刘 峰 罗再磊 沈同圣 赵德鑫

(军事科学院 国防科技创新研究院 北京 100071)

0 引言

随着海洋的战略地位日益突显，各国都在积极开发利用海洋资源和空间。声波是目前在海洋中唯一能够进行远距离传播的能量形式，水声目标识别对于海洋开发、国防安全有着重大意义，现已成为水声领域的研究热点之一。水下目标自动识别主要包括特征提取与构建分类器两大部分。当前主流的特征提取方法包括时域波形结构分析、频域谱估计以及时频域分析3个方面。时间域的分布可由峰-峰值、过零点分布、波列面积和波长差分布等特征进行描述[1]。频域谱估计可提取信号的频率、功率、包络等特征，以及利用高阶谱分析非高斯信号的特征[2]。这类方法原理简单、易于实现，仅通过采集到的原始水声信号即可获得，但是提取的特征需要一定的先验知识进行信号预处理，在时变的海洋环境下泛化性较弱。时频分析方法提供了时间域与频率域的联合分布信息，可以清楚地描述信号频率随时间变化的关系，是目前应用效果最好、应用最广的特征提取方法，常用的方法包括短时傅里叶变换(Short time Fourier transform,STFT)[3]、梅尔频率倒谱系数(Mel-Frequency cepstral coefficients,MFCC)[4−5]、希尔伯特-黄变换(Hilbert-Huang transform,HHT)等。在特征提取之后再训练隐马尔可夫模型(Hidden Markov model,HMM)、支持向量机、K 近邻、神经网络等分类器以实现水下目标的识别。

近年来，随着计算机硬件技术、信号处理技术的进一步发展，以机器学习(Machine learning,ML)、深度学习(Deep learning,DL)、大数据(Big date)等为代表的人工智能(Artificial intelligence,AI)技术，已经在语声识别、图像理解、机器翻译等多个方面取得了长足的进展[6]，这为水声目标识别提供了新的解决思路。……