康春玉，李岩洲，夏志军，寇 祝

（海军大连舰艇学院，辽宁 大连 116018）

被动声纳目标分类识别就是利用声纳接收的目标辐射噪声来实现目标的分类识别，相对主动声纳目标识别来说具有隐蔽性，是未来潜艇战和反潜作战中隐蔽攻击、先敌发现、争取战场主动的先决条件，是实现鱼雷、水雷等水下武器系统智能化的关键技术之一，也是国内外一直公认且尚未解决的难题。实现被动声纳目标的智能分类识别主要包括两方面的关键技术，一方面是特征提取技术，另一方面是分类器技术[1]。针对特征提取技术，实现的技术途径主要有时域波形特征提取、谱分析特征提取、时频分析特征提取、混沌与分形非线性特征提取、听觉模型特征提取等[2-5]。针对分类器技术，主要有模板匹配、最近邻分类器、神经网络分类器、支持向量机分类器、专家系统、深度学习和融合分类器等方法[2-3，6-8]。从目前现状来看，被动声纳目标分类识别离实际需求还有比较大的距离。同时，上述分类器技术，一般是选定训练样本通过训练获得分类器权系数实现目标的分类识别，实际应用中，如果训练样本增加则需要重新训练整个网络，分类器的在线扩充和推广能力一般。因此，寻找分类识别率高，不需要训练，在线扩充方便，推广能力强的分类识别方法在水下被动声纳目标识别中具有十分重要的军事意义。

借鉴稀疏表示分类器在图像识别等领域中的成功应用[9-10]，基于提取的被动声纳目标功率谱特征，提出了一种水下被动声纳目标稀疏表示分类识别方法，通过海上实录舰船辐射噪声分类实验表明，分类性能优于常规最近邻分类器、BP神经网络分类器和支持向量机分类器。

1 功率谱特征提取

功率谱特征是一种常用的被动声纳目标特征提取方法，论文采用的方法如图1所示。

图1 功率谱特征提取

功率谱特征提取主要步骤。

第一步：对类型已知的舰船辐射噪声样本x（n）进行带通和归一化预处理，得到合适的舰船辐射噪声样本库。

第二步：对预处理后的每一个辐射噪声样本进行重叠50%的分段，对取下的每一段数据进行加哈明窗处理，并计算加窗后每一段信号的功率谱。

第三步：将所有段的功率谱相应相加取平均得到该辐射噪声样本的功率谱特征，并对功率谱特征取对数和归一化，得到该辐射噪声样本的特征P赞（ω）。

对每个舰船辐射噪声样本按上述步骤进行功率谱特征提取，得到整个辐射噪声样本的功率谱特征库。

2 稀疏表示分类器

基于整个辐射噪声样本特征库，按照一定间隔均匀选取N个辐射噪声样本特征，类似于神经网络分类器中的训练样本库，用这些样本特征构造完备的特征原子库，M为特征的维数。将余下的辐射噪声样本特征库作为测试样本特征库。

这样，任意一个测试样本特征y∈RM可以由这组训练样本集特征近似的线性组合表示：

式中，ai（i=1，2，…，N）表示稀疏系数，式（1）写成矩阵可表示为

即最小的残差对应的类别为测试样本的类别。

显然，稀疏表示分类器的核心就是求出稀疏系数Θ，事实上就是解欠定方程组（2）。这是一标准稀疏分解问题，最直接的方法就是将问题转化为如（4）式所示的优化问题，并求解得到稀疏表示系数，论文中采用匹配追踪稀疏表示算法[9-10]。

最后，根据式（3）所示的分类准则，确定测试样本的类型。很显然，上述过程中没有训练过程，如果有新的训练样本出现，则可将其直接扩充到特征原子库A即可。

3 分类识别检验与结果分析

被动声纳目标分类识别检验中，主要研究了三类水中目标辐射噪声样本的分类识别情况，全部噪声样本是在不同工况和水文气象条件下，实录的海上三类目标（分别用I、II和III表示）辐射噪声。对所有实录的辐射噪声进行数字采样后，每6.5 s数据作为一个样本，按功率谱特征提取方法得到所有样本的功率谱特征，并将整个样本特征均匀间隔11个取出1个样本特征构成特征原子库A，余下的作为测试样本集，相当于每间隔65 s选取一个样本进行训练，然后取这两个训练样本的中间样本作为测试样本。由此得到训练样本集：第I类目标54个，第II类目标315个，第III类目标41个，共计410个；测试样本集：第I类目标535个，第II类目标3 153个，第III类目标408个，共计4 096个。表1是采用最近邻分类器、BP神经网络分类器、支持向量机分类器及稀疏表示分类器得到的每类目标的分类识别概率。

表1 不同分类器对每类目标的分类识别概率（%）

从表1可以看出，稀疏表示分类器表现出了更好的性能，对每类目标的正确分类识别概率和总体正确分类识别概率均高于其他分类器。

4 结论

针对被动声纳目标的分类识别问题，提取了舰船辐射噪声的功率谱特征，并抽取部分样本构建特征原子库，通过稀疏表示算法实现了被动声纳的分类识别。结果表明，该方法优于常规的最近邻分类器、BP神经网络分类器和支持向量机分类器，而且该方法不需要预先训练，完备原子库能随时扩充。需要说明的是，如果训练样本库特别大，如何使用该方法还需要进一步验证与研究。