基于振动噪声识别的船舶分类方法与流程

本发明涉及船舶类型识别技术领域，尤其涉及一种基于振动噪声识别的船舶分类方法。

背景技术：

船舶振动噪声特征识别是水声信号处理中十分前沿的课题之一。当船舶驶过，声呐通过对船舶振动噪声信号的处理、识别，可以实现对船舶的感知、分类、跟踪和定位，对保障船舶航行安全、海上交通管理、国防安全等具有重要意义。船舶辐射噪声产生机制复杂，并且受到复杂海洋环境的影响，因此具有非平稳和非线性的特性。传统的信号处理方法如时域波形特征提取、频域谱分析以及时间-频率域上小波变换等方法在处理此类问题时具有局限性，不能很好地提取船舶辐射噪声信号的特征，进而无法对船舶进行准确地识别与分类。

近年来，国内外学者就基于声学特征的船舶分类方法进行大量研究并取得一定成果，其中基于希尔伯特-黄变换的方法在处理此类问题中凸显出了优势。参考文献[1](wangshuguang,zengxiangyang.robustunderwaternoisetargetsclassificationusingauditoryinspiredtime–frequencyanalysis[j].appliedacoustics,78:68-76.)中提出了一种结合bark小波分析和hilbert-huang变换的时频分析方法对船舶进行分类；参考文献[2](陈哲,李亚安.基于多尺度排列熵的舰船辐射噪声复杂度特征提取研究[j].振动与冲击,2019,38(12):225-230.)在集合经验模态分解的基础上，提出了一种基于多尺度排列熵的舰船辐射噪声复杂度特征提取方法，识别率显著高于其他舰船辐射噪声特征提取算法。这些方法的提出证明了希尔伯特-黄变换及其改进方法用于船舶噪声特征提取及分类的可行性，但是这些方法都是基于单一特征进行分类，没有综合考虑能量、频率和噪声幅值等信息。

技术实现要素：

本发明的目的在于克服上述技术的不足，而提供一种基于振动噪声识别的船舶分类方法。

本发明为实现上述目的，采用以下技术方案：一种基于振动噪声识别的船舶分类方法，其特征在于，包括如下步骤：

步骤1、船舶振动噪声采集，并将其转化为时域信号；

步骤2、将船舶振动信号进行改进的集合经验模态分解；

步骤3、模态分解后的信号进行希尔伯特-黄变换；

步骤4、船舶辐射噪声的希尔伯特谱分析；

步骤5、船舶噪声特征提取；

步骤6、利用基于支持向量机的船舶分类器对船舶噪声特征进行分类；

步骤7、船舶分类结果准确性验证，若正确，结束船舶分类；若不正确，则进入船舶分类器重新分类。

优选地，在步骤1中，利用声呐、水听器设备从水下获取船舶振动噪声。

优选地，在步骤2中，通过计算排列熵(permutationentropy，pe)的方法来剔除信号中的虚假分量，筛选出主要固有模态函数(instrinsicmodefunction,imf)分量，进而抑制模态混叠现象。

优选地，在步骤3中，利用希尔伯特-黄变换求解每一阶imf的瞬时频率，从而得到信号的振幅-时间-频率表示，即希尔伯特谱，通过计算希尔伯特谱对整个周期的积分得到希尔伯特边际谱。

优选地，在步骤4中，各类船舶辐射噪声经meemd分解为一系列数量、振荡周期各不相同的imf分量，求取各imf分量的归一化能量以及与原始噪声信号之间的相关系数。

优选地，所述的相关系数表征的是imf分量与原始噪声信号的相似程度，相关系数较大的imf分量与原始噪声信号相似程度高，也应带有更多能量，选择相关系数最高的imf分量作为船舶噪声特征分量，称为最强imf分量，采用最强imf分量能量、最强imf平均幅值、最强imf平均瞬时频率以及最强imf中心频率4种特征参数。

优选地，将提取的4种特征参数转换为特征矢量并输入到svm中，进行船舶分类识别，将svm分类结果与实际值进行比对。若分类正确，则结束船舶分类；否则，将信号输入到svm中重新分类。

本发明的有益效果是:本发明实现了一种基于多特征噪声分量的船舶分类方法，在技术上弥补了当前方法中依靠单一特征进行分类的不足，有利于提升识别准确率。基于振动噪声识别的船舶分类方法，能够实现水下识别、隐蔽探测，在不影响水面交通的同时提供了一种有效的船舶识别、分类与监管手段，在海上交通管理、船舶航行安全与国防安全等领域具有广泛的应用前景。

附图说明

图1为本发明一种基于振动噪声识别的船舶分类方法流程图；

图2为本发明船舶辐射噪声时域图；

图3为本发明船舶辐射噪声的meemd分解结果；

图4为本发明船舶辐射噪声的希尔伯特-黄谱；

图5为本发明船舶辐射噪声的希尔伯特边际谱。

图6为本发明船舶辐射噪声的归一化能量与相关系数对比图。

具体实施方式

图1为本发明一种基于振动噪声识别的船舶分类方法，如图1所示，本实施例的方法可以包括：

步骤1、船舶振动噪声采集，并将其转化为时域信号；

步骤2、将船舶振动信号进行改进的集合经验模态分解；

步骤3、模态分解后的信号进行希尔伯特-黄变换；

步骤4、船舶辐射噪声的希尔伯特谱分析；

步骤5、船舶噪声特征提取；

步骤6、利用基于支持向量机的船舶分类器对船舶噪声特征进行分类；

步骤7、船舶分类结果准确性验证，若正确，结束船舶分类；若不正确，则进入船舶分类器重新分类。

进一步地，所述的船舶振动噪声采集，包括：利用声呐、水听器等设备从水下获取船舶振动噪声，并转化为时域信号，船舶振动噪声的时域信号图如图2所示。

进一步地，所述的将船舶振动信号进行改进的集合经验模态分解，包括：通过计算排列熵的方法来剔除信号中的虚假分量，筛选出主要固有模态函数imf分量，进而抑制模态混叠现象。meemd算法具体步骤包括：

(1)在原始信号x(t)中，分别添加均值为零的白噪声信号ni(t)和-ni(t)，得到：

其中白噪声幅值ai为原始信号标准差的0.1到0.2倍。

(2)分别对和进行emd分解，将得到的和取集成平均值得到：

其中n为待分析信号x(t)的采样点个数。

(3)计算imf′1(t)的排列熵值θ，若θ大于预设排列熵值θ0，则认为是异常信号。预设排列熵值需要根据研究的信号，经过多次实验得到，θ0取值为0.6。

(4)重复(2)～(3)的过程直到imf′p(t)不是异常信号。

将分解出的前p-1个虚假分量从原始信号中剔除，对剩余信号r(t)进行分解得到：

其中cj(t)和r(t)分别为imf分量与余项,m是采用emd方法分解得到的imf个数。通过meemd方法，将原始数据序列分解为m个imf分量及余项之和，余项代表数据的平均趋势，meemd分解结果如图3所示。

进一步地，所述的模态分解后的信号进行希尔伯特-黄变换，包括：利用希尔伯特变换求解每一阶imf的瞬时频率，从而得到信号的振幅-时间-频率表示，即希尔伯特谱；通过计算希尔伯特谱对整个周期的积分得到希尔伯特边际谱。

具体步骤包括：

将分解得到的各imf分量进行希尔伯特变换得到：

由希尔伯特变换定义可知和cj(τ)为复共轭对，其解析信号为：

根据解析信号计算瞬时幅值aj(t)与瞬时频率fj(t)为：

其中是瞬时相位。瞬时频率将信号中随时间变化的频率提取出来，与傅里叶变换和小波变换等具有固定基函数的信号处理方式相比，具有自适应信号分析的优势。经过计算获得信号的希尔伯特谱，表示为:

希尔伯特谱是瞬时振幅在频率-时间平面上的分布，具有良好的时频聚集性。

在时域内对h(ω,t)进行积分，得到边际谱：

式中t为周期。边际谱描述了信号在整个时频内，同一频率幅值或能量叠加值在频域的分布情况。图4-5分别为希尔伯特-谱与希尔伯特边际谱。

进一步地，所述的船舶辐射噪声的希尔伯特谱分析，包括：各类船舶辐射噪声经meemd分解为一系列数量、振荡周期各不相同的imf分量。求取各imf分量的归一化能量以及与原始噪声信号之间的相关系数，如图6所示。

进一步地，所述的船舶噪声特征提取，包括：相关系数较大的imf分量与原始噪声信号相似程度高，也应带有更多能量。选择相关系数最高的imf分量作为船舶噪声特征分量，称为最强imf分量。采用最强imf分量能量、最强imf平均幅值、最强imf平均瞬时频率以及最强imf中心频率4种特征参数。进一步地，设最强imf分量包含有n个采样点，经希尔伯特变换后，第n个采样点瞬时幅值为an，瞬时频率为fn，则该点的瞬时能量则最强imf分量qmax定义为：

最强imf平均幅值amean定义为：

最强imf平均瞬时频率fmean定义为：

最强imf中心频率为：

进一步地，所述的基于支持向量机的船舶分类器，包括：将提取的4种船舶辐射噪声特征，即qmax、amean、fmean、转换为特征矢量并输入到svm中，进行船舶分类识别。

进一步地，所述的分类结果验证，包括：将svm分类结果与实际值进行比对。若分类正确，则结束船舶分类；否则，将信号输入到svm中重新分类。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。