水聲目標(biāo)線譜檢測(cè)技術(shù)研究

王南 馬世龍

（1.海裝駐杭州地區(qū)軍事代表室，杭州，310023；2.第七一五研究所，杭州，310023）

目標(biāo)輻射噪聲的功率譜通常有連續(xù)形和線形譜結(jié)構(gòu)，后者也叫線譜。隨著艦艇減振降噪技術(shù)的發(fā)展，艦艇的輻射噪聲級(jí)已有很大程度的降低，并仍在持續(xù)降低，但不可否認(rèn)的是，某些頻率的線譜噪聲依然存在。線譜信號(hào)通常具有較好的相位穩(wěn)定性，較連續(xù)譜有較高的強(qiáng)度，是被動(dòng)聲吶目標(biāo)檢測(cè)的重要方式，已成為世界各國(guó)聲吶科技人員研究的熱點(diǎn)。俄羅斯科學(xué)家S V Burenkov等對(duì)228 Hz頻率線譜信號(hào)的傳播距離進(jìn)行試驗(yàn)研究，經(jīng)測(cè)試線譜信號(hào)的傳播距離可達(dá)9 000 km，并具有穩(wěn)定的相位[1]。利用目標(biāo)輻射噪聲中的線譜信號(hào)進(jìn)行目標(biāo)被動(dòng)檢測(cè)，可提高被動(dòng)聲吶的作用距離[2]，尤其對(duì)探測(cè)低噪聲、安靜型的水下目標(biāo)具有重要意義[3-4]。

線譜信號(hào)檢測(cè)屬于周期信號(hào)檢測(cè)，通常建模為非平穩(wěn)噪聲背景下頻率、幅度、相位均未知的周期信號(hào)檢測(cè)，且該周期信號(hào)存在不連續(xù)或頻率偏移等特征。近些年來(lái)，隨著信號(hào)處理技術(shù)的快速發(fā)展，出現(xiàn)許多新的周期信號(hào)檢測(cè)理論和方法。結(jié)合實(shí)際水下線譜信號(hào)的特點(diǎn)，研究人員將這些理論和方法用于被動(dòng)聲吶目標(biāo)線譜檢測(cè)，有望提高被動(dòng)聲吶檢測(cè)性能。

1 DFT基線譜檢測(cè)方法

離散傅里葉變換（Discrete Fourier Transform，DFT）是經(jīng)典的周期信號(hào)檢測(cè)方法。早期因算法運(yùn)算量較大，在實(shí)際工程中一直未得到廣泛應(yīng)用。直到快速傅里葉變換（Fast Fourier Transform，F(xiàn)FT）出現(xiàn)，才使得DFT算法在實(shí)際工程中得到推廣。雖然有許多與DFT相對(duì)應(yīng)的譜估計(jì)方法，如參數(shù)模型類(lèi)譜估計(jì)方法，包括AR（Auto Regressive）、MA（Moving Average）、ARMA （Auto Regressive-Moving Average）模型法等，其功率譜估計(jì)結(jié)果較平滑，頻率分辨力較高，但是其模型的階次不易選擇。子空間分解類(lèi)譜估計(jì)典型方法有MUSIC（Multiple Signal Classification）、ESPRIT（Estimating Signal Parameters Viarotational Invariance Techniques）方法等，此類(lèi)方法可獲得較高的頻率分辨力，但是需要信號(hào)子空間維數(shù)的先驗(yàn)信息，且在低信噪比、色噪聲等背景下性能退化嚴(yán)重。從工程實(shí)現(xiàn)難易及性能等方面綜合考慮，DFT類(lèi)譜估計(jì)方法更適合實(shí)際應(yīng)用。目前，涌現(xiàn)出大量以DFT為基礎(chǔ)的線譜檢測(cè)方法。

1.1 基于功率譜估計(jì)的線譜檢測(cè)

最經(jīng)典的功率譜估計(jì)方法是周期圖和Welch功率譜估計(jì)方法[4]。首先，通過(guò)分段DFT處理來(lái)對(duì)接收信號(hào)進(jìn)行功率譜估計(jì)；然后對(duì)功率譜估計(jì)值進(jìn)行幅度門(mén)限判決，得到線譜信號(hào)的檢測(cè)結(jié)果。鑒于實(shí)際接收信號(hào)的功率譜背景起伏較大，難以通過(guò)簡(jiǎn)單的幅度門(mén)限判決對(duì)線譜實(shí)現(xiàn)恒定的檢測(cè)性能，因此利用連續(xù)譜平滑的方法對(duì)起伏的趨勢(shì)項(xiàng)進(jìn)行估計(jì)，并在功率譜中減去趨勢(shì)項(xiàng)，以避免功率譜背景起伏的影響，獲得恒定的線譜檢測(cè)性能。常用的背景均衡方法有α濾波法、排序截?cái)喾?、中值濾波法[5-7]等。

文獻(xiàn)[8,9]利用線譜信號(hào)在功率譜估計(jì)結(jié)果中的形狀特征，進(jìn)行多個(gè)門(mén)限判決來(lái)實(shí)現(xiàn)線譜信號(hào)檢測(cè)，主要包括三個(gè)判決準(zhǔn)則：（1）斜率，線譜譜峰包含左右兩個(gè)邊界，左邊界斜率為正，右邊界斜率為負(fù)。因線譜譜峰處的功率譜通常會(huì)突然上升之后又很快下降，故邊沿斜率值應(yīng)不小于某一門(mén)限。（2）峰寬，雖然線譜頻率的漂移會(huì)使線譜譜峰展寬，但其寬度通常不會(huì)超過(guò)10個(gè)頻域采樣間隔，因此，通過(guò)設(shè)置峰寬門(mén)限可以去除連續(xù)譜峰值（峰寬即為線譜譜峰左右邊界間的距離）。（3）峰高，受隨機(jī)噪聲的影響，所估計(jì)的功率譜往往存在方差，即含有一些滿足斜率、峰寬門(mén)限的幅度較小的偽峰，因此需進(jìn)一步經(jīng)峰高門(mén)限判決來(lái)去除這些偽峰。峰高門(mén)限大小的設(shè)置與線譜信噪比的關(guān)系緊密且較難設(shè)定。文獻(xiàn)[7,9]中根據(jù)連續(xù)譜的概率分布特性設(shè)置峰高門(mén)限，但在實(shí)際應(yīng)用中上述概率分布特性不易獲得。

1.2 基于信號(hào)統(tǒng)計(jì)特性的線譜檢測(cè)

該類(lèi)方法以分段DFT頻域結(jié)果為基礎(chǔ)，利用不同數(shù)據(jù)段相同頻率單元上的復(fù)數(shù)值構(gòu)建二元假設(shè)檢驗(yàn)問(wèn)題，通過(guò)對(duì)檢測(cè)統(tǒng)計(jì)量的統(tǒng)計(jì)判決，實(shí)現(xiàn)對(duì)線譜信號(hào)的檢測(cè)[10-15]。文獻(xiàn)[11]構(gòu)建了一種廣義似然比線譜檢測(cè)器，該檢測(cè)器的檢測(cè)統(tǒng)計(jì)量通過(guò)對(duì)周期圖譜估計(jì)結(jié)果能量歸一化計(jì)算得到，具有恒定虛警概率特性。文獻(xiàn)[10]依據(jù)單頻率點(diǎn)功率譜的統(tǒng)計(jì)特性，由不同數(shù)據(jù)段相同頻率單元上的復(fù)數(shù)值構(gòu)建了一種廣義似然比檢測(cè)器，該方法檢測(cè)性能優(yōu)于平均周期圖法，但不同數(shù)據(jù)段間為能量累積，沒(méi)有獲得相干處理增益。文獻(xiàn)[16]對(duì)各段間相位差進(jìn)行補(bǔ)償，利用補(bǔ)償后的各段復(fù)數(shù)值構(gòu)建廣義似然比檢測(cè)器，各段間可獲得相干處理增益。文獻(xiàn)[17]通過(guò)內(nèi)插的方法提高文獻(xiàn)[16]中各段間補(bǔ)償相位差精度，以進(jìn)一步提高檢測(cè)器性能。上述假設(shè)檢驗(yàn)類(lèi)線譜檢測(cè)方法，依據(jù)信號(hào)的統(tǒng)計(jì)特性構(gòu)建檢測(cè)器，容易獲得恒虛警概率檢測(cè)特性，但當(dāng)真實(shí)信號(hào)統(tǒng)計(jì)特性偏離設(shè)定的統(tǒng)計(jì)模型時(shí)，該類(lèi)算法檢測(cè)性能會(huì)出現(xiàn)較大損失。

1.3 基于幅相穩(wěn)定性的線譜檢測(cè)

實(shí)際接收到的目標(biāo)線譜信號(hào)易受海洋信道波動(dòng)、多普勒頻移等影響而出現(xiàn)頻率擾動(dòng)，同時(shí)也會(huì)混雜著大幅度起伏噪聲。此時(shí)，對(duì)目標(biāo)線譜接收信號(hào)進(jìn)行長(zhǎng)時(shí)間積分處理，會(huì)因頻率擾動(dòng)致使性能損失。文獻(xiàn)[18]利用水下目標(biāo)輻射信號(hào)幅度平緩而噪聲幅度擾動(dòng)劇烈的特點(diǎn)，通過(guò)對(duì)分段DFT所得同頻點(diǎn)各復(fù)數(shù)值進(jìn)行幾何平均，以抑制幅度起伏劇烈的噪聲信號(hào)，而保留幅度相對(duì)平緩的線譜信號(hào)，提升對(duì)目標(biāo)線譜積分增益。文獻(xiàn)[19]利用線譜信號(hào)相位短時(shí)穩(wěn)定性而噪聲信號(hào)相位隨機(jī)的特性，對(duì)相鄰分段DFT所示復(fù)數(shù)值相位進(jìn)行差分補(bǔ)齊，對(duì)補(bǔ)齊相位后的分段復(fù)數(shù)值進(jìn)行累積可獲得長(zhǎng)時(shí)間相干累積增益，該方法適用于頻率緩慢變化的線譜信號(hào)長(zhǎng)時(shí)間積分，可獲得足夠的時(shí)間處理增益。

1.4 基于多時(shí)刻延遲判決的線譜檢測(cè)

線譜信號(hào)具有時(shí)間連續(xù)性，對(duì)線譜信號(hào)進(jìn)行多時(shí)刻延遲判決即線譜頻率跟蹤，能夠提高線譜檢測(cè)能力，降低虛警概率。低頻線譜分析歷程圖(Low Frequency Analysis And Recording，LOFAR)為經(jīng)典的線譜檢測(cè)手段，對(duì)多時(shí)刻接收數(shù)據(jù)連續(xù)進(jìn)行短時(shí)傅里葉變換(Short-Time Fourier Transform，STFT)計(jì)算得到。LOFAR圖的主要思想是利用人眼的視覺(jué)累積效應(yīng)對(duì)一定時(shí)間內(nèi)連續(xù)的線譜信號(hào)進(jìn)行檢測(cè)。為實(shí)現(xiàn)線譜自動(dòng)檢測(cè)，以LOFAR圖為基礎(chǔ)，實(shí)施線譜頻率自動(dòng)跟蹤，提高線譜檢測(cè)性能。線譜頻率跟蹤主要包括：最大似然方法、基于統(tǒng)計(jì)模型類(lèi)方法、基于圖像處理類(lèi)方法、基于神經(jīng)網(wǎng)絡(luò)類(lèi)方法以及專家系統(tǒng)等[20-27]。文獻(xiàn)[20]采用的多階段判決方法為一種圖像處理類(lèi)方法，定義代價(jià)函數(shù)，在LOFAR方法中尋求一條使代價(jià)函數(shù)最小的最優(yōu)路徑，路徑上的時(shí)間—頻率點(diǎn)具有較高概率的為線譜信號(hào)。文獻(xiàn)[28]構(gòu)建關(guān)于線譜信號(hào)的含馬爾可夫模型，以該模型為基礎(chǔ)，對(duì)多個(gè)時(shí)刻的數(shù)據(jù)進(jìn)行延遲判決，實(shí)現(xiàn)線譜頻率跟蹤，該算法對(duì)弱線譜信號(hào)具有較好頻率跟蹤性能，但運(yùn)算復(fù)雜度較高。文獻(xiàn)[29]在隱含馬爾可夫模型的譜線跟蹤器的基礎(chǔ)上，引入EM（Expectation-Maximization）算法思想，實(shí)現(xiàn)多頻率譜線跟蹤，所提方法大大降低原HMM線譜頻率跟蹤方法的運(yùn)算復(fù)雜度。目前，線譜頻率跟蹤方法眾多，各方法都有不同的適用條件，往往采用不同方法組合，以獲得更好的線譜頻率跟蹤效果。

2 自適應(yīng)線譜增強(qiáng)器

自適應(yīng)線譜增強(qiáng)器(Adaptive Line Enhancer，ALE)于20世紀(jì)70年代被提出[30]。ALE算法的核心思想是利用周期信號(hào)（線譜信號(hào)）的時(shí)間相關(guān)半徑大于噪聲信號(hào)時(shí)間相關(guān)半徑的特性，對(duì)接收信號(hào)中的寬帶信號(hào)進(jìn)行解相干延時(shí)，保持周期信號(hào)相干，繼而對(duì)二者進(jìn)行LMS自適應(yīng)抵消處理，分離寬帶信號(hào)，增強(qiáng)周期信號(hào)[31]。文獻(xiàn)[32]指出穩(wěn)態(tài)ALE在頻域上等價(jià)于頻率自跟蹤的窄帶濾波器。Rickard詳細(xì)地分析了ALE穩(wěn)態(tài)二階統(tǒng)計(jì)特性[33]。Zeidler等對(duì)ALE多線譜下的濾波特性進(jìn)行仿真分析[34-35]。文獻(xiàn)[36-40]通過(guò)自適應(yīng)改變LMS步長(zhǎng)來(lái)權(quán)衡ALE穩(wěn)態(tài)權(quán)噪聲與收斂速度之間的矛盾。綜上，ALE等效于中心頻率隨線譜頻率變化的窄帶濾波器。與DFT等線譜檢測(cè)方法相比，ALE能夠自適應(yīng)地濾除寬帶噪聲，保留線譜信號(hào)，獲得相對(duì)平坦的功率譜背景，故ALE在非平穩(wěn)噪聲下具有更好性能[41]。

3 高階譜方法

高斯信號(hào)為自然界中普遍存在的噪聲形式，可由信號(hào)一、二階統(tǒng)計(jì)特性進(jìn)行完全描述，其高階統(tǒng)計(jì)量為零。而對(duì)于非高斯信號(hào)，高階統(tǒng)計(jì)量則含有更豐富信息。高階譜因能更全面地描述艦艇輻射噪聲，目前被更多地用于艦艇目標(biāo)識(shí)別[42-45]。文獻(xiàn)[46, 47]利用雙譜提取艦艇輻射噪聲特征量進(jìn)行目標(biāo)識(shí)別，雙譜較功率譜（二階統(tǒng)計(jì)量）含有更多的特征量（如相位信息等），有利于目標(biāo)識(shí)別。1(1/2)譜能夠增強(qiáng)諧波線譜成分，去除非諧波譜成分，常被用來(lái)提取目標(biāo)輻射噪聲中的低頻譜或包絡(luò)調(diào)制譜中的諧波線譜[44,48,49]。此外，利用高斯信號(hào)的高階統(tǒng)計(jì)量為零的特性，可對(duì)高斯噪聲進(jìn)行抑制，以提高線譜檢測(cè)算法的檢測(cè)性能。但高階譜的物理意義不易明確，有礙直觀地對(duì)其進(jìn)行分析和理解，高階譜用于線譜檢測(cè)還需更深入的研究。

4 稀疏重構(gòu)類(lèi)方法

近年來(lái)稀疏重構(gòu)理論被廣泛用于周期信號(hào)頻率估計(jì)[50-55]，其主要思路為構(gòu)建一個(gè)過(guò)冗余頻率基底，在其中尋求最少的頻率元素來(lái)表示目標(biāo)信號(hào)，之后由選定的頻率元素計(jì)算目標(biāo)信號(hào)周期，該類(lèi)方法具有較高的頻率分辨率。正交匹配追蹤 (Orthogonal Matching Pursuit, OMP) 算法為一種經(jīng)典的稀疏重構(gòu)類(lèi)方法，主要思路通過(guò)迭代的方式依次從當(dāng)前殘量信號(hào)中分離出最相關(guān)的頻率元素，實(shí)現(xiàn)對(duì)目標(biāo)信號(hào)頻率的估計(jì)[53-54]。但該方法需要預(yù)先已知目標(biāo)線譜個(gè)數(shù)，在實(shí)際條件下難以滿足要求?；诘钚』南∈鑼W(xué)習(xí)(Sparse Learning via Iterative Minimization，SLIM)方法采用迭代的方式對(duì)線譜信號(hào)頻率、幅度及背景噪聲功率進(jìn)行估計(jì)，無(wú)需目標(biāo)線譜個(gè)數(shù)信息，參數(shù)設(shè)置相對(duì)簡(jiǎn)單[50-52]。上述稀疏重構(gòu)類(lèi)線譜估計(jì)方法可在樣本條件下獲得較高的頻率分辨率及頻率估計(jì)精度。但在色噪聲頻率背景下，線譜信號(hào)在頻域的稀疏性遭到破壞，無(wú)法有效地對(duì)線譜信號(hào)進(jìn)行估計(jì)。

5 非線性混沌振子類(lèi)方法

混沌檢測(cè)為一種非線性處理方法，其仿照非線性動(dòng)力學(xué)系統(tǒng)，構(gòu)建一個(gè)處于混沌狀態(tài)的系統(tǒng)模型，當(dāng)對(duì)該系統(tǒng)模型施加一個(gè)與其固有周期相近的微小策動(dòng)力時(shí)，會(huì)使該系統(tǒng)模型脫離混沌狀態(tài)。故對(duì)該系統(tǒng)模型的狀態(tài)判斷，可實(shí)現(xiàn)對(duì)微小周期性策動(dòng)力信號(hào)檢測(cè)，即對(duì)微弱線譜信號(hào)檢測(cè)[56-63]。文獻(xiàn)[64]驗(yàn)證了利用Duffing振子檢測(cè)弱周期信號(hào)的有效性，文獻(xiàn)[65]分析了Duffing振子大幅度地提高信號(hào)檢測(cè)信噪比的理論機(jī)理。文獻(xiàn)[66]利用Lyapunov指數(shù)作為混沌狀態(tài)的判決依據(jù)，實(shí)現(xiàn)了對(duì)目標(biāo)線譜信號(hào)的有效檢測(cè)。文獻(xiàn)[67]提出了一種變尺度的Duffing振子線譜檢測(cè)方法，使線譜信號(hào)檢測(cè)突破了線譜頻率及相位的限值。文獻(xiàn)[62]將變尺度方法和間歇混沌振子方法相結(jié)合，實(shí)現(xiàn)對(duì)未知頻率的弱線譜信號(hào)檢測(cè)。該類(lèi)方法對(duì)噪聲信號(hào)不敏感，實(shí)現(xiàn)了對(duì)微弱線譜信號(hào)的有效檢測(cè)，但在系統(tǒng)模型的狀態(tài)定量判斷、未知頻率線譜檢測(cè)、算法的復(fù)雜度等方面還有待于改進(jìn)[63]。

6 未來(lái)發(fā)展方向

隨著新的信號(hào)處理理論、新傳感器技術(shù)的發(fā)展，水聲目標(biāo)線譜檢測(cè)技術(shù)取得了一定的進(jìn)步。但艦艇減振降噪使線譜強(qiáng)度不斷減弱甚至消失，而海洋環(huán)境噪聲級(jí)、干擾強(qiáng)度不斷升高，弱線譜信號(hào)檢測(cè)成為關(guān)鍵。此外，隨著海洋活動(dòng)范圍的擴(kuò)展，水聲信道的時(shí)變、空變性更加凸顯，加劇了線譜特征的不確定性。同時(shí)作戰(zhàn)平臺(tái)多樣化發(fā)展（如無(wú)人平臺(tái)的出現(xiàn)），對(duì)線譜自動(dòng)檢測(cè)帶來(lái)新的挑戰(zhàn)。圍繞線譜檢測(cè)的難點(diǎn)，未來(lái)線譜檢測(cè)技術(shù)的發(fā)展可能有以下四個(gè)方向：

（1）非線性線譜檢測(cè)，如非線性混沌振子線譜檢測(cè)方法等，突破現(xiàn)有線性檢測(cè)理論局限，具有較強(qiáng)的周期信號(hào)檢測(cè)能力。隨著相關(guān)理論的成熟，一旦應(yīng)用到實(shí)際工程中將會(huì)大大提升被動(dòng)聲吶對(duì)弱線譜信號(hào)的檢測(cè)能力。

（2）線譜檢測(cè)與頻率跟蹤聯(lián)合處理，如檢測(cè)前跟蹤等方法對(duì)多幀數(shù)據(jù)聯(lián)合處理，檢測(cè)與跟蹤信息融合互補(bǔ)，有助于充分發(fā)掘數(shù)據(jù)信息，提高弱線譜檢測(cè)能力。

（3）利用水聲傳播信息的線譜檢測(cè)，目標(biāo)輻射線譜信號(hào)受傳播信道影響，幅度衰減或譜線間斷，可利用水聲傳播信息將目標(biāo)輻射線譜信號(hào)與水聲傳播信道解耦合，減弱傳播信道的影響，以提升復(fù)雜海域的線譜檢測(cè)能力。

（4）無(wú)人平臺(tái)的興起，對(duì)線譜檢測(cè)與識(shí)別提出了更高的自主性需求，基于人工智能技術(shù)的線譜自主提取有望提升線譜檢測(cè)與識(shí)別的自主化水平與綜合性能。