一种水声目标检测盲源分离方法
阅读说明：本技术 一种水声目标检测盲源分离方法 (Underwater sound target detection blind source separation method ) 是由 王耀宾 司纪锋 徐小亮 刘伟涛 于 2021-08-18 设计创作，主要内容包括：本发明涉及水声信号的处理方法,具体是一种水声目标检测盲源分离识别方法。一种水声目标检测盲源分离方法,包括：(1)从原始信号中提取多路独立分量信号；(2)对提取的独立分量信号进行模式识别,提取出表征共模干扰的独立分量信号；(3)从原始信号中抵消掉共模干扰信号,获得盲源分离后的目标水声信号。本发明通过目标检测盲源分离识别方法,可以有效分离和识别共模干扰信号,从而达到消除干扰信号的目的,具有很强的实用性。(The invention relates to a processing method of an underwater sound signal, in particular to a blind source separation and identification method for underwater sound target detection. An underwater acoustic target detection blind source separation method comprises the following steps: (1) extracting a plurality of independent component signals from an original signal; (2) performing mode identification on the extracted independent component signal, and extracting an independent component signal representing common-mode interference; (3) and canceling the common-mode interference signal from the original signal to obtain a target underwater sound signal after blind source separation. The invention can effectively separate and identify the common-mode interference signal through the target detection blind source separation and identification method, thereby achieving the purpose of eliminating the interference signal and having strong practicability.)
技术领域
本发明涉及水声信号的处理方法，具体是一种水声目标检测盲源分离识别方法。
背景技术
多通道水声信号采集过程中往往会产生的干扰信号，主要来源于水听器阵前放电路，模拟信号传输介质，以及信号调理电路等。共模干扰是电子、电气产品上重要的干扰之一，其产生原因，包括供电系统的阻抗耦合及静电、电磁感应耦合效应，信号源地之间的电位差所引起的电流等。
消除共模干扰最主要是从硬件上解决问题，对于无法从硬件上彻底消除或者处理已含有共模干扰的采样数据时，采用信号处理的方法，抵消干扰修复数据，是一种很好的选择。
共模干扰信号对A/D采样信号形成的一种干扰，因为其对声纳探测的影响，表现为在方位历程图上的正横方位形成一个伪目标，故又可称之为正横向干扰或同相干扰。共模干扰可以通过阵列信号处理中平面波模型和波束形成理论予以解释：由于共模干扰对水听器阵各个阵元的A/D采样而言是同时触发的，因此各阵元采集到的干扰信号之间没有时延差，也即可将共模干扰视为一个位于正横方位的伪目标，其辐射信号到达各阵元没有时延差。
图1为水听器阵列信号的采集示意图，S1，S2为假定的2路水下目标信号，2路目标信号与换能器阵具有一定的角度，通过波束形成算法可以识别和定位。阵列的共模干扰信号，表现为正向方向的伪目标S0信号。对于A/D采样来说，各通道采集到的是目标信号和共模干扰信号的混合信号，由于没有多少可以利用的先验信息，同时共模干扰信号的频段具有不确定性，频谱与目标信号存在重合，因此无法采用滤波的方式予以去除。
发明内容
为了解决现有技术中无法将共模干扰信号去除的技术问题，本发明提供了一种水声目标检测盲源分离识别方法。
本发明解决其技术问题采用的技术方案是：一种水声目标检测盲源分离方法，包括：
(1)从原始信号中提取多路独立分量信号；
(2)对提取的独立分量信号进行模式识别，提取出最能表征共模干扰的独立分量信号；
(3)从原始信号中抵消掉共模干扰分量，获得盲源分离后的目标水声信号。
作为本发明的一种优选方式，所述步骤(1)中，采用FastlCA算法从原始信号中分离出N路分量信号。
进一步优选地，所述步骤(2)中，具体包括：
将分离出的N路分量信号，分别与原始N路信号进行相关运算，获得每一路分量信号与对应的原始信号的相关值；
计算N个相关值的均值和方差Sj，作为识别特征；
选择满足第一参考区间且Sj满足第二参考区间S＝[sl,sh]的1～2路分量信号作为表征共模干扰的分量信号。
进一步优选地，所述第一参考区间第二参考区间S＝[0,0.01]。
进一步优选地，所述步骤(3)中，从原始信号中，采用归一化处理，依据能量大小抵消掉共模干扰分量。
本发明基于独立分量(ICA)理论，在无法从硬件上消除共模干扰或者在处理已含有干扰信号的数据时，通过目标检测盲源分离识别方法，可以有效分离和识别共模干扰信号，从而达到消除干扰信号的目的，具有很强的实用性。
附图说明
图1为阵列信号采集示意图；
图2为本发明实施例中水声目标检测盲源分离方法的流程图；
图3为阵列原频信号；
图4为采用FastICA算法分离出的独立分量；
图5为采用本发明的方法处理前、后信号频域特征；
图6为采用本发明方法处理前、后时间方位历程图。
具体实施方式
为了便于理解本发明，下面结合附图和具体实施例，对本发明进行更详细的说明。附图中给出了本发明的较佳的实施例。但是，本发明可以以许多不同的形式来实现，并不限于本说明书所描述的实施例。相反地，提供这些实施例的目的是使对本发明公开内容的理解更加透彻全面。
本发明提供的一种水声目标检测盲源分离识别方法，具体实施流程如图2所示，本实例中，硬件设备为16路阵元，将水听器阵列采集到的水声原频信号，作为分离识别的数据处理对象，如图3所示，仅列出其中前8路信号和局部放大信号，计作Ai＝Orginal(Chi)。
采用FastICA盲源分离算法，具体处理步骤如下：
1.盲源分离
(1)对输入混合信号X进行白化处理，包括去均值和去相关性处理。白化后的混合信号则与X的关系可描述为： 为混合信号样本协方差矩阵。
(2)对进行线性变换，使其线性变换结果Y各行统计独立且非高斯性最大，并将Y作为源信号S的估计；以Y的负熵为基础，构建目标函数使用寻优算法对该线性变换W进行求解。
(3)由Kuhn.Tucker条件，目标函数F(w)为：
使用Newton法求解目标函数的最优解，对w进行迭代求解。假设求出的第t个独立分量为则wt的第n次迭代结果wt,n+1可表示为：
wt,n+1＝z/||z||2 (3)。
本实施例中，使用FastICA分离出16路独立分量，这16路分量信号共同表征了目标信号和同向干扰信号。图4为FastICA分离出的部分独立分量。
(2)模式识别
除有效的分离外，如何从这些独立信号中识别出最能表征共模干扰信号，是另一个关键。由于FastICA的不确定性，为模式识别提出了新的要求，要求分类器对信号多样性具有更好的适应能力。具体来说，影响独立分量模式识别的主要是尺度不确定，排列顺序不确定性等。
本发明主要通过理论分析和归纳总结，使用信号的相关运算，判别出最能表征共模干扰信号的独立分量。由于表征共模信号，那么与其他独立分量相比，共模信号与所有原始采样信号通道的相关性最具关联，最为平稳。
模式识别的具体步骤为：
(1)将FastICA分离出的16路分量，分别与原始16路信号进行相关运算，设Ai＝Orginal(Chi)为原始信号的第i路采集信号，Dj＝Signal_ICA(j)为ICA分离出的第j路信号，通过相关运算Cij＝corrcoef(Ai,Dj)，Cij为第i路原始信号与第j路分量信号的相关值，相关运算如表1所示。
表1相关运算列表
Corrcoef
A<sub>1</sub>
A<sub>2</sub>
……
A<sub>n-1</sub>
A<sub>n</sub>
D<sub>1</sub>
C<sub>11</sub>
C<sub>12</sub>
……
C<sub>1(n-1)</sub>
C<sub>1n</sub>
D<sub>2</sub>
C<sub>21</sub>
C<sub>22</sub>
……
C<sub>2(n-1)</sub>
C<sub>2n</sub>
……
……
……
……
……
……
D<sub>n-1</sub>
C<sub>(n-1)1</sub>
C<sub>(n-1)2</sub>
……
C<sub>(n-1)(n-1)</sub>
C<sub>(n-1)n</sub>
D<sub>n</sub>
C<sub>n1</sub>
C<sub>n2</sub>
……
C<sub>n(n-1)</sub>
C<sub>nn</sub>
本实施例计算出的部分相关值如表2所示。
表2信号相关系数
Corrcoef
A<sub>1</sub>
A<sub>2</sub>
A<sub>3</sub>
A<sub>4</sub>
A<sub>5</sub>
D<sub>6</sub>
0.029
0.0166
-0.0253
-0.0320
-0.0187
D<sub>7</sub>
-0.0058
-0.0381
-0.0223
-0.0106
0.0032
D<sub>8</sub>
-0.0116
0.0229
0.0224
-0.0160
-0.0136
D<sub>13</sub>
-0.0878
-0.0886
-0.0713
-0.1050
-0.1053
D<sub>15</sub>
0.9923
0.7012
-0.9708
-0.8233
-0.2306
由于FastICA分量符号的不确定性，通过计算ICA_Sig13与原始信号相关系数为负值。在识别环节取绝对量比较。只根据相关系数判别共模信号分量，具有极大的不确定性和不充分性，因此计算出平均相关系数和方差Sj参数，综合考虑。
(2)计算j路分量信号对应的相关运算结果绝对量的均值和方差Sj，将均值和方差作为识别特征：
本实施例中，计算得出部分分量信号对应的相关运算结果绝对量的均值和方差Sj如表3所示。
表3特征量计算
(3)设定均值和方差有效参考区间S＝[sl,sh]。
由于硬件环境不同，干扰程度不同，取值不完全相同。一般情况，非同向干扰信号目标信号Sj>0.1，因此，本发明实施例硬件测试环境中，设定S＝[0,0.01]。共模干扰信号基本由1路或多路分量信号共同表征，结合水声阵列信号共模干扰实际情况，识别出1到2路分量信号作为表征共模干扰的分量信号。
本实施例中，对表3中的识别特征进行判断分析，识别一路满足条件的分量信号：D13＝Signal_ICA(13)，将该路分量信号作为最能表征共模干扰的分量信号。
(4)从原始信号中，采用归一化处理，依据能量大小逐一抵消掉识别出的共模干扰分量D13＝Signal_ICA(13)。
如图5所示，本实施例列出了4路信号进行说明，从时域上可以看到，抵消前各通道存在周期性干扰信号，各通道的干扰信号为同一时刻出现。频域上看到，抵消前干扰信号的频谱分布较宽。抵消后时域上明显消除了周期性干扰信号，频域上消除了一些频率分量。
图6为更为直观的MVDR方位历程图，可以看到抵消前0度正方向有很强的伪目标同向干扰信号，10度方向为真实目标信号，目标信号为信号源发射的2.5秒间隔1.5秒的周期性信号。抵消后保留了目标信号，消除了正向伪目标信号。说明本发明的方法在共模干扰信号去除方面具有非常好的效果。