥作用。

2 目标识别技术研究现状及主要问题

2.1 目标识别技术研究现状

舰艇声纳目标识别主要依靠训练有素的声纳兵通过人工听音和谱图等信息进行目标识别。随着作战指挥自动化要求的不断提高，特别是新型无人值守系统的出现，使得对目标进行自动识别的需求越来越迫切。

在被动声纳的人工听音识别方面，声纳兵听音识别可信度个体差异较大。训练有素的声纳兵对水下目标识别准确度较高，但培养一名优秀的听音员所需周期较长。声纳兵主要依据舰船辐射噪声信号中的“节奏感”估计目标的类型、机动速度等。节拍和音色是构成声音节奏感的主要来源。节拍主要来自于舰艇上的内燃机等周期振动器件引起舰船辐射信号响度的周期性变化。音色的产生则比较复杂，是声音的一种多维特征。另外，听音信号所选用的频段和其纯净度影响听音识别的效果。人耳对不同频率信号的响应不一致，对低频信号响应度较低。实际声纳工作的水声环境复杂，目标信号传播过程中的衰减使得阵列接收信号往往只有低频信息。因此，声纳兵在听音时会将听音信号从低频段移频到一个声纳兵自认为适合听音的频段，而移频的标准并不统一。哈尔滨工程大学的韩雪博士[7]从响度和尖锐度两个心理声学参数出发，研究移频工作对听音的影响。研究发现，移频后信号响度在2～5 kHz 区间内响应平坦，表明人耳在该频段的听觉最佳，对声音信号的净化有利于声纳兵听音识别工作的开展。

目标特征提取是机器自动识别的基础，是将接收信号从时域空间变换到某种特征空间的信号处理方法。目前主要提取的特征包括时域参数特征如峰峰幅度、过零点波长等，谱分析参数特征如高阶谱、BURG 谱、LOFAR 谱、倒谱和DEMON 谱等。近几年，借鉴人工听音判型的机理，研究人员开始关注听觉参数特征的提取，如音调、音色和粗糙度等。通常，机器学习识别方法先对水声信号做预处理来提高信噪比，之后提取水声信号特征，最后利用特征信息训练隐马尔科夫模型、支持向量机、K 邻近以及深度神经网络等分类器实现水下目标的自动识别。

海军大连舰艇学院康春玉[8]采用WELCH 谱、BURG 谱和线性预测码训练BP神经网络。研究表明，该方法对3 类目标识别达到了较高的成功率。Suraj K[9]提出使用动态贝叶斯网络（Dynamic Bayesian Network，DBN）结构进行预训练，当隐层数目为200-100-50 时，在1000 个样本40 种类型的分类识别问题中获得了一定的正确识别率。上海船舶电子设备研究所程锦盛[10]利用MFCC 特征在有监督情况下训练深度置信网络DBN，结果表明该方法提高了对目标的识别成功率。

2.2 主要问题

现有研究表明，目前各种方法提取的特征用于识别，在实验室验证的效果普遍较好，但在实际应用中性能明显下降。究其原因，主要在于：一是反映目标本质的特征提取技术研究还不够；二是用于特征提取的信号质量（信噪比）不够好，特别是在相邻方位存在多目标或强干扰情况下，容易导致特征提取方法的失效，进而造成识别性能下降。因此，在声纳识别领域需要研究高性能的时域波束形成器，同时需要研究多目标或强干扰环境下的信号净化方法，从而为特征提取提供高质量的音频输出。

2.3 未来趋势展望

基于人耳听音识别的听音识别方式对听音员的经验和能力要求较高，个体差异较大，难以适应现在的实际战场需求。随着人工智能算法的发展，水下目标特征提取方式方法将针对个体差异进行适应性学习进化。对水下目标产品数据库的不断扩容，使得智能学习算法的训练库日益庞大。现阶段，对水下目标识别将由人工听音识别-人工加机器智能辅助识别-机器智能识别发现为主，以人工确认为辅，实现逐渐发展。

3 结语

本文分析总结了近些年水声信号目标检测与识别技术的发展情况，以及各自存在的不足和进一步的技术发展趋势。目前的水声信号目标检测技术和目标识别技术同实际海战场需求仍有较大差距，检测和识别技术融合度浅，特别是未能在目标检测时利用好识别带来的特征优势。因此，检测和识别深度一体化融合发展将更有利于满足海战场实际需求。