基于短时处理和经验模态分解的地面战场目标被动声识别

孙国强， 樊新海， 张传清

(装甲兵工程学院 机械工程系， 北京 100072)

基于短时处理和经验模态分解的地面战场目标被动声识别

孙国强， 樊新海， 张传清

(装甲兵工程学院 机械工程系， 北京 100072)

针对地面战场目标的被动声识别问题， 选取具有代表性的两类坦克、 两类履带式装甲车以及卡车作为被动声识别目标对象， 以雷声和枪声作为干扰噪声信号， 对所采集的声信号进行短时能量分析， 得到声信号的短时能量谱， 计算短时能量平均值， 利用阈值法筛选识别枪声信号， 根据经验设置阈值范围； 而后， 利用经验模态分解(The Empirical Mode Decompo-sition, EMD)方法处理声信号， 使其自适应分解得到若干IMF分量， 计算IMF分量与原信号能量的比值作为特征值构建特征向量， 并利用BP神经网络设计分类器， 建立了一种地面目标分级识别方法. 研究结果表明： 该方法对目标工况适应性强， 识别率可达90%以上.

短时能量； 经验模态分解(EMD)； 目标识别； 神经网络； 分级识别

Abstract: In order to identify the ground battlefield target through passive acoustic recognition, selected representative objectives include two kinds of tanks, two kinds of crawler armored vehicle, and truck as the noise acquisition; selected thunder and gunshot as interference noise signal, used short-time energy analysis method to process acoustic signals in order to obtain the short-time energy spectrum of acoustic signal, took the average of the short-time energy, used the threshold method to identify the gunshot signal, set threshold range according to the experience. Used EMD method to decompose the acoustic signal which could obtain several IMF components. The energy ratio of the IMF component to the original signal were used as the eigenvalue to construct the eigenvector. Used BP neural network to design the classifier to establish a method of ground target grading recognition. Research indicates that the method is adaptable to the target condition and classification rate can reach more than 90%.

Keywords: short-term energy; EMD; target classification; neural network; hierarchical classification

现代战争中对战场透明度的要求越来越高， 战场信息的获取对战场决策起到关键性影响. 地面战场目标识别系统在获取战场信息方面具有高效、 全天候侦察目标、 受环境影响小、 战场生存率高等优点. 依据用来提取特征的对象种类， 地面战场目标识别方法包括： 基于图像特征的识别技术、 基于地面震波的识别技术[1]、 基于磁信号特征的识别技术、 基于雷达特征的识别技术[2,3]以及基于声信号特征的识别技术等[4]. 其中， 基于声信号特征的被动声识别技术具有受天气影响小， 适应地形地貌能力强， 隐蔽性好， 可组成多传感器预警网络等优点[5]， 同时可以完成对机场、 桥梁、 弹药库及油库等重要战略设施的无人值守. 本文针对军用地面侦察机器人对坦克、 履带式装甲车等地面战斗目标进行被动声识别的要求， 利用短时处理和经验模态分解(The Empirical Mode Decompo-sition, EMD)方法提取特征向量， 结合阈值和BP神经网络对目标进行分级识别.

1 噪声信号的获取

地面战场被动声目标识别对象主要包括坦克、 装甲车、 卡车以及短时冲击声目标如枪声等. 本实验选取两种型号的坦克、 两种型号的履带式装甲车、 卡车以及易对识别造成干扰的枪声， 并选取了以雷声为代表的自然噪声作为干扰项. 其中， 坦克及装甲车辆运动状况复杂， 以其不同转速、 不同运动状态所产生的噪声作为数据采集对象. 坦克和履带式装甲车等车辆履带所发出的噪声频带范围较宽， 除此外， 一般车辆噪声频率均小于4 kHz[6]， 因此设置采样频率8 kHz， 采样点数32 768， 数据长度4.096 s， 对采集到的样本进行去均值处理. 样本数量如表 1 所示.

表 1 样本数量统计

图 1 噪声信号时域波形及短时能量Fig.1 Time domain waveform and short-time energy

2 特征提取

2.1 基于短时处理的特征提取

2.2 基于EMD的特征提取

经验模态分解(The Empirical Mode Decompo-sition， EMD)方法[7]具有自适应性， 适用于分析非线性和非稳态过程[8,9]. 从4.096 s的样本中选取长度为3 s的相对平稳的数据进行EMD分解[6]， 每次分解所得到的一组IMF (本文所列IMF包含分解得到的余项) 的个数见表 2. 为减少边界效应对IMF能量计算造成的干扰， 舍弃第i个IMF的边缘数据[5,6,10]， 选取其中间1 s的数据进行计算得到能量ei，特征值ki=ei/e原信号. 选取每组IMF计算得到的前 16个特征值构成一个特征向量， 数量不足的补0. 特征值ki的取值范围见表 2. 图 3 为ki的示意图. 图 3 中i为特征向量中特征值的序号.

表 2 信号EMD分解结果统计

图 2 特征值ki示意图Fig.2 Schematic diagram of eigenvalue ki

3 分类器设计

3.1 分级识别策略

实战条件下， 不同目标的应对策略不同， 因此提出分级识别策略， 如图 3 所示. 利用BP神经网络实现分级识别时， 一种目标对应一个输出向量， 如Ⅰ型坦克o1=[1,0,0,0,0,0]T、 Ⅱ型坦克o2=[0,1,0,0,0,0]T， 在小类识别时， 若将Ⅰ型坦克信号输出为o2， 则为错误， 但是在大类识别中， 其结果依然是坦克， 则正确. 因此， 分级识别策略可以有效提升正确率， 为战场正确决策提供必要信息.

图 3 分级识别策略Fig.3 Hierarchical identification strategy

3.2 枪声信号识别

3.3 BP神经网络设计

利用MATLAB R2014a设计神经网络， 使用有动量加自适应lr的梯度下降法， 训练精度0.01， 输入节点16， 隐含层36， 输出层6. 训练样本和测试样本数量相同， 无交集. 表 3 所列为神经网络大类识别结果， 表4所列为小类识别结果.

表 3 大类识别正确率

表 4 小类识别正确率

4 结 论

1) 基于短时处理和EMD的地面战场目标被动声识别方法， 对于类型多、 工况复杂的地面装甲车辆识别具有较强的适应性， 通过添加样本的种类和数量， 可以进一步提升识别效果和应用价值；

2) 地面战场目标识别过程中， 利用声信号时域短时能量特征可以有效区分以枪声信号为代表的短时冲击信号， 减少短时冲击声信号对地面装甲车辆识别的干扰；

3) 对地面车辆目标进行识别时， 本文所用方法对待识别目标的工况具有适应性， 能够对目标进行有效识别； 针对雷声对识别过程产生的干扰， 可以结合相应地区的天气状况进行辅助判断.

[1] Du K, Fang X, Zhang W P, et al. Fractal dimension based on morphological covering for ground target classification[J]. Shock and Vibration. 2016： 1-5.

[2] Feng X, Liang W, Liu C, et al. Application of Freeman decomposition to full polarimetric GPR for improving subsurface target classification[J]. Signal Processing. 2016： 1-9.

[3] Molchanov P O, Astola J T, Egiazarian K O, et al. C-lassification of ground moving targets using biceps-trum-based features extracted from Micro-Doppler radar signatures[J]. EURASIP Journal on Advances in Signal Processing.2013(1)： 1-13.

[4] 李开明, 张群, 罗迎, 等. 地面车辆目标识别研究综述[J]. 电子学报， 2014(3)： 538-546. Li Kaiming, Zhang Qun, Luo Ying, et al. Review of ground vehicles recognition[J]. Acta Electronica Sinica, 2014(3)： 538-546. (in Chinese)

[5] 吕艳新. 被动声目标识别理论研究[D]. 南京： 南京理工大学, 2011.

[6] 樊新海， 孙国强， 张传清. 基于噪声信号EMD的装甲车辆识别研究[J]. 装甲兵工程学院学报， 2017(7)： 80-83. Fan Xinhai, Sun Guoqiang, Zhang Chuanqing. Multi-band-pass filter design based on sectional combination complex modulated gaussian function[J]. Journal of Academy of Armored Force Engineering, 2017(7)： 80-83. (in Chinese)

[7] Norden E H, Zheng Shen, Steven R L, et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[C]. In： Proceedings： Mathematical, Physical and Engineering Sciences. London： Royal Society, 1998. 903-95.

[8] 吕艳新, 孙书学, 顾晓辉. 基于EMD和能量比的战场声目标分类与识别[J]. 振动与冲击， 2008(11)： 51-55. Lü Yanxin, Sun Shuxue, Gu Xiaohui. Battlefield acoustic target classification and recognition based on EMD and power ration[J]. Journal of Vibration and Shock, 2008(11)： 51-55. (in Chinese)

[9] 赵天青, 梁旭斌, 许学忠, 等. EMD在目标声信号特征提取中的应用研究[J]. 南京大学学报(自然科学版). 2015(增刊)： 102-106. Zhao Tianqing, Liang Xubin, Xu Xuezhong, et al. A feature extraction algorithm of acoustic target based on empirical mode decomposition[J]. Journal of Nanjing University (Natural Sciences), 2015(S1)： 102-106. (in Chinese)

[10] 徐晓刚, 徐冠雷, 王孝通, 等. 经验模式分解(EMD)及其应用[J]. 电子学报, 2009(3)： 581-585. Xu Xiaogang, Xu Guanlei, Wang Xiaotong, et al. Empirical mode decomposition and its application[J]. Ata Electronic Sinica, 2009(3)： 581-585. (in Chinese)

GroundBattlefieldTargetPassiveAcousticClassificationBasedonShort-TermAnalysisandEMD

SUN Guoqiang, FAN Xinhai, ZHANG Chuanqing

(Dept. of Mechanical Engineering, Academy of Armored Forces Engineering， Beijing 100072， China)

1671-7449(2017)05-0434-04

TN911.72

A

10.3969/j.issn.1671-7449.2017.05.011

2017-02-19

武器装备军内科研资助项目(2015ZB21)

孙国强(1992-)， 男， 硕士生， 主要从事地面目标被动声识别研究.