本發(fā)明涉及水下目標探測，尤其是涉及一種兩維多特征融合的水下目標快速檢測方法。

背景技術：

為了探測和開發(fā)海洋資源，智能化的水聲裝備研制成為學術界和應用部門的著重關注。在新的水聲軟硬件技術演變形勢下，海軍迫切需要新型目標識別技術作為測控裝備、聲納系統等發(fā)展的技術支撐，進而提高水下目標探測的準確率，為海軍提供高可靠的水下防御和預警裝備。

目前，水下潛艇、艦艇、魚雷、蛙人等會廣泛使用目標探測技術，將探測到的水下目標應用于水下節(jié)點通訊、探測、偵察、滅雷、救生、考古、資源開發(fā)等領域。adriana針對對無約束水下視頻，提出一種單目標檢測算法，自動地確定最佳空間尺度，來獲取最佳目標輪廓。楊杰等人依據角點數、光滑度、主軸角度等8個主要特征，檢測水下單目標。張銘鈞等人在實現水下圖像的模糊增強的基礎上，利用灰度-梯度不變矩，提高單目標檢測的魯棒性和檢測準確率。christian等人運用規(guī)范化的輪廓區(qū)域選擇算法，實現水下單目標探測和識別，減少初始化參數的影響，提高了算法的收斂性。張恒研究一種水下協同目標的檢測方法，利用自適應notch數字濾波器，以及頻率方差加權方法檢測水下目標信號，實現不同目標的定位估計。利用蓋爾圓定理，wu等人提出了一種gde多目標檢測算法，準確估計背景噪聲下的信號源數目。另外，正交子空間類方法、極大似然方法等方法，在相干或非相干多目標源方位估計的基礎上，利用目標所在方位信息，檢測出多目標的數目。

同時，先進水聲信號探測的研發(fā)項目也受國內外重視。2013年，美國海軍圍繞主/被動信號處理、魚雷探測、加密、定位、魚雷防御、電子戰(zhàn)和導航等相關技術，啟動了反潛/反艦聲學信號處理長期研究項目，應用于海洋探測、跟蹤和攻擊敵方艦艇。2015年，美國海軍又進一步計劃近海水下持續(xù)監(jiān)測系統，并將系統部署在近海戰(zhàn)斗艦上。在英國未來戰(zhàn)略部署中，同巴布科克公司合作，為核潛艇設計水下信號發(fā)射器，提供了海上救援的支持。通過學術研究和項目研發(fā)分析可知，水下目標檢測的相關理論、方法和技術正在不斷地朝向自動化推進，也取得一定程度的成果。

然而，當前水下目標檢測方法是在有限的觀測數據條件下來確定信號源數目，在某一個限定的變換域下，水聲信號特征可能被淹沒在海洋中，降低了目標檢測的準確性。并且，傳感器捕獲的水聲信號可能來源于不同的信號源，將復雜的源信號進行特征提取，帶來計算量大的問題，導致檢測效率低。尤其，在復雜動態(tài)的海洋環(huán)境下，水下多傳感器之間存在相互干擾，單一特征的檢測難以充分利用多特征關聯的價值信息。

技術實現要素：

本發(fā)明的目的在于針對現有的復雜海洋環(huán)境下目標信號被淹沒的難題，以及捕獲的多目標信號數據量大，存在相互間干擾，導致的水下目標檢測方法的準確性低、效率低問題，提供一種兩維多特征融合的水下目標快速檢測方法。

本發(fā)明包括以下步驟：

1)橫向多域特征融合；

2)縱向多信源多特征融合；

3)數據級融合；

4)特征級融合；

5)決策級融合。

在步驟1)中，所述橫向多域特征融合的具體方法可為：以chirp信號作為基函數，對傅里葉變換域、分數階傅里葉變換域、小波變換域等變換域下稀疏特征分解，提取不同變換域下的主要信號特征，并采用信息融合技術，將特征進行融合；

在步驟2)中，所述縱向多信源多特征融合的具體方法可為：將多種傳感器捕獲的目標信號多域特征數據，分別從數據級、特征級和決策級進行不同程度的融合，使用有效的數據融合算法對信號源檢測；

在步驟3)中，所述數據級融合的具體方法可為：對分布在艦船同類型物理場下的聲、磁、水壓傳感器，利用方差貢獻率的動態(tài)融合系數，實現優(yōu)選的多域特征數據信息融合，保持盡可能多的艦船物理場數據的細微信息；

在步驟4)中，所述特征級融合的具體方法可為：從各傳感器獲取觀測目標融合的數據信息，將優(yōu)選的特征集進行統一化和標準化處理，實現特征的稀疏壓縮、拼接，利用d-s證據理論，建立目標特征向量融合的推理模型；

在步驟5)中，所述決策級融合的具體方法可為：從載頻、調制方式、脈沖寬度、脈沖重頻等信號特征，對多目標觀測站下，多周期產生多信息源的基本概率賦值(bpa)，利用d-s證據理論，建立決策級融合的目標推理識別模型。

本發(fā)明采用橫向多域特征融合模塊和縱向多信源特征融合模塊，包括：對于每一種水聲信號，進行傅里葉變換域、分數階傅里葉變換域、小波變換域等多域變換，稀疏分解后，提取不同變換域對應的主特征，利用拼接法，實現橫向多域特征融合，獲取到更易于被標注的單目標信號，提高檢測的準確率；然后，對于從不同傳感器捕獲來的復雜多信號源，分別遞進式地進行數據級融合、特征級融合、決策級融合，實現縱向的特征融合，降低多目標檢測算法的計算復雜度。

本發(fā)明的有益效果是：本發(fā)明結合橫向的多域特征融合和縱向的多信號源特征融合，充分挖掘目標信號中隱藏的價值信息，能盡可能地利用信號源的細微變化特征量，克服單目標信號源被淹沒的缺陷，提高目標檢測的準確率。同時，本發(fā)明對大量的信號進行稀疏分解壓縮，減少不必要的計算量，提高檢測效率，能降低水下目標探測裝備的能量消耗。

附圖說明

圖1是本發(fā)明一種兩維多特征融合的水下目標快速檢測方法的整體框架圖；

圖2是本發(fā)明橫向多變換域的特征融合模塊示意圖；

圖3是本發(fā)明縱向多信號源的多級特征融合模塊示意圖；

圖4是本發(fā)明縱向多信號源的數據級融合示意圖；

圖5是本發(fā)明縱向多信號源的特征級融合示意圖；

圖6是本發(fā)明縱向多信號源的決策級融合示意圖。

具體實施方式

1、一種兩維多特征融合的水下目標快速檢測方法

參見圖1～3，本發(fā)明主要集成橫向多域特征融合模塊和縱向多信源特征融合模塊的水下目標檢測方法，海洋或海底的水聲信號傳感器、磁傳感器或其他主要的傳感器，采集監(jiān)測目標的水聲通信信號，通過預處理后，初始化設計dct冗余字典，求解稀疏系數，獲取單信號源稀疏表示，以chirp信號作為基函數，進行壓縮感知的稀疏分解，并進行橫向多域特征融合和縱向多信源特征融合。

為了解決實際中由于水聲信道存在隨機起伏以及目標的散射特性的影響，在不同變換域下，分別對同一種聲信號進行稀疏特征提取，并通過有效的融合途徑獲得能表征多域的特征信號，緩解波形中含有隨機的畸變成分引起的匹配濾波器性能下降的現象，改善后期目標識別的正確率。橫向多域特征融合，以chirp信號作為基函數，研究傅里葉變換域、分數階傅里葉變換、小波變換域等變換域下稀疏特征分解，不同變換域特征提取，并采用主成分分析法的信息融合技術，特征優(yōu)選將特征進行多域融合，作為縱向多信源特征融合的樣本輸入。

針對水下目標探測和識別任務，信息融合技術進一步擴展為“數據-特征-識別”的目標分類處理過程，得到多傳感器與多信源的水下目標融合分類模型，提高水下目標檢測方法?？v向多信源特征融合的事例識別模型結構，按信息抽象的程度被分為三個融合級別：數據級融合、特征級融合、決策級融合。

在正常情況下，在艦船同等量級和同質的物理場下，從分布式的的聲、磁傳感器，采集原始數據進行橫向多域特征融合后，采用主成分分析法、小波分頻帶融合法，降低數據量。

在數據級融合的前提下，艦船聲場信號提取艦船噪聲的功率譜、艦船的基頻、場強變化率、聲壓級、特性譜等特征量，再綜合地分析和處理特征向量，獲得融合的特征向量。利用融合效率高的d-s推理算法，對特征級的信源進行識別，減少主特征數據損失量，提高檢測的精度。

在特征級融合的前提下，結合時頻特征置信度，將單周期、單傳感器主特征值導出的信源，計算多信源的基本概率賦值(bpa)，并作為決策級融合的輸入，并對信號源進行判決，輸出目標檢測結果。

2、橫向多域特征融合

參見圖2，以frft為例，chirp基函數稀疏分解：利用frft變換可以在frfd對信號進行chirp基函數族的稀疏分量提取，并且不改變信號分量sn(t)和剩余分量rⁿx的正交性，期間需要進行frft的正反變換和frfd的濾波，具體步驟如下：

i.尋找max{|f^p(r^n-1x)|²}>d在平面p(a,u)上對應的(an,un)，d為閾值；

ii.構造矩形窗函數計算

iii.計算

iv.更新rⁿx＝r^n-1x-sn(t)，重復上述步驟直到提取出所有稀疏分量。

chirp基的調頻率和初始頻率參數由frft的旋轉角a和u值決定，根據frft的性質可以確定參數的范圍為：

其中，fmax為水中目標信號的最高頻率；t為脈沖持續(xù)時間(數字信號處理中可以用采樣頻率和采樣時間代替)。frft相位函數中定義初始頻率f和頻率μ分別為：

此時，保證了水中目標信號參數的范圍為調頻率μ∈(-∞,+∞)，初始頻率f∈[fmin,fmax]。

frft實際上是在平面p(a,u)內對信號進行分解，確定δa和δu，相當于確定平面p(a,u)的分辨率以及超完備字典集g的原子數，大大減少了計算量。假設原子總數為j×k，超完備字典集g可表示為矩陣形式：

稀疏分解的實質是將平面p(a,u)劃分成j×k個柵格構成超完備字典集g，確定存在信號最大投影的柵格。

取矩陣g中的任意原子1≤j≤j，1≤k≤k。當δu→0時，設則信號rⁿx和的內積可表示為：

式(2)表明frft和稀疏分解完備字典集g之間的關系，frft實際上是信號在一組aj為定值的chirp基函數的投影。因此，在分辨率為(δa,δu)的情況下，利用frft可以得到信號在平面p(a,u)上的投影系數，即信號的能量分布。參數(an,un)可以利用frft對平面p(a,u)進行能量峰值搜索得到，即

其中，argmax(·)表示取對應最大值的參數值。式(3)將對信號最大chirp基分解系數的求解#轉化為對信號在frfd中的最大能量峰值求解，結合能量峰值對應的坐標參數(an,un)和式(1)，可以求得chirp基的特征參數。采用frft函數作為稀疏分解基函數，可以利用frft快速算法進行計算。

位計算信號稀疏分量sn(t)，需要計算兩重積分，在實際應用中為了簡化計算，可以采用δa為步長對a進行取值，將兩重重積分化為一重積分為：

式(4)將參數a作為定值，對u在點un附近進行積分，此時稀疏信號分量sn(t)可表示為一組具有相同調頻率和相近初始頻率的chirp基函數的線性組合。利用frft進行計算，將式(2)代入式(4)可得：

依據式(2)和frft旋轉可加性，式(5)可化為：

其中，為在階數為pn時frfd的矩形窗函數。

式(6)表明，特征參數為(un,pn)的chirp基稀疏分量sn(t)可以對n階剩余信號rⁿx先進行pn階frft，然后在frfd點un處窄帶濾波，最后進行pn階反frft后獲得。

將式(6)代入遞推式得：

式(7)表明，對于剩余分量rⁿx可以在時域利用r^n-1x減去第n個稀疏分量sn(t)求得，或者在pn階frfd，利用函數對r^n-1x的pn階frft濾波后，再進行pn階反frft獲得。

根據式(6)、(7)和frft旋轉可加性，有：

將上述分析過程用于fft、wt和其他各類變換方式，得到fft主特征、wt主特征和其他域主特征，從而將各類特征進行融合，提取出融合后的特征。

3、特征級融合

參見圖4，縱向多信源數據級融合是以橫向多域特征融合為輸入參數，通過多傳感器(圖中傳感器1～傳感器n)采集數據并分別進行特征融合，稀疏分解之后進行信息融合的過程。

參見圖3和5，矩陣g1,g2,…,gt都是q×n的bpa矩陣，通過傳感器觀測值計算得到。傳感器包括聲傳感器(a1～an)和磁傳感器(b1～bn)等，通過不同類型的傳感器采集特征，并進行數據級融合。得到矩陣g1,g2,…,gt之后，將證據進行加權平均，通過d-s組合規(guī)則輸出推理矩陣g，通過分類組合，得到矩陣

q表示劃分的特征數，t指特征數。為矩陣gc的列向量，表示傳感器c對特征t的觀測賦值，即為特征t各劃分的觀測分配權值，其向量和為1。

矩陣m1,m2,…,mt都是q×h的數據信源種類的先驗概率矩陣，通過多個特征數據的匹配庫來計算得到。對m1,m2,…,mt進行分類組合，得到的為矩陣mt的橫向量，表示特征n的劃分q的置信度，同時也是特征n的劃分q的bpa函數，表示已知目標特征的先驗評價權值，其向量和為1。

在具體的實例中，矩陣m1,m2,…,mt可記作信號載頻特征、帶寬特征、調制特征、符號速率特征、脈沖寬度特征的置信度補零矩陣。

為了便于計算，特征劃分數q取最大值，劃分特征不足q，需將剩余劃分特征用0填充。

定義則該推理模型的數學模型為

其中，為特征t的qt劃分的觀測概率，為特征t的qt劃分對應的bpa。將和組合輸出，使用d-s組合規(guī)則判決。f1(q1,q2,…,qt)^∨t表示組內融合后的bpa函數。求解f1(q1,q2,...,qt)的過程即為組內bpa加權平均的過程，求解f2(q1,q2,...qt)的過程即為組間bpa加權平均的過程，r為所有觀測證據和先驗證據融合后通信目標種類的可信度。在得到r后，進行基本概率賦值的決策。求得信任函數后，執(zhí)行信任函數的決策。

4、決策級融合

參見圖3和6，對于特征級獲得的綜合特征信源，需要進一步d-s證據理論的決策級融合，同樣要構造主元素的基本概率。圖3中特征集融合的輸出分為多個決策id，加上其他子系統的決策進行決策融合。不同傳感器測得的觀測值經過預處理之后，得到bel1,pl1...beln,pln的參數矩陣(即bpa矩陣)，根據特征級的綜合目標種類可信度，經過特征級融合的概率值符合基本概率賦值的條件，則d-s證據理論的概率分配為：

m(gj)＝rjj＝1,2,…,n

m(θ)＝0

將同一時刻測得的不同測點的證據進行融合(圖6中d-s組合規(guī)則之后的輸出矩陣bel1,pl1...beln,pln)。依據時頻特征的置信度，計算決策級信源種類的基本概率賦值(bpa)。最后，根據融合后的決策級基本概率賦值(bpa)，對目標進行判決，決策規(guī)則如下：

規(guī)則1，目標具有最大可信度；

規(guī)則2，目標的可信度與其他目標的可信度的差大于某一閾值ε1；

規(guī)則3，不確定性區(qū)間小于某一閾值ε2；

規(guī)則4，目標可信度值大于不確定性區(qū)間長度。

通過結構簡單的推理模型，降低計算復雜度。由推理模型結構可知，將特征級融合的信源特征，作為決策級融合的輸入，計算更精確的基本概率賦值(bpa)。