基于淺地層回波信號的底質(zhì)分類技術(shù)研究

羅 宇，鄭 旭，施 劍*，吳逸凡,2，李 斌

（1.山東科技大學(xué) 測繪學(xué)院，山東 青島 266590；2.自然資源部第二海洋研究所，浙江 杭州 310012）

海底底質(zhì)類型是重要的海洋環(huán)境參數(shù)，是進(jìn)行海底科學(xué)研究的基礎(chǔ)，海底底質(zhì)分類對于海洋工程建設(shè)、海底科學(xué)研究、海洋資源開采具有重要的科學(xué)與實際意義。傳統(tǒng)的底質(zhì)分類依靠機(jī)械進(jìn)行直接采樣來確定沉積物的類型及分布，該方法效率低、采樣數(shù)據(jù)離散，不適合進(jìn)行大面積的調(diào)查分類。聲學(xué)方法遙測海底類型根據(jù)海底底質(zhì)的反射系數(shù)、聲速、散射等聲學(xué)特性反演出底質(zhì)的類型、粗糙度、硬度等屬性，具有效率高、費(fèi)用低、獲取內(nèi)容豐富連續(xù)的特點，為海底分類提供了快速可靠的方法[1]。對于單波束、淺地層剖面儀等正入射儀器進(jìn)行底質(zhì)分類的主要方法有海底聲學(xué)參數(shù)反演法[2]、統(tǒng)計特征分析法等[3]；對于多波束、側(cè)掃聲吶等斜入射儀器進(jìn)行底質(zhì)分類的主要方法有反向散射強(qiáng)度分析法[4-5]、圖像紋理特征分析法等[6-9]。目前，對于回波信號的統(tǒng)計多基于回波信號的波形特征，對聲吶回波能量特征研究較少。

淺地層剖面儀（Sub-bottom Profiler），簡稱“淺剖”，是一種用于獲知海床以下淺部地層信息的聲學(xué)探測設(shè)備，是進(jìn)行海洋地質(zhì)勘探常用的設(shè)備之一，其工作時通過發(fā)射換能器垂直向海底發(fā)射聲波信號，聲波穿透水層、海底地層，下行過程中經(jīng)各層介質(zhì)的濾波，遇聲阻抗界面返回，最終攜帶有界面層信息的反射聲波被接收單元接收[10]。相較于其它設(shè)備，淺剖具有發(fā)射頻率低、底質(zhì)穿透力強(qiáng)的特點，獲得的回波信號可攜帶很豐富的沉積物特征。本文主要對不同底質(zhì)下淺地層回波信號的能量序列進(jìn)行分析，提取海底淺層沉積物的回波能量序列進(jìn)行地質(zhì)分類。

1 淺表地層回波能量序列

淺剖在工作中發(fā)射的脈沖強(qiáng)度是固定的，接收的回波強(qiáng)度由于深度和海底不同沉積物的反射系數(shù)、硬度、粗糙度等物理性質(zhì)不同，其回波的能量序列特征也有所不同。具體表現(xiàn)為：（1）回波能量序列的總強(qiáng)度不同。不同底質(zhì)之間回波能量序列的總強(qiáng)度存在較大差異，且與深度有關(guān)，深度較淺回波能量序列的總強(qiáng)度較強(qiáng)，較深回波能力較弱；（2）回波能量序列分布特征不同。淺剖發(fā)射的脈沖信號接觸到海底沉積物，受到反射的同時，也會有一部分能量被吸收，利用反射的部分可以進(jìn)行測深，而不同的沉積物對聲波的吸收不同，其能量分布存在較大的差異[11]；（3）回波能量序列分布與換能器的工作頻率有關(guān)。工作頻率越低，其回波能量的平均強(qiáng)度越高，且出現(xiàn)波峰的序列越多，工作頻率越高，其回波總能量越低，波峰數(shù)量越少。

圖1 回波能量序列分布特征

對淺表層回波信號數(shù)據(jù)進(jìn)行處理，可分離出回波能量序列，接收的1幀數(shù)據(jù)可以換算為垂直方向上有限的回波能量值，其數(shù)量與淺剖的發(fā)射頻率、聲速等有關(guān)[12]，可將回波能量序列映射為水深，計算公式為：

式中：S為1幀中回波能量的數(shù)量；n為回波能量的序列值；HMAX為聲吶設(shè)置的最大量程，為HMIN測量最小量程。

圖1-a為淤泥底質(zhì)在不同工作頻率下的淺剖能量序列分布情況，高頻（200 kHz）下其分布中只出現(xiàn)兩個較為明顯的波峰，第一個波峰為水面反射，第二個波峰為聲波到達(dá)海底表面后的反射。低頻（20 kHz）下則出現(xiàn)了多個波峰，其平均能量也更高、低頻穿透性較強(qiáng)，其分布更能反映出不同底質(zhì)的特征。圖1-b為淤泥、砂礫、水泥3種不同底質(zhì)的回波能量序列分布，可以觀測到不同底質(zhì)的回波能量序列分布具有差別。

2 底質(zhì)分類方法

支持向量機(jī)（Support Vector Machine，SVM）是一種有監(jiān)督的分類算法，其最初由Vapnik首先提出[13]，其主要思想是通過映射函數(shù)將向量映射到一個更高維的空間，求解一個分類超平面，使正例和反例之間的隔離邊緣被最大化。支持向量機(jī)針對有限的樣本數(shù)量下的分類問題，根據(jù)結(jié)構(gòu)風(fēng)險最小化原則在保證學(xué)習(xí)精度的前提下提高了泛化能力?？紤]到在實際的勘測工作中，海底樣本采集困難、樣本數(shù)量較少等情況，使用支持向量機(jī)對海底底質(zhì)進(jìn)行分類識別研究。

2.1 支持向量機(jī)原理

支持向量機(jī)最初用于對線性可分問題進(jìn)行分類，給定訓(xùn)練樣本{(x1,y1),(x2,y2),(x3,y3)…(xn,yn)},得到期望輸出y∈{-1,1}。即尋找一個超平面將訓(xùn)練樣本分離，并使任意樣本的點到超平面的距離大于等于1。用于分類的最優(yōu)超平面的方程為：

式中：w為法向量；b為截距。滿足上述條件的超平面實際構(gòu)建了兩個平行的超平面作為間隔邊界以判別樣本的分類：

所有在上間隔邊界上方的樣本屬于正類，在下間隔邊界下方的樣本屬于負(fù)類，位于間隔邊界上的正類和負(fù)類樣本為支持向量（Support Vector）。對于非線性問題，需適當(dāng)放松約束條件，引入松弛變量ξi＞0，此時的分類條件變?yōu)椋?/p>

當(dāng)ξi=0時，問題變?yōu)榫€性分類問題，當(dāng)0＜ξi＜1時，樣本可落在超平面內(nèi)并被超平面正確分類，當(dāng)ξi＞1時，允許錯誤分類。松弛因子越大表示對離散點的容忍程度越高。同時為松弛因子加入一個懲罰系數(shù)c，以免松弛因子過大。此時的目標(biāo)函數(shù)為：

對于非線性分類問題，可使用映射函數(shù)將其轉(zhuǎn)化為線性可分問題，此時作為決策邊界的超平面表示為wTφ(x)+b=0。公式中φ(x)即為映射函數(shù)，可定義映射函數(shù)的內(nèi)積為核函數(shù)k(x1,x2)=φ(x1)Tφ(x2)。常見的核函數(shù)有多項式核、徑向基（RBF）函數(shù)核、拉普拉斯核等。本次實驗使用RBF核函數(shù)：

2.2 分類處理方法

在進(jìn)行底質(zhì)分類之前，首先對回波能量強(qiáng)度數(shù)據(jù)進(jìn)行預(yù)處理，根據(jù)回波能量序列的特點，最大限度地消除非海底底質(zhì)因素的影響，提取出代表底質(zhì)特征部分的序列，對數(shù)據(jù)進(jìn)行分類整理，選取適當(dāng)數(shù)量的數(shù)據(jù)作為SVM的訓(xùn)練集和測試集，對SVM進(jìn)行訓(xùn)練，并用測試集進(jìn)行測試，得到分類結(jié)果。流程如圖2所示：

圖2 底質(zhì)分類處理流程

回波能量序列分布與深度有關(guān)，進(jìn)行數(shù)據(jù)選取時，需剔除深度的影響，利用閾值算法來獲取回波能量序列中代表底質(zhì)特征的部分。如圖3所示設(shè)每幀回波能量序列為{P1(h1,k1),P2(h2,k2),…Pn(hn,kn)}，其中hi為序列值，ki為能量強(qiáng)度。根據(jù)測量時的水深值可根據(jù)公式（1）計算出水深的序列D，根據(jù)水深序列D設(shè)定合適的范圍{D∈[hmin,hmax]}，即圖3中的黑色虛線。在設(shè)定的閾值內(nèi)，尋找能量強(qiáng)度的最大值得到水底表面的深度序列h，選取適當(dāng)?shù)暮穸圈，截取海底表面深度h后的[h,h+Δh]范圍內(nèi)的回波能量序列作為底質(zhì)分類的有效原始數(shù)據(jù)，即圖3中的紅色虛線。對數(shù)據(jù)進(jìn)行篩選，這樣可以有效地過濾掉水面反射回波、二次回波等其它異常的回波能量。對底質(zhì)厚度的選取，可在一定的厚度內(nèi)進(jìn)行循環(huán)測試，根據(jù)分類成功的準(zhǔn)確率選取合適的底質(zhì)厚度。

圖3 底質(zhì)特征數(shù)據(jù)選取

支持向量機(jī)在實際應(yīng)用中，懲罰參數(shù)c與核函數(shù)參數(shù)g的選擇對于最后的分類效果具有十分重要的影響，選擇恰當(dāng)?shù)膮?shù)十分必要。在原始數(shù)據(jù)底質(zhì)已知的情況下，可將參數(shù)c與g在一定范圍內(nèi)取離散值，將原始數(shù)據(jù)一部分作為訓(xùn)練集，一部分作為測試集，并對參數(shù)進(jìn)行歸一化處理，歸一化處理可將不同來源的特征數(shù)據(jù)統(tǒng)一到同一數(shù)量級下，消除不同特征間量綱的影響。使用離差標(biāo)準(zhǔn)化，使結(jié)果值映射到[0,1]之間，轉(zhuǎn)換函數(shù)如下：

式中：ki表示序列i的能量強(qiáng)度；max{ki}表示所有樣本數(shù)據(jù)中回波能量強(qiáng)度最大值；min{ki}表示所有樣本數(shù)據(jù)中回波能量強(qiáng)度最小值。訓(xùn)練完成后利用測試集對分類準(zhǔn)確率進(jìn)行測試，如圖2所示。以測試集的分類準(zhǔn)確率作為評價標(biāo)準(zhǔn)，不斷對參數(shù)進(jìn)行優(yōu)化測試，最終得到一定條件下最佳的懲罰參數(shù)c與核函數(shù)參數(shù)g。

3 實驗數(shù)據(jù)分析

本次實驗數(shù)據(jù)來源于山東科技大學(xué)海洋測繪重點實驗室消聲水池，該水池長40 m，寬6 m，水深3～8 m。水池池壁放置了消聲材料，水池底部有規(guī)律階梯狀布設(shè)有卵石、砂礫、淤泥、水泥等不同底質(zhì)，模擬真實的海洋環(huán)境。采集數(shù)據(jù)使用到的儀器為某型號淺地層剖面儀、GPS定位系統(tǒng)、處理軟件南方自由行2016等。設(shè)置淺地層剖面儀的最大工作深度為20 m，聲速為1 500 m/s，保持參數(shù)不變，分別對淤泥、砂礫、水泥3種底質(zhì)進(jìn)行數(shù)據(jù)采集，每種底質(zhì)選取不同的點進(jìn)行5次采集，每個采集點采集數(shù)據(jù)5分鐘。對數(shù)據(jù)進(jìn)行回放，選取其中4組回波較清晰的信號。

每組選取50幀數(shù)據(jù)，其中100幀作為訓(xùn)練集，100幀作為測試集，根據(jù)上述方法，首先對數(shù)據(jù)進(jìn)行處理，利用閾值算法截取底質(zhì)能量序列。如圖4所示，為了剔除水深的影響，截取的序列為表面波峰后的13列?？梢杂^測到不同底質(zhì)之間的回波能量序列具有較明顯的差異。水泥底質(zhì)回波序列中會有一個明顯的波峰，砂礫底質(zhì)與水泥底質(zhì)相比波峰較小，且波峰序列靠前，淤泥底質(zhì)回波序列能量強(qiáng)度緩慢下降。

圖4 不同底質(zhì)回波能量序列

選取能量回波序列的多少即選取的底質(zhì)厚度不同，對分類結(jié)果影響很大，默認(rèn)SVM參數(shù)c=1，g=1，不同厚度下的分類結(jié)果如表1所示。

表1 不同序列長度下分類準(zhǔn)確率

通過表1觀察到，在SVM參數(shù)不變的情況下，截取能量序列長度為13時分類準(zhǔn)確率為95.33%，而選取序列長度為7時分類準(zhǔn)確率僅為67.33%，本次所取的能量強(qiáng)度序列為13，其對應(yīng)的底質(zhì)厚度為0.87 m。

本次測試集的底質(zhì)類型已知，設(shè)定不同的參數(shù)c,g利用訓(xùn)練集進(jìn)行訓(xùn)練，訓(xùn)練完成后利用該支持向量機(jī)對測試集進(jìn)行分類，預(yù)測結(jié)果與實際底質(zhì)類型結(jié)果對比可選出最優(yōu)的參數(shù)c與g，如圖5所示。先在較大范圍內(nèi)粗略的選取c與g，將c與g范圍設(shè)為[2-4,24]，遞進(jìn)步長取2為底的冪指數(shù)0.5，結(jié)果如圖5-a所示，在log2g=0處，即g=1處分類準(zhǔn)確率較高，且參數(shù)g對分類準(zhǔn)確率影響較大，進(jìn)一步縮小范圍，將c設(shè)為[0,2]步進(jìn)間隔為0.1，將g設(shè)為[0,2]步進(jìn)間隔為0.01，得到結(jié)果如圖5-b所示。在這種條件下的最優(yōu)參數(shù)為c=1,g=1.01。

圖5 SVC參數(shù)優(yōu)化示意圖

利用優(yōu)化參數(shù)后的支持向量機(jī)，對測試集3類底質(zhì)共300個樣本數(shù)據(jù)進(jìn)行自動分類，分類結(jié)果如圖6所示，預(yù)測底質(zhì)類型與測試集已知的底質(zhì)類型相同，分類準(zhǔn)確率為96%。其中淤泥有2個樣本被錯分為水泥，水泥有10個樣本被錯分為淤泥。

圖6 底質(zhì)分類測試結(jié)果

4 結(jié)論

從淺地層剖面儀回波信號中提取的回波能量序列，可有效地應(yīng)用于海底底質(zhì)分類。本文總結(jié)了淺地層回波信號能量序列的特征，提出了一種簡單有效的截取含有底質(zhì)特征的回波能量序列的方法。在分類方法上，利用SVM算法進(jìn)行分類，優(yōu)化了SVM的參數(shù)，使其在一定意義上達(dá)到了最優(yōu)，在實驗水池進(jìn)行數(shù)據(jù)采集，淺剖工作狀態(tài)與工作環(huán)境較為理想，且采集的底質(zhì)數(shù)據(jù)樣本數(shù)量較少，每個底質(zhì)類型用于訓(xùn)練的數(shù)據(jù)相似度較高，所以取得了很高的分類精度。淺地層剖面儀在實際的測量工作中面臨船運(yùn)動、環(huán)境噪聲等多種因素的影響，且海底底質(zhì)類型復(fù)雜多變，需要進(jìn)一步利用淺剖采集真實的海底底質(zhì)數(shù)據(jù)，并在數(shù)據(jù)預(yù)處理、底質(zhì)特征選取以及多底質(zhì)類型分類等方面進(jìn)行更深入的研究。