多目标击水声特征关联方法

摘要

多目标击水声特征关联方法，解决了分布式定位系统不同观测节点间同一目标的击水声信号难以正确关联的问题，属于水下定位领域。本发明包括：确定观测区域内观测节点个数N和击水目标个数M；将N个观测节点接收到的所有目标信号进行经验模态分解，得到各阶IMF，进行频谱分析，获得目标信号的线谱特征，同时，提取目标信号中的各击水声瞬态信号的特征，利用目标信号的线谱特征和各击水声瞬态信号的特征形成M×N组目标特征序列；利用模糊C均值聚类方法对M×N组目标特征序列进行聚类，确定聚类中心和隶属度矩阵，由隶属度矩阵得到每组目标特征序列隶属于每个击水目标的概率，根据概率确定各组目标特征序列的关联结果。

权利要求

1.多目标击水声特征关联方法，其特征在于，所述方法包括：

S1、确定观测区域内观测节点个数N和击水目标个数M；

S2、将N个观测节点接收到的所有目标信号进行经验模态分解，得到各阶固有模态函数IMF，进行频谱分析，获得目标信号的线谱特征，同时，提取目标信号中的各击水声瞬态信号的特征，利用目标信号的线谱特征和各击水声瞬态信号的特征形成M×N组目标特征序列；

S3、利用模糊C均值聚类方法对M×N组目标特征序列进行聚类，确定聚类中心和隶属度矩阵，由隶属度矩阵得到每组目标特征序列隶属于每个击水目标的概率，根据概率确定各组目标特征序列的关联结果。

2.根据权利要求1所述的多目标击水声特征关联方法，其特征在于，所述S3包括：S31、对M×N组目标特征序列中的特征xi(j)进行标准化处理，标准化处理后的特征为Xi(j)，R＝M×N,xi(j)为M×N组目标特征序列中的一个特征，一组目标特征序列中的特征个数为K，i＝1,2,...,R,j＝1,2,...,K；

S32、指定聚类中心数目为M，随机初始化聚类中心C，优化目标函数：T

其中，J(·)表示目标函数，A＝[aki]M×R为隶属度矩阵，聚类中心为C＝[c1,c2,...,cM] ，Xi(j)与聚类中心间的距离为D＝[dki]M×R，m为模糊因子；

S33、利用迭代算法，求取目标函数，得到聚类中心ci及隶属度矩阵A，由隶属度矩阵A得到每组目标特征序列隶属于每个击水目标的概率，根据概率确定各组目标特征序列的关联结果。

3.根据权利要求2所述的多目标击水声特征关联方法，其特征在于，S31中，标准化处理后的特征Xi(j)为：其中

并将标准化后的特征序列中的0值及无穷值置1。

4.根据权利要求3所述的多目标击水声特征关联方法，其特征在于，S33中，利用拉格朗日乘数法得到aki和ck：利用得到的aki和ck不断迭代得到聚类中心及隶属度矩阵，第l次及第l+1次的隶属度矩l l+1 l+1 l阵分别为A和A ，若A ‑A＜ε，则停止迭代，给定判别精度ε＞0。

5.根据权利要求4所述的多目标击水声特征关联方法，其特征在于，目标信号的线谱特征包括目标信号的线谱个数、线谱频率、线谱归一化幅值特征；

各击水声瞬态信号的特征包括包络特征、冲击声、气泡脉动声及拖尾部分的时域归一化幅值、脉宽、线谱频率及线谱归一化幅值特征；

S31中，对时域归一化幅值及线谱归一化幅值不采用标准化处理；

S32中，对时域归一化幅值及线谱归一化幅值采用余弦相似度替代欧氏距离进行处理。

6.根据权利要求1所述的多目标击水声特征关联方法，其特征在于，S2中，对目标信号的前4阶固有模态函数IMF进行频谱分析，获得目标信号的线谱特征。

7.一种计算机可读的存储设备，所述存储设备存储有计算机程序，其特征在于，所述计算机程序被执行时实现如权利要求1至6任一所述多目标击水声特征关联方法。

8.一种多目标击水声特征关联装置，包括存储设备、处理器以及存储在所述存储设备中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序实现如权利要求1至6任一所述多目标击水声特征关联方法。

说明书

多目标击水声特征关联方法

技术领域

[0001] 本发明涉及一种多目标击水声特征关联方法，属于水下定位领域。

背景技术

[0002] 在非合作定位的过程中，为了对单落点位置进行估计，可以通过三个或三个以上的观测节点获得的目标的定位参数在几何上形成的定位曲面或平面在三维空间内相交从而得到单目标的落点位置。但是当存在多个目标密集、不等间隔入水时，由于水声信道的复杂性、入水声信号距某些观测节点过远等原因，往往会导致观测节点出现信号漏检、虚警、接收信号时序错乱等现象的发生，此类现象会大大提高分布式观测节点对同一目标入水声信号的关联难度，从而给目标定位解算带来麻烦。因此在对多目标落点位置进行估计之前，需要优先解决同一目标入水声信号在不同节点处的关联问题。

发明内容

[0003] 针对分布式定位系统不同观测节点间同一目标的击水声信号难以正确关联的问题，本发明提供一种多目标击水声特征关联方法。

[0004] 本发明的一种多目标击水声特征关联方法，包括：

[0005] S1、确定观测区域内观测节点个数N和击水目标个数M；

[0006] S2、将N个观测节点接收到的所有目标信号进行经验模态分解，得到各阶固有模态函数IMF，进行频谱分析，获得目标信号的线谱特征，同时，提取目标信号中的各击水声瞬态信号的特征，利用目标信号的线谱特征和各击水声瞬态信号的特征形成M×N组目标特征序列；

[0007] S3、利用模糊C均值聚类方法对M×N组目标特征序列进行聚类，确定聚类中心和隶属度矩阵，由隶属度矩阵得到每组目标特征序列隶属于每个击水目标的概率，根据概率确定各组目标特征序列的关联结果。

[0008] 作为优选，S3包括：

[0009] S31、对M×N组目标特征序列中的特征xi(j)进行标准化处理，标准化处理后的特征为Xi(j)，R＝M×N,xi(j)为M×N组目标特征序列中的一个特征，一组目标特征序列中的特征个数为K，i＝1,2,…,R,j＝1,2,…,K；

[0010] S32、指定聚类中心数目为M，随机初始化聚类中心C，优化目标函数：

[0011]

[0012] 其中，J(·)表示目标函数，A＝[aki]M×R为隶属度矩阵，聚类中心为C＝[c1,c2,…,TcM]，Xi(j)与聚类中心间的距离为D＝[dki]M×R，m为模糊因子；

[0013] S33、利用迭代算法，求取目标函数，得到聚类中心ci及隶属度矩阵A，由隶属度矩阵A得到每组目标特征序列隶属于每个击水目标的概率，根据概率确定各组目标特征序列的关联结果。

[0014] 作为优选，S31中，标准化处理后的特征Xi(j)为：

[0015]

[0016] 其中

[0017] 并将标准化后的特征序列中的0值及无穷值置1。

[0018] 作为优选，S33中，利用拉格朗日乘数法得到aki和ck：

[0019]

[0020]

[0021] 利用得到的aki和ck不断迭代得到聚类中心及隶属度矩阵，第l次及第l+1次的隶属l l+1 l+1 l度矩阵分别为A和A ，若||A ‑A||＜ε，则停止迭代，给定判别精度ε＞0。

[0022] 作为优选，目标信号的线谱特征包括目标信号的线谱个数、线谱频率、线谱归一化幅值特征；

[0023] 各击水声瞬态信号的特征包括包络特征、冲击声、气泡脉动声及拖尾部分的时域归一化幅值、脉宽、线谱频率及线谱归一化幅值特征；

[0024] S31中，对时域归一化幅值及线谱归一化幅值不采用标准化处理；

[0025] S32中，对时域归一化幅值及线谱归一化幅值采用余弦相似度替代欧氏距离进行处理。

[0026] 作为优选，S2中，对目标信号的前4阶固有模态函数IMF进行频谱分析，获得目标信号的线谱特征。

[0027] 本发明的有益效果，本发明通过经验模态分解将检测到的瞬态信号分解为固有模态函数IMF，并提取各阶IMF的频谱和阶数等特征，然后利用模糊C均值聚类关联方法实现多击水声信号的关联，为后续的分布式定位提供必要条件。仿真结果证明了本发明的可行性和有效性。

附图说明

[0028] 图1为本发明的流程图；

[0029] 图2为问题模型；

[0030] 图3为模糊C均值聚类关联流程图；

[0031] 图4为观测节点与目标入水位置坐标图；

[0032] 图5为各观测节点背景噪声；

[0033] 图6为各观测节点接收到的时域信号；

[0034] 图7为P1接收到Q1入水声信号的EMD分解结果，(a)为IMF时域信号，(b)为IMF对应的频域信号；

[0035] 图8为P2接收到Q1入水声信号的EMD分解结果，(a)为IMF时域信号，(b)为IMF对应的频域信号；

[0036] 图9为P3接收到Q1入水声信号的EMD分解结果，(a)为IMF时域信号，(b)为IMF对应的频域信号；

[0037] 图10为P1接收到Q3入水声信号的EMD分解结果，(a)为IMF时域信号，(b)为IMF对应的频域信号；

[0038] 图11为目标特征参数个数与关联正确率；

[0039] 图12为观测节点个数与关联正确率。

具体实施方式

[0040] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0041] 需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

[0042] 下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。

[0043] 本实施方式的多目标击水声特征关联方法包括：

[0044] 步骤1、构建问题模型，确定观测区域内观测节点个数N和击水目标个数M；

[0045] 如图2建立直角坐标系，在观测区域内存在N个观测节点，N个观测节点的坐标分别为Pn(xPn,yPn),n＝1,2,…,N，在测量时间段内存在M个不同目标入水，M个目标的入水点坐标分别为Qm(xQm,yQm),m＝1,2,…,M。通过N个观测节点对这M个目标进行观测，每个观测节点将会得到有关M个目标的O组测量数据(由于可能存在虚警或漏报，O不一定等于M)，但这O组测量结果与M个目标的一一对应关系未知，且由于目标先后入水，各个目标到达各观测节点的时延不同。在这样的条件下，需要将目前现有的测量数据与这M个目标进行关联。

[0046] 步骤2、目标击水声信号特征分析与提取：

[0047] 目标击水声信号由冲击声脉冲信号、气泡脉动声信号和他们之间的寂静区组成。此过程可表示为

[0048]

[0049] 式(1)中au、λu、fu、τu和 分别表示信号中第u个正弦曲线的幅度、衰减系数、频率、时延和相位。

[0050] 为提取目标入水瞬态信号的特征信息，本实施方式利用希尔伯特黄变换中的经验模态分解((Empirical Mode Decomposition,EMD))方法，对观测节点接收到的每一组目标信号进行EMD分解，将目标信号分解为一系列的固有模态函数(Intrinsic Mode Function,IMF)，进行频谱分析，获得目标信号的线谱特征，同时，为充分利用击水声瞬态信号的特征，提取目标信号中的各击水声瞬态信号的特征，利用目标信号的线谱特征和各击水声瞬态信号的特征形成M×N组目标特征序列，为后续利用模糊C均值聚类法分析任意两个目标报文之间的相似度提供特征信息；

[0051] 假设一共有N个水声观测节点，同一时间段内每个观测节点接收到M个目标入水瞬态信号，那么数据融合中心的目标参数将有MN条，令R＝MN，假设每条目标信息包括K项目标特征，则击水声信号目标特征序列矩阵可表示为

[0052]

[0053] 式(2)中xi(i＝1,2…R)表示一条报文信息，称为一组特征向量，xi(j)(i＝1,2,…,R,j＝1,2,…,K)表示第i个报文的第j个特征。

[0054] 步骤3、利用模糊C均值聚类关联方法实现多目标击水声的批次划分：

[0055] 模糊C均值聚类算法是基于目标函数的聚类算法中最经典的算法，主要思想是使各数据点与聚类中心的欧式距离最小及利用模糊隶属度加权得到的加权和最小，利用迭代方法不断修正聚类中心和隶属度矩阵从而实现多目标击水声的批次划分。

[0056] 本实施方式利用模糊C均值聚类方法对M×N组目标特征序列进行聚类，确定聚类中心和隶属度矩阵，由隶属度矩阵得到每组目标特征序列隶属于每个击水目标的概率，根据概率确定各组目标特征序列的关联结果。

[0057] 在EMD分解中曲线拟合方法采用三次样条插值法，分量终止条件为固定迭代次数的停止准则，当迭代次数大于5000时筛选停止，分解终止条件为信号残差能量比，当比值大于20时分解停止。经观察发现目标有效信息主要包含在前4阶IMF中，因此优选实施例中，本实施方式的步骤2对目标信号的前4阶IMF进行频谱分析，获得目标信号的线谱特征。

[0058] 本实施方式中目标信号的线谱特征包括目标信号的线谱个数、线谱频率、线谱归一化幅值特征；

[0059] 本实施方式中各击水声瞬态信号的特征包括包络特征、冲击声、气泡脉动声及拖尾部分的时域归一化幅值、脉宽、线谱频率及线谱归一化幅值特征；为充分利用击水声瞬态信号的特征，本实施方式对接收信号中的各击水声瞬态信号的包络进行估计并提取其包络特征，并提取各击水声信号的冲击声、气泡脉动声及拖尾部分的时域归一化幅值、脉宽、线谱频率及线谱归一化幅值等特征形成目标报文。

[0060] 在本实施方式中目标特征序列矩阵中的特征分别为目标信号的第1到4阶的IMF的线谱个数、线谱频率、线谱归一化幅值，各击水声信号包络特征，各击水声信号的冲击声、气泡脉动声及拖尾部分的时域归一化幅值、脉宽、线谱频率及线谱归一化幅值。

[0061] 优选实施例中，本实施方式的步骤3包括：

[0062] 步骤31、对M×N组目标特征序列中的特征xi(j)进行标准化处理，标准化处理后的特征为Xi(j)，R＝M×N，Xi(j)为M×N组目标特征序列中的一个特征，一组目标特征序列中的特征个数为K，i＝1,2,…,R,j＝1,2,…,K；

[0063] 由于击水声信号目标特征序列矩阵中各项因素的物理意义及单位并不相同，不具有可比性，为了真实反映各项数据对结果的影响程度，需要对数据进行去量纲化处理，即对利用EMD分解得到的不同击水声信号的特征进行标准化处理。常用的处理方法有初值化法、均值化法、平移标准差变换法等。本实施方式采用平移标准差变换法对特征矩阵进行去量纲化处理。

[0064] 标准化处理后的特征Xi(j)为：

[0065]

[0066] 其中

[0067] 经过以上公式转换后，各特征项的均值为0，标准差为1。当击水声信号目标特征序列矩阵中存在某一列完全相同即提取到的目标这一特征数值相同，按照上述标准化方法会出现标准化后的特征序列值趋于无穷或为0，不利于后续利用模糊C均值对击水声信号进行批次划分，因此，在本实施方式中将标准化后的特征序列矩阵中的0值及无穷值置1。此外，由于两组信号时域及线谱归一化幅值的相似性主要与幅值间的相对关系有关，而与具体数值无关，而标准化过程会破坏信号幅值的几何关系相似性，因此对特征序列中的各时域及线谱归一化幅值特征不采用标准化处理。

[0068] 步骤32、模糊C均值聚类算法需要指定聚类中心数目即击水目标个数M并随机初始化聚类中心C，然后优化目标函数即使各特征序列与聚类中心的欧式距离最小且利用模糊隶属度加权得到的加权和最小，此外，模糊C均值聚类还需约束某一个聚类中心的特征序列的隶属度和为1，优化目标函数为：

[0069]

[0070] 其中，J(·)表示目标函数，A＝[aki]M×R为隶属度矩阵，聚类中心为C＝[c1,c2,…,TcM] ，Xi(j)与聚类中心间的距离为D＝[dki]M×R，R为数据融合中心的接收信号条数，m为模糊因子，一般取2；

[0071] 步骤33、利用迭代算法，求取目标函数，得到聚类中心ci及隶属度矩阵A，由隶属度矩阵A得到每组目标特征序列隶属于每个击水目标的概率，根据概率确定各组目标特征序列的关联结果。

[0072] 为使目标函数最小，利用拉格朗日乘数法,得到式(5)和式(6)，即为迭代公式：

[0073]

[0074]

[0075] 由于信号的幅值特性主要与幅值间的相对关系有关，因此本实施方式对特征序列中的各时域及线谱归一化幅值特征采用余弦相似度替代欧氏距离进行处理，从而更好地衡量两信号间的几何相似性，其余特征采用欧氏距离处理。

[0076] 利用式(5)和式(6)得到的aki和ck不断迭代得到聚类中心及隶属度矩阵，第l次及l l+1 l+1 l第l+1次的隶属度矩阵分别为A和A ，若||A ‑A||＜ε，则停止迭代，给定判别精度ε＞0。
得到最终的聚类中心及隶属度矩阵。由隶属度矩阵A＝[aki]M×R可得到每组特征序列隶属于每个目标的概率，隶属度最大值对应的目标即为这一组特征序列所属击水声信号相对应的目标，由此可得到击水声信号的批次划分结果。

[0077] 仿真分析:

[0078] (1)击水声信号特征分析与提取仿真

[0079] 仿真条件：假设分布式测量系统由P1、P2、P3三个观测节点组成，P1、P2、P3呈直角分布，P1与P2，P2与P3均相距2000m，以P2为坐标原点建立二维坐标系，则P1的坐标为(0，2000)，P2的坐标为(0，0)，P3的坐标为(2000，0)，单位：米。如图4所示。假设在测量时间段内共有三组目标入水，编号分别为Q1、Q2和Q3，Q1入水坐标为(0，1200)，Q2入水坐标为(1850，0)，Q3入水坐标为(500，200)，目标入水时间间隔为0.5s，取声速c＝1500m/s，则三组入水声信号到达P1、P2、P3三个观测节点的时延如表1所示。

[0080] 表1各观测节点接收目标信号时延表

[0081]

[0082] 从表1不难看出三组入水声信号到达各观测节点的时序是不同的，P1接收到的目标信号顺序为Q1、Q3、Q2，P2接收到的目标信号顺序为Q1、Q3、Q2，P3接收到的目标信号顺序为Q2、Q1、Q3。另外，由于水声信道十分复杂以及入水声信号距观测节点过远等原因，也可能导致观测节点不能测到全部的入水声信号，考虑到以上因素这里我们假设P1只能接收到Q1、Q3两组入水声信号。由于分布式测量系统中各观测节点位于不同的观测平台上，故设P1、P2、P3的背景噪声是不同，三观测节点的噪声功率谱分布图如图5所示。套用第二节信号模型，三组目标入水声信号的具体参数如下。

[0083] 观测时间T＝2.5s，采样率Fs＝2050Hz。

[0084] (1)Q1目标参数为U＝3，a1＝140，a2＝70，a3＝120，τ1＝0.2705，τ2＝0.3025，τ3＝0.3205，f1＝70Hz，f2＝145Hz，f3＝180Hz，λ1＝λ2＝λ3＝10，

[0085] (2)Q2目标参数为U＝2，a1＝50，a2＝65，τ1＝0.9325，τ2＝0.9550，f1＝30Hz，f2＝55Hz，λ1＝λ2＝6，

[0086] (3)Q3目标参数为U＝2，a1＝110，a2＝150，τ1＝1.6525，τ2＝1.6750，f1＝80Hz，f2＝105Hz，λ1＝λ2＝8.5，

[0087] 将各组目标的时域信号与随机噪声和观测节点背景噪声叠加即为观测节点接收到的时域信号，如图6所示。

[0088] 在图6中，虚线矩形框内的信号对应Q1入水声信号，黑色矩形框内的信号对应Q2入水声信号，灰色矩形框内的信号对应Q3入水声信号，观测节点接收到的各入水声信号的幅值以及持续时间与物体入水时的击水强度、入水姿势、入水点与观测节点的距离等因素有关。从图6中可直观的看出分布式测量系统测得的入水声信号不仅时序混乱还有漏检的情况存在。

[0089] 为提取各组入水声信号的特征信息，本实施方式利用EMD将各组信号分解成一系列的IMF，对各阶IMF做频谱分析，由于有效特征信息主要分布于前几阶IMF中，故本实施方式主要研究前4阶IMF，目标信号的EMD分解结果如图7、图8、图9、图10所示。

[0090] (2)基于模糊C均值的击水声信号关联方法仿真

[0091] 通过经验模态分解方法分析P1、P2、P3三个观测节点接收到的所有目标信号，提取每组目标信号的各阶IMF主要线谱个数、线谱频率、线谱归一化幅值，各击水声信号包络特征，冲击声、气泡脉动声及拖尾部分的时域归一化幅值、脉宽、线谱频率及线谱归一化幅值等特征值形成特征信息进而形成击水声信号目标特征序列矩阵。随后，设置判别精度ε＝1e‑5，模糊因子m＝2，随机初始化聚类中心，利用模糊C均值聚类方法进行迭代计算，得到隶属度矩阵如下表所示。

[0092] 表2隶属度

[0093]

[0094] 由表2可知P12和P22关于聚簇3的隶属度较低，但关于聚簇1的隶属度均大于0.9。可以证明，对观测节点接收到的报文信息与匹配正确目标的隶属度较大，对匹配不正确目标的隶属度则较小。由表2可知聚簇1的报文编号分别是P12、P22、P33，聚簇2的报文编号分别是P11、P21、P32，聚簇3的报文编号分别是P23、P31，与图6中的批次划分情况一致，因此这一划分结果符合预先设定的场景。

[0095] (3)性能分析

[0096] 在上述仿真条件的基础上，考虑增加特征参数个数对模糊C均值聚类关联方法进行计算，增加的特征参数包括更高阶IMF中的主要线谱个数、线谱频率、线谱归一化幅值，击水声信号的冲击声、气泡脉动声及拖尾部分的时域归一化幅值、脉宽、线谱频率及线谱归一化幅值等。利用不同目标特征项个数进行100次蒙特卡洛实验，得出多目标落点批次划分的正确率如图11所示。

[0097] 从图11可知，目标的特征参数个数对目标关联正确率有较大影响，若只利用一个参数进行多目标关联，计算得到的目标关联正确率很低，随着可利用的特征参数的个数的增加，关联算法的正确率也越来越高，当特征参数个数到达5及5以上时，算法的多目标关联正确率几乎不变。这说明在实际应用中为了提高多目标关联的正确率应尽量多的选取合适的目标特征个数。

[0098] 仍然在以上仿真的基础上，采用控制变量法，目标特征参数个数保持不变，考虑观测节点个数不同时对模糊C均值聚类关联结果带来的影响。假设测量区域面积一定，观测节点均匀分布在测量区域的四周，利用不同观测节点个数进行100次蒙特卡洛实验，得出多目标落点批次划分结果的正确率如图12所示。

[0099] 从图12可知，测量节点个数对模糊C均值方法的影响较小，在观测节点数量不同的情况下模糊C均值均能达到较好的关联效果。

[0100] 本实施方式提出了基于经验模态分解的多目标数据关联方法，结果表明，本实施方式方法可有效解决同一目标入水声信号在不同节点处的关联问题，此外，目标的特征参数个数与观测节点个数对关联结果均有影响，因此应选取足够的目标的特征参数个数与观测节点个数。

[0101] 实验室仿真验证了本实施方式方法的有效性，结果证明基于经验模态分解的多目标数据关联方法有助于实现空投目标的正确定位。

[0102] 虽然在本实施方式中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本实施方式中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其他所述实施例中。