水声目标特征分析与识别技术
|
|
研究建议
进一步加强基础研究，挖掘目标物理特征，提高识别正确性和宽容性。重视水声目标特性基础研究，充分掌握并挖掘水中目标物理特征。以目标噪声源发声或散射的物理机理为保障，有效提高目标识别的正确率及其对海洋环境和运动工况的宽容性。
深化目标特征与海洋环境信息的耦合研究，提高环境适应性。近年来，高度重视海洋环境和目标干扰对声呐装备探测与识别性能的影响，强调装备要有对环境自主感知和适应的能力，并提出了环境自适应技术的概念，基于先验和现场目标与环境信息实现声呐参数设置和控制的最优化，有望使声呐的性能达到最佳，大幅度提高声呐探测与识别的环境适应性。
增强目标信号的保真获取能力，设计抗干扰/畸变的目标特征精细化提取方法。海上目标信号一般通过声呐阵列获取，在阵列处理中的参数失配以及海洋环境中多目标强干扰等问题都会影响后续的特征提取和分类识别处理。开展自适应的波束形成技术，时空频域的多目标干扰辨识，信号特征预畸变处理等研究，设计精细化的特征获取方法以保障目标信号声特征的有效获取。
系统、有序开展水声行业数据工程建设，提升水声目标数据支持能力。系统性的数据是水声目标特征掌握与目标识别的基础。而水中目标特别是感兴趣的军用目标数量少、海洋面积大、目标运动速度慢、水声信号获取的作用距离近等特点，严重制约了与关心目标的声学接触概率。另外，目标设计制造工艺与工况的复杂多变，水声数据受“污染”程度高，包含大量的加性或乘性干扰，混杂了目标和自身平台的各种信号，加大了水声有效数据的获取、分析、运用难度。因此，必须举全行业、国家的整体力量，规范、有序、长期开展水声数据获取、处理与管理工作，强化水声行业数据工程建设，提升水声目标数据支持能力。
针对水声目标信号特点，理性开展人工智能水声目标识别技术研究。人工智能、深度学习等技术的蓬勃发展为目标识别开创了新的途径，在视觉、语音和文本处理等智能识别领域中获得了良好的应用效果。但是这种通过网络训练自主学习样本内在规律的前提是需要大量、完备、有代表性的样本数据，而这正是水声数据难以满足的要求。直接的仿照处理不一定能获得视觉、语音和文本识别的理想效果，而且水声识别也往往不具备二次验证的机会。因此，应针对水声目标信号特点，理性开展人工智能水声目标识别技术研究，在自主学习特征和传统频谱特征的关联性，自主学习特征的可读性和可解释性等方面进一步深入探索，开展基于人工智能的强化学习和迁移学习等技术研究，以适应样本不充分条件下的应用。
水声目标特征提取与识别具有重要的军事意义和研究价值，也是国际公认的难题，需要深入的机理研究、长期的数据积累、先进的特征分析提取及目标识别方法等支持。特别是随着目标对象在隐身、特征控制等方面的不断发展，难度更大，更需要坚持不懈的探索与研究。（作者：方世良，东南大学 水声信号处理教育部重点实验室；杜栓平，杭州应用声学研究所 声纳技术重点实验室；罗昕炜，东南大学 水声信号处理教育部重点实验室；韩宁，东南大学 水声信号处理教育部重点实验室；徐晓男，杭州应用声学研究所 声纳技术重点实验室。《中国科学院院刊》供稿）