关 鑫 李然威 胡 鹏 冯金鹿 何荣钦

(中国船舶第七一五研究所 杭州 310023)

0 引言

通常主动声呐较被动声呐具备探测距离优势，但是，在工作过程中经常伴随着大量的杂波虚警，并且随着水下目标隐身降噪技术的发展，探测难度不断加大［1]，尤其是在浅海海域，分布着礁石、海底山脊、山峰和沉船等强散射体，主动发射信号接触这些散射体，会产生和目标强度相近的回波，在探测画面上出现大量类目标杂波亮点。大量杂波的存在对主动声呐探测性能主要有两方面的影响，第一，难以通过调整信噪比门限，在不损失检测概率的同时降低虚警概率；第二，在自动跟踪端生成大量虚假航迹，影响航迹关联，加剧跟踪系统的计算负担，甚至导致跟踪系统瘫痪。因此，杂波抑制是主动声呐信号处理中的重要研究问题，通过对目标和杂波的分类判别，可以有效解决这个问题［2]。

随着大数据时代的到来，从海量数据中挖掘有效信息的需求推动了机器学习的发展，Berg等［2]为了解决自主水下潜航器群(Autonomous underwater vehicles,AUVs)受制于有限的通信能力而不能共享大量主动声呐探测数据的问题，研究了k 近邻(k near neighbor,k-NN)、ID3、朴素贝叶斯(Naive Bayes)和神经网络(Neural network)等机器学习算法，通过对目标和杂波的分类来缩减探测数据。Stender 等［3−4]指出在跟踪阶段，由海底地形特征物(海山、山脊等)产生的杂波和人造特征物(无人潜航器(Underwater unmanned vehicle,UUV)、潜艇等)产生的回波运动特性不同，建立了包含运动航迹和信噪比特征的数据集，训练机器学习模型，能够准确地从背景中发现人造特征物。……