第1章　水中目标分类识别技术基础
　　1.1　水中目标分类识别及其应用需求
　　水中目标识别是指基于人或机器智能，依据各类水中目标辐射（或反射）的噪声信息对其进行分类识别的技术[1]。该技术是水声探测中最后的环节，可为先敌发现并实施有效攻击，从而为增强自身生存能力提供有力的保障，同时也是难度最大的一项技术，尤其是在声隐身技术不断发展的今天，对于水中目标识别技术的要求更高。根据声呐类型可将该技术分为主动识别和被动识别两类。前者利用声呐发射声信号，根据接收到的回波信号特征对目标类别属性做出判决，其优点在于接收到的回波信号中携带着大量有利于分类识别且反映目标本质特性的信息，而且也可以应用于不辐射噪声的目标，但缺点在于隐蔽性差，不利于自我保护。后者利用被动声呐接收到的水中目标辐射噪声信号的特征进行分类识别，虽然无法识别不辐射噪声的目标，但在监听敌方目标的同时不易被其发现，在安全性与隐蔽性方面优于主动声呐，尤其适用于远程目标的分类识别。从实现方式来看，还可以分为人机结合的半自动技术和完全依靠机器软硬件实现的全自动技术。
　　长期以来，根据水声信号中包含的各种目标特性的细微差异进行分类的技术，主要依靠声呐员人工完成，但是培养高水平的声呐员是一个复杂而漫长的过程，而且声呐员的表现易于受到各种环境因素及其自身心理、生理因素的影响。随着声呐装备智能化程度的提高以及水中目标识别技术的应用越来越广泛，利用机器实现自动识别成为军用和民用领域的重要研究课题。该技术一直是国内外水声学领域关注的焦点问题和亟待解决的技术难题，因此，各国历来十分重视该研究方向的发展。
　　当前，国际形势日趋复杂，我国的海洋权益面临越来越多的威胁，海防形势非常严峻。提高海军装备智能化水平、维护国家领土完整和海洋权益的需求越来越紧迫，必须依靠自主技术创新来发展我国的海军装备。在现代化海战中，航母、潜艇、各类水面舰、水下机器人、鱼雷、水雷、蛙人、滑翔机等武器系统的协同作战成为大势所趋。准确、及时地发现并识别敌方水中目标，为各个系统和指挥部门提供准确的信息，是克敌制胜的极其重要的环节。尤其对于各海洋大国正在大力发展的无人系统（无人船、无人艇等）而言，研制具有高精度水中目标探测和自动识别功能的智能化电子设备，显得极为关键和紧迫。
　　与此同时，为了应对水中目标识别技术的不断发展，各海洋发达国家也在不遗余力地加强水中目标的声隐身能力，一些新型舰艇和潜艇的噪声辐射明显降低。例如，美国新型核潜艇辐射噪声甚至接近于海洋环境噪声；德国的常规动力潜艇在2kn航速时最低噪声为68dB，相当于四级海况的环境噪声水平。这些降噪成果对声呐员的听觉识别能力构成了严峻的挑战。因此，发展基于被动声呐的高精度水中目标自动识别方法，防止各类水中目标的突袭，是强化现代战争体系的紧迫任务。
　　水中目标自动识别研究涉及的一系列理论方法和技术手段不仅可以应用于国防装备研制，还可以在海洋资源勘探、海洋动物研究、语音识别、交通噪声识别、机械故障诊断以及临床医疗诊断等众多领域得到推广应用，因而是一项对国民经济和国防建设具有十分重要理论价值和工程应用价值的重要工作。
　　1.2　水中目标分类识别技术原理
　　1.2.1　基本原理
　　在水中目标识别领域，传统的分类识别主要依靠有经验的声呐员来完成，随着信息处理量的增加和分类识别可靠性、快速性要求的提高，单纯依靠人工识别已不能完全满足现代目标识别系统的需要，必须借助现代计算机技术、信号和信息处理技术、人工智能技术等新的工具，沿着人工识别到人机结合，再到全自动识别的道路发展，才能更好地为装备信息化和智能化提供技术支撑。
　　水中目标自动分类识别属于模式识别（pattern recognition）的范畴。模式识别是对表征客观事物或现象的各种形式（数值、文字、逻辑关系）的信息进行处理和分析，以对事物或现象进行描述、辨认、分类和解释的过程，是信息科学和人工智能的重要组成部分。
　　模式识别又称为模式分类，其中，模式（pattern）是某一类客观事物或现象的类别总称，而该模式中具体的一个对象可以看作一个样本（sample）。对于水中目标而言，舰船、海洋动物等都可以作为模式，而通过声呐获取的某艘舰船或某种动物的声信号作为样本。模式识别的主要任务是利用计算机对某些物理对象进行分类，在错误概率最小的条件下，使识别的结果尽量与客观事物相符，即利用机器来实现人对各种事物或现象的分析、描述、判断和识别。相应地，水中目标识别就是要利用计算机等工具实现对不同类别水中目标（能够辐射声信号）的自动辨识。

　　目前，国内外对于水中目标识别的主要研究方法分为两种：第一种方法基于现代信号与信息处理理论和统计模式识别的方法以及基于传统信号处理方法对线谱特征进行分析进而解算物理参数；第二种方法一般通过解算目标螺旋桨参数以及低频线谱特征并通过与目标参数数据库进行比对，获得目标的大致类别。由于不同目标经常使用相同的机械构件，使用该方法无法完成对目标进行个体识别的任务。当前研究的热点是通过采集水声目标声学信号，构建声学特征库，通过对比目标声信号特征，在类别上进行更精细的划分。这种方法需要对水声信号进行特征提取，以及在声学数据库基础上利用模式识别方法对目标进行划分。
　　第一种水中目标识别的方法是本书研究的主要内容，其基本依据在于不同类水声目标辐射噪声具有区分性。目前的研究表明，水中目标辐射噪声可认为受到多种因素的影响，这些因素可归纳为与类别有关的因素和与类别无关的因素。与类别有关的因素对水声信号产生过程造成的影响是十分重要和显著的，这类因素包含目标重量、机械设备、螺旋桨、船体结构、运动速度等。与类别无关的因素包括水声通道、环境噪声、距离等。与类别无关的因素导致的差异可视为同类目标类内差异或不同工况的差异。在数据充分的情况下，其特征的分布特性可通过模式分析的方法得到。不同类别的目标样本存在差异是水中目标分类或识别任务的基础。一般情况下，不同类目标的差异性是可以保证的。对目标辐射特性方面的研究反映了不同类目标的差异性，可为提取声学特征提供一定的理论指导。从声音产生的机制上来看，目标辐射噪声被认为主要由机械噪声、螺旋桨噪声和水动力噪声等组成。不同类目标辐射噪声信号的差别至少可在以下几个方面有所体现。
　　（1）不同的船载机械设备（发动机、汽油柴油机、电机等）、推进设备（转轴、减速器）以及其他辅机（空调机、通风机、泵）等机器或机械设备产生的机械噪声不同。
　　（2）螺旋桨参数不同引起的螺旋桨辐射特性不同。螺旋桨辐射噪声分为空化噪声、螺旋桨叶片振动时产生的“唱音”等。空化噪声、螺旋桨叶片振动等都是受到螺旋桨激励产生的，不同类目标螺旋桨参数不同，激励产生的辐射噪声具有明显差异。不同目标空化噪声水平不同，会产生不同的连续谱趋势。
　　（3）由船体结构等不同引起的水动力噪声不同。水动力噪声是由于在流体动力学效应下，不规则或起伏的海水作用于运动目标所发出的噪声。海水激励会引发舰船船体结构、空腔、板和其他结构共振产生噪声。显然，不同船体结构、空腔、板和其他结构共振峰出现在频率轴上的位置不同，由此引起的水动力噪声也会出现显著差异。
　　从声信号处理角度上看，上述噪声可分为连续谱和线谱分量。这两种成分产生的机理不同，其中舰船噪声的宽带连续噪声谱分量主要由空化噪声和机械噪声两部分组成，水下目标和水上目标在空化噪声的构成上具有显著差异，连续谱的高频衰减趋势也会因此出现差别。产生线谱的噪声源有三类：往复运动的机械噪声、螺旋桨叶片共振线谱和叶片速率线谱、水动力引起的共振线谱。螺旋桨噪声是由螺旋桨旋转产生空化造成的，一般出现在舰艇噪声宽带连续谱的高频段。
　　螺旋桨噪声的功率谱在高频以一定的斜率下降，根据目标特点不同，这个斜率一般是10～3dB/倍频程。在较为纯净的实验室测量时，功率谱在低频段一般有正斜率，上升段的终点在100～1000Hz范围内。宽带谱中低频段主要的噪声是机械噪声，若机械噪声较为突出，上升段可能不存在。舰船辐射噪声中的线谱分量主要集中在1000Hz及以下的低频段。以此为依据，在水声目标特征提取时，对于较为纯净的目标信号，最高分析频率通常不超过4kHz。
　　传统目标线谱特性的研究在噪声产生机理上更深入一些。主要方法是对目标辐射噪声的低频分析与记录（low frequency analysis and recording，LOFAR）谱和噪声包络信号识别（detection of envelope modulation on noise，DEMON）谱[2]进行分析。某商船的LOFAR谱和DEMON谱如图1-1所示。
　　从LOFAR谱中可分析目标的孤立线谱和在低频段的螺旋桨轴、叶频线谱。而DEMON谱可以更精细地分辨出目标螺旋桨轴叶参数。根据信号处理理论，DEMON谱中线谱分量实际上反映了LOFAR谱中的指定分析频段范围内的连续谱或线谱周期性变化的调制特点。因此，LOFAR谱是对目标特性更为全面的表现，DEMON谱则更突出显示了LOFAR谱结构中的调制谱分量。这两种谱会随着目标螺旋桨结构的不同产生显著的差异。
　　综上所述，不同类别的目标采用的物理结构（机械设备、螺旋桨、船体结构等）不同，从声音产生的机理来看，螺旋桨结构的不同会导致螺旋桨叶片共振线谱和叶片速率线谱在频谱上出现的频率位置不同，螺旋桨噪声的特点也会出现差异，由于机械结构的不同，目标辐射噪声的部分线谱分量存在的位置也会有差异。船体结构的不同会导致水动力噪声的共振峰出现位置不同。因此，不同目标产生的声音在其噪声组成的各个方面都会体现出差异。这些差异可通过LOFAR谱或DEMON谱体现出来，是对目标通过声学特征进行分类识别的基础。本书介绍的常见特征虽然并没有对这些目标特性进行直接分析，但是其特征提取的信息源来自能够反映这些特性的LOFAR谱或功率谱。从本质上看，不同类目标的差异在不同特征域都有所表现，这是利用模式识别方法区分不同目标并进行目标识别的基础。
　　基于现代信号与信息处理理论的统计模式识别方法的基本原理是：具有相似性的样本在模式空间中互相接近，即“物以类聚”，不同模式的样本必定存在某些信息上的差异性，这种差异性可以根据已有样本进行统计而获得，通常用距离函数来度量。对于未知的某个样本，最先计算得到其特征向量，然后根据统计模式之间的距离函数来进行判别分类。
　　基于这类方法的被动水中目标识别系统通常由以下几个部分组成：数据获取、信号预处理、特征提取、特征选择、分类决策（学习与分类）。具体如图1-2所示。
　　其中，数据获取是指将声源辐射的声信号接收并存储，一般通过各种传感器（传声器、水听器等）来完成；信号预处理根据信号的特性有所差别，对于语音信号，包括信号增强、分帧、加窗、预加重等；对于其他声信号，主要是通过信号降噪达到提高信噪比的目的（经过一定通道传输的信号难以避免地包含噪声信号）；特征提取和特征选择是从接收信号中提取声源的各类特征并进行优化选择的过程，是分类辨识中最为关键的一步；分类决策是在对信号类别及其特征按照一定的算法进行学习/训练后，对任意给定信号的类别进行判决，这属于数据挖掘领域，已有多种算法（如K-近邻法、人工神经网络法、SVM算法）可用。
　　1.2.2　信号预处理
　　为了给特征提取等技术环节提供更高品质的信号，信号预处理一般需要完成：干扰抑制、频率提升、分帧、幅值规整等。其中，一个主要任务是降低噪声，提高信噪比。已出现的方法非常多，最典型的包括滤波、小波分析、独立分量分析、经验模态分解、倒谱域分析等。
　　1.滤波
　　滤波是最常用也是最基本的信号去噪方法，应用最多的包括维纳滤波、卡尔曼滤波、自适应滤波等。
　　维纳滤波采用最小均方误差（minimum mean-square error，MMSE）准则设计一个数字滤波器（维纳滤波器），带噪信号通过此滤波器便得到信号的估计。从带噪幅度谱中减去经过维纳滤波器后的噪声分量幅度谱，然后加上带噪声频谱的相位，再经过傅里叶逆变换就得到增强的

目录
丛书序
自序
第1章 水中目标分类识别技术基础 1
1.1 水中目标分类识别及其应用需求 1
1.2 水中目标分类识别技术原理 2
1.2.1 基本原理 2
1.2.2 信号预处理 5
1.2.3 特征提取 8
1.2.4 特征选择与融合 10
1.2.5 分类决策 12
1.3 水中目标分类识别技术研究现状及存在的瓶颈问题 15
1.3.1 研究现状 15
1.3.2 存在的瓶颈问题 17
参考文献 20
第2章 深度学习理论及其在水中目标分类识别中的适用性 23
2.1 深度学习概述 23
2.1.1 深度学习及其发展 23
2.1.2 重要概念 24
2.2 典型深度学习算法 32
2.2.1 全连接深度神经网络 33
2.2.2 卷积神经网络 35
2.2.3 循环神经网络 40
2.3 基于深度学习特征的水中目标分类识别 44
2.3.1 深度学习特征提取方法 44
2.3.2 自编码器 45
2.3.3 受限玻尔兹曼机 49
2.3.4 实验研究 51
2.4 基于深度学习的多域特征融合方法 54
2.4.1 多域特征融合 54
2.4.2 多域特征提取方法 56
2.4.3 基于自编码器的多域特征融合 65
参考文献 67
第3章 基于卷积神经网络的水中目标分类识别 69
3.1 适用于水中目标识别的卷积神经网络 69
3.2 卷积核的正则化 70
3.3 实验结果及分析 72
3.4 卷积神经网络模型的参数选择 76
3.4.1 卷积核尺寸参数优选 76
3.4.2 卷积核深度参数优选 79
3.4.3 学习率参数优选 82
3.4.4 池化方式优选 84
3.5 改进的CNN分类识别方法 85
3.5.1 梯度优化 85
3.5.2 输入信号的前处理 87
参考文献 91
第4章 基于循环神经网络的水中目标分类识别 92
4.1 几种改进RNN的性能对比 92
4.2 不同工况条件下的模型性能分析 95
4.2.1 直行-转弯工况模型鲁棒性检验 95
4.2.2 不同航行圈次工况模型鲁棒性检验 98
4.3 噪声失配对模型性能的影响 101
4.4 多尺度稀疏SRU模型 104
4.4.1 简单循环单元 104
4.4.2 多尺度稀疏SRU分类模型 104
4.4.3 实验结果及分析 106
参考文献 110
第5章 基于深度生成对抗网络的水中目标识别 112
5.1 生成对抗网络基本原理 112
5.2 基于生成对抗网络的水中目标识别 114
5.2.1 基于生成对抗网络的水中目标识别模型 114
5.2.2 基于实测水声数据的实验验证 116
5.2.3 GAN模型输出特征可视化分析 117
5.3 深度全连接生成对抗网络在水声目标识别中的应用 121
5.4 基于深度卷积生成对抗网络的水声目标识别 123
5.5 模型参数优选 125
5.5.1 DFGAN模型参数优选 125
5.5.2 DCGAN模型参数优选 126
5.6 数据集对模型识别性能的影响 127
5.6.1 有标签样本数量对模型性能的影响 128
5.6.2 噪声失配对模型性能的影响 129
参考文献 131
第6章 深度半监督和无监督水中目标分类识别 132
6.1 水声目标无监督与有监督学习的关系 132
6.2 传统聚类算法 134
6.2.1 k-means算法 134
6.2.2 GMM 135
6.2.3 层次聚类算法 138
6.2.4 自组织映射聚类算法 138
6.2.5 模糊聚类算法 138
6.3 DP-GMM聚类方法 139
6.4 水声数据聚类实验及分析 142
6.4.1 评价指标 142
6.4.2 参数设置 143
6.4.3 实验结果及分析 144
6.5 无监督聚类中的概率分布失配问题 145
6.6 深度生成式聚类模型及其学习方法 148
6.6.1 GBGG-DBM网络概率模型 149
6.6.2 联合优化算法 152
6.6.3 实验结果及分析 153
参考文献 157
第7章 水中目标识别技术发展趋势 158
7.1 水中目标识别技术总体发展趋势 158
7.1.1 功能需求和技术指标发展趋势 158
7.1.2 软硬件设计发展趋势 159
7.1.3 关键技术发展趋势 160
7.2 深度学习应用于水中目标识别尚需解决的问题和解决思路 160
7.2.1 尚需解决的问题 160
7.2.2 解决思路 161
参考文献 163
索引 164
彩图