基于Daubechies小波和证据理论的声目标识别
孙德刚1, 2
(1. 吉林大学 电子科学与工程学院，吉林 长春，130012；
2. 深圳职业技术学院 电子与信息工程学院，广东 深圳，518055)
摘 要：
摘 要：根据战场环境复杂多变的特点，提出采用小波变换对目标声信号进行特征转换，用基于Daubechies小波和证据理论(即D-S证据理论)对基于多传感器的声目标进行融合识别。其步骤为：首先，针对Fourier分析在处理目标非平稳随机信号方面的不足，运用Daubechies小波变换对信号进行处理，即将256个数据为一组的采样信号在Daubechies小波第三尺度上进行变换处理，在保留信号的峰峰值位置、个数等原始特征的前提下，数据处理量由256个减少到32个，从而减少了后续数据的处理量和处理难度；其次，对经过Daubechies小波变换的数据采用FOBW编码进行特征提取，并建立常见声目标的特征信息库；最后，分析并研究数据融合在声目标探测识别中的应用。研究结果表明：与单一传感器识别和多传感器融合识别效果相比，采用D-S证据理论的声目标识别，系统的识别率提高，系统的误判率降低，达到甚至超过了预定的技术指标。
关键词: 小波变换；数据融合；声目标；模式识别
中图分类号：TP391.4 文献标志码：A 文章编号：1672-7207(2010)04-1491-06
Acoustic targets fusion identification based on Daubechies wavelet transform and D-S evidential theory
Sun De-gang1, 2
(1. College of Electronic Science & Engineering, Jilin University, Changchun 130012, China;
2. School of Electronics and Information Engineering, Shenzhen Polytechnic, Shenzhen 518055, China)
Abstract: According to the characteristics of complex battlefield environment, the wavelet transform was used to extract the acoustic target features, and D-S evidential theory was used to recognize the acoustic targets. The procedures were as follows: Firstly, aimed at the shortcoming of Fourier analyses, discrete wavelet transform (DWT) was used for signals processing. Using 256 data as a set of sample signals in the Daubechies wavelet transform processing on the third scale, while retaining the signal peak to peak position, the number of original features such as the premise, data processing capacity from 256 down to 32 to reduce the amount of follow up data processing and handling difficulties. Secondly, Daubechies wavelet transform was used to extract the acoustic target features of FOBW codes. The database of acoustic targets features was built. The target detecting and recognizing techniques were studied based on data fusion. Related theory and key techniques of D-S evidential theory were studied. Lastly, D-S evidential theory was used to recognize the targets. By comparing the simulation results of targets identification based on separate data and fusion data respectively, the advantages of this algorithm were testified. The results show that compared with the single sensor recognition and multi sensor recognition, the discrimination rate of system is improved, and the discrimination error reate is reduced using the D-S evidential theory.
Key words: wavelet transform; data fusion; acoustic target; pattern recognition
随着现代战争作战形态和技术的不断更新，目前，智能雷弹得到较快发展。其中，采用复合声被动探测识别体制的智能雷弹因其具有隐蔽性、低成本、低功耗、不易被干扰等优点而受到广泛重视，其关键技术即目标的特征提取与识别一直是人们研究的重点和难点，国内外对此进行了大量的研究工作，如：栗苹 等[1]根据随机信号理论、模式识别和人工神经网络技术，设计了一种以相关函数和数学期望为基本特征的声目标识别系统，将其应用到坦克的信号识别中，取得了较好的效果；曾庆军等[2]研究了声纳目标识别中线谱特征提取方法，运用自适应遗传BP(Back propagation)算法训练神经网络目标分类器；陈杨等[3-4]研究了直升机飞行的噪声和它的频域特征，用AR(Auto-regressive)模型参数谱估计算法估计了直升机的声线谱，用二次近似法提取了直升机的声线谱特征，构成特征矩阵，并进行了目标的融合识别；王炎等[5]利用神经网络和模糊技术构成一个模式分类器，用于成像飞机图像识别；李霆等[6]在战场目标噪声自回归参数统计特征分析的基础上，以战场4种车辆噪声为背景，在自回归谱上提取了12个单项特征，并借助直方图和模糊识别论域分布图对它们的识别效果进行分析；吉小军等[7-8]则采用基于模糊综合评判的最大隶属原则分类器实现对战场声目标的自动识别。以上这些研究均存在一些不足，因为他们普遍基于Fourier分析对信号进行处理，而Fourier分析是纯频域分析，适用于确定性的、平稳的信号，因而采用Fourier分析不太合适。在特征提取方面，前人设计了较多的提取方法，但这些方法只在信噪比较高的情况下进行目标识别才能取得良好效果。而引信工作环境恶劣，有时候不一定能够得到很好的信号，此外，适用于引信特殊环境的目标识别软硬件设计的可靠性、实时性、电磁兼容、功耗等工程化问题目前存在许多不足。本文作者针对目前声目标识别技术的不足，提出采用小波变换对声信号进行特征提取，运用基于Daubechies小波和证据理论即D-S证据理论对信号的FOBW (Frequency of occurrence of binary word, 即二元码字出现频率法)编码进行融合识别。
1 基于小波变换的特征提取
小波分析是近几年来迅速发展起来的信号分析工具，它基于频率域和时间域，将信号分解到不同的频带内，通过研究这些不同频带内的“小波谱”来研究信号的性质及特点，因此，特别适用于战场突变、非平稳信号的分析和处理。通过将FFT与小波变换算法进行比较可以发现：小波变换的运算复杂度要比傅里叶变换简单，这样能够提高系统的运算速度[9]。可见：在声目标特征提取中，采用小波变换具有明显的优势。本文采用Daubechies小波作为信号处理的工具，这样，既能充分反映信号的本质特征，又能加快处理速度，以达到快速识别的目的[10]。由于所测试信号在Daubechies小波变换前2个尺度上的能量损失低于30%，因此，采用四阶Daubechies小波在第三尺度上对信号进行变换处理。下面分别列出坦克、直升机、车辆和人员信号的Daubechies小波特征提取实例，如图1所示。实验中每种信号选取其中任意连续的256个采样点，然后进行小波变换。图1(a)所示为未经处理的原始输入信号波形，图1(b)所示为相应信号经归一化预处理后在小波变换第三尺度上的近似信号 波形。
在图1中，图(a1)，(a2)，(a3)和(a4)分别为从声传感阵列中采集到的坦克、直升机、军用卡车和武装人员这4种信号中随机截取的一段原始数据；图(b1)，(b2)，(b3)和(b4)是上述4种原始数据在四阶Daubechies小波第三尺度上的变换处理结果。从图1可以看出：这几种信号的Daubechies小波变换第三尺度上的近似信号基本上保持了原始信号的特征，如峰值个数、位置等信息，各输入信号对应的第三尺度上的FOBW编码特征各不相同。此外，Daubechies小波变换将数据量由256个减少到32个，减少了特征数据的维数，所以，对此尺度上的信号进行特征提取可以实现用较短的数据长度反映原始信号的特征。
2 基于D-S证据理论的声目标融合算法
数据融合是20世纪80年代形成和发展起来的一种自动化信息综合处理技术，由于其在提高系统的容错性、健壮性以及重组能力方面存在很大优势，因 此，在军事、自动控制、人工智能等领域得到了广泛研究[11-13]。
2.1 基本概率
声目标融合识别算法的首要任务是确定对象基本概率。在本文中，根据目标类型数和环境加权系数确定基本概率。定义[14]：
(1)
；Ns≥2, i=1,…，M (2)
；i=1, …, M (3)
图1 Daubechies小波特征提取实例
Fig.1 Feature extracting examples of discrete wavelet transform
其中：
，i=1, …, M (4)
Ns为对象目标的类型数；M为传感器总数；Ci(oj)为传感器i对目标类型oj的关联系数，要根据具体环境(如传感器对目标识别概率、传感器对目标探测距离、抗干扰能力)来确定；λi为传感器i的环境加权系数，其值为[0,1]；αi为传感器 i的最大相关系数；βi为传感器 i的相关分配值；Ri为传感器 i的可靠性系数。由此可得传感器i对目标oj的基本概率为
(5)
传感器i的不确定性概率为
(6)
2.2 D-S组合规则
设m1和m2是
上2个相互独立的基本概率，其焦元分别为A1,…, Ak和B1, …, Bk。又设
，则
(7)
若
，则m确定一个基本概率；若K=1，则m1和m2矛盾，不能对基本概率进行组合。
2.3 声目标判定准则
用D-S组合规则得到组合的基本概率赋值后，根据得到的m(C)来进行目标判断。主要有3种判断方法：基于基本概率赋值的方法，基于信任函数的方法和基于最小风险的方法。本文采用基于基本概率赋值的方法，设
，且满足
(8)
且
(9)
若
(10)
则A1为判定结果。其中：
和
为预先设定的门限[15]。
3 系统仿真
为了检验小波变换和D-S证据理论用于多传感器的声目标融合识别的效果，设计了一个基于2个传感器的数据采集、处理系统。
首先对传感器采集来的信号进行放大、滤波、A/D转换、去均值与归一化等预处理，然后，进行小波变换。将变换后得到的数据进行FOBW编码，对编码进行融合识别，最后按照预先给定的阈值和判定规则对目标进行识别。
表1所示为目标融合识别的仿真实验结果。各类信号均采用实测信号，原始数据长度为256，依旧采用Daubechies小波在第三尺度上对数据进行处理，特征值采用FOBW编码的11，10，01和00，门限和分别取0.1和0.5。
从表1可以看出：通过D-小波对信号进行处理，并采用融合识别，系统对实际目标的概率赋值相对于单传感器的概率有较大提高，并且大大降低了系统的不确定性。
表2所示为单一传感器和多传感器融合识别的比较结果。样本数统一取60个。从表2可以看出：采用单一传感器的数据进行目标识别，其识别率不是很 高，特别是对坦克和武装车辆，其误判率较高；而将2个传感器所采数据进行融合识别，有效地提高了系统的识别率，特别是降低了易混淆目标的误判率，例如坦克和武装车辆的误识率大大降低。采用多传感器融合识别的这些优势将为系统的正确操作提供了有力支持。
表1 目标融合识别结果
Table 1 Targets fusion identification results
表2 单传感器和多传感器融合识别的试验对比
Table 2 Comparison of fusion identification for single sensors and multi sensors
4 结论
(1) 信号通过Daubechies小波进行变换处理，然后采用融合识别，系统相对于单传感器对实际目标的概率有较大提高，并且系统的不确定性也大大降低。
(2) 当2个传感器的判定结果不同时，通过融合识别就能判断出正确目标。即当其中某一个传感器所得信息不确定甚至2个传感器都不确定时，系统仍然有较高的识别率。采用该方法使系统的识别率提高，系统的误判率降低。这充分说明采用小波变换和D-S证据理论能有效地提高声目标的识别能力，增强系统的置信度，降低识别的不确定性，改善检测性能。
参考文献：
[1] 栗苹, 崔占忠, 施聚生. 声目标识别技术及其在坦克目标识别中的应用[J]. 兵工学报, 1996, 17(1): 51-54.
LI Ping, CUI Zhan-zhong, SHI Ju-sheng. Technique of acoustic target identification and its application in tank recognition[J]. Acta Armamentarii, 1996, 17(1): 51-54.
[2] 曾庆军, 王菲, 黄国建, 等. 基于线谱特征提取的被动声纳目标识技术研究[J]. 船舶工程, 2001, 18(3): 50-54.
ZENG Qing-jun, WANG Fei, HUANG Guo-jian, et al. Research on technique of passive sonar target recognition based on line spectrum feature extraction[J]. Ship Engineering, 2001, 18(3): 50-54.
[3] 陈杨, 高勇. 基于信息融合技术的直升机声信号识别[J]. 信息与电子工程, 2009, 7(2): 81-85.
CHEN Yang, GAO Yong. Recognition of helicopter acoustic signal based on information fusion technology[J]. Information and Electronic Engineering, 2009, 7(2): 81-85.
[4] 周忠来, 施聚生, 栗苹. 基于小波变换的直升机声目标识别[J]. 军械工程学院学报, 1998, 10(3): 47-52.
ZHOU Zhong-lai, SHI Ju-sheng, LI Ping. The recognition of acoustic signal from helicopter based on wavelet transform[J]. Journal of Ordnance Engineering College, 1998, 10(3): 47-52.
[5] 王炎, 郑链, 王克勇, 等. 神经网络和模糊系统的融合技术及其在引信中的应用[J]. 探测与控制学报, 2000, 22(4): 13-18.
WANG Yan, ZHENG Lian, WANG Ke-yong, et al. Fusion technique of fuzzy systems and neural networks and their applications in fuzes[J]. Journal of Detection & Control, 2000, 22(4): 13-18.
[6] 李霆, 吉小军, 李世中, 等. 回归谱特征提取与识别效果分析[J]. 探测与控制学报, 1999, 21(4): 11-14.
LI Ting, JI Xiao-jun, LI Shi-zhong, et al. The feature extraction and recognition effect analysis of autoregression spectrum[J]. Journal of Detection & Control, 1999, 21(4): 11-14.
[7] 吉小军, 李世中, 李霆. 基于组合特征的声目标模糊模式识别方法研究[J]. 探测与控制学报, 2000, 22(4): 36-39.
JI Xiao-jun, LI Shi-zhong, LI Ting. A study of the acoustic target fuzzy pattern recognition method based on comprehensive features[J]. Journal of Detection & Control, 2000, 22(4): 36-39.
[8] JI Xiao-jun, LI Ting. Feature vector of AR model parameters and recognition effect analysis[C]//Proceeding of 3rd International Symposium on Test and Measurement. Xi’an, 1999: 333-336.
[9] 彭宇华. 小波变换及工程应用[M]. 北京: 科学技术出版社, 2000: 36-63.
PENG Yu-hua. The wavelet transform and engineering application[M]. Beijing: Science and Technology Press, 2000: 36-63.
[10] 杜恩祥, 李科杰. 基于多重分形和小波变换的声目标信号特征提取[J]. 自动化学报, 2004, 30(5): 742-746.
DU En-xiang, LI Ke-jie. Feature extraction of acoustic signal of target based on multifractal and wavelet theories[J]. Acta Automatica Sinica, 2004, 30(5): 742-746.
[11] Jaime E, Andrew S, Robert W, et al. A Review of data fusion models and architectures: towards engineering guidelines[J]. Neural Computing & Applications, 2005, 14(4): 273-281.
[12] JIN Xiao-ying, Davis C H. An integrated system for automatic road mapping from high-resolution multi-spectral satellite imagery by information fusion[J]. Information Fusion, 2005, 6(4): 257-273.
[13] MIAO Zhen, WANG Bao-shu. Study of multi-sensor joint probabilistic data association in multi-sensor data fusion system[J]. Computer Applications, 2005, 25(1): 49-55.
[14] 邓未央, 王宝树. 多传感器数据融合系统中的目标跟踪技术[J]. 计算机工程与设计, 2004, 25(10): 1661-1663.
DENG Wei-yang, WANG Bao-shu. Targets tracking in multisensor data fusion system[J]. Computer Engineering and Design, 2004, 25(10): 1661-1663.
[15] 万继宏, 刘后铭. 一种高性能目标识别融合算法[J]. 电子科技大学学报, 1995, 24(2): 137-142.
WAN Ji-hong, LIU Hou-ming. A high performance fusion algorithm of target identification[J]. Journal of University of Electronic Science and Technology of China, 1995, 24(2): 137-142.
收稿日期：2009-11-25；修回日期：2010-02-05
基金项目：国家自然科学基金资助项目(10874123)
通信作者：孙德刚(1963-)，男，辽宁锦州人，副教授， 从事数子信号处理、自动控制研究；电话：0755-26731030； E-mail: sundeg@ oa.szpt.net，sundeg@126.com
(编辑 陈灿华)
