水聲目標特征分析與識別技術
|
|
研究建議
進一步加強基礎研究，挖掘目標物理特征，提高識別正確性和寬容性。重視水聲目標特性基礎研究，充分掌握并挖掘水中目標物理特征。以目標噪聲源發聲或散射的物理機理為保障，有效提高目標識別的正確率及其對海洋環境和運動工況的寬容性。
深化目標特征與海洋環境信息的耦合研究，提高環境適應性。近年來，高度重視海洋環境和目標干擾對聲吶裝備探測與識別性能的影響，強調裝備要有對環境自主感知和適應的能力，并提出了環境自適應技術的概念，基于先驗和現場目標與環境信息實現聲吶參數設置和控制的最優化，有望使聲吶的性能達到最佳，大幅度提高聲吶探測與識別的環境適應性。
增強目標信號的保真獲取能力，設計抗干擾/畸變的目標特征精細化提取方法。海上目標信號一般通過聲吶陣列獲取，在陣列處理中的參數失配以及海洋環境中多目標強干擾等問題都會影響后續的特征提取和分類識別處理。開展自適應的波束形成技術，時空頻域的多目標干擾辨識，信號特征預畸變處理等研究，設計精細化的特征獲取方法以保障目標信號聲特征的有效獲取。
系統、有序開展水聲行業數據工程建設，提升水聲目標數據支持能力。系統性的數據是水聲目標特征掌握與目標識別的基礎。而水中目標特別是感興趣的軍用目標數量少、海洋面積大、目標運動速度慢、水聲信號獲取的作用距離近等特點，嚴重制約了與關心目標的聲學接觸概率。另外，目標設計制造工藝與工況的復雜多變，水聲數據受“污染”程度高，包含大量的加性或乘性干擾，混雜了目標和自身平臺的各種信號，加大了水聲有效數據的獲取、分析、運用難度。因此，必須舉全行業、國家的整體力量，規范、有序、長期開展水聲數據獲取、處理與管理工作，強化水聲行業數據工程建設，提升水聲目標數據支持能力。
針對水聲目標信號特點，理性開展人工智能水聲目標識別技術研究。人工智能、深度學習等技術的蓬勃發展為目標識別開創了新的途徑，在視覺、語音和文本處理等智能識別領域中獲得了良好的應用效果。但是這種通過網絡訓練自主學習樣本內在規律的前提是需要大量、完備、有代表性的樣本數據，而這正是水聲數據難以滿足的要求。直接的仿照處理不一定能獲得視覺、語音和文本識別的理想效果，而且水聲識別也往往不具備二次驗證的機會。因此，應針對水聲目標信號特點，理性開展人工智能水聲目標識別技術研究，在自主學習特征和傳統頻譜特征的關聯性，自主學習特征的可讀性和可解釋性等方面進一步深入探索，開展基于人工智能的強化學習和遷移學習等技術研究，以適應樣本不充分條件下的應用。
水聲目標特征提取與識別具有重要的軍事意義和研究價值，也是國際公認的難題，需要深入的機理研究、長期的數據積累、先進的特征分析提取及目標識別方法等支持。特別是隨著目標對象在隱身、特征控制等方面的不斷發展，難度更大，更需要堅持不懈的探索與研究。（作者：方世良，東南大學 水聲信號處理教育部重點實驗室；杜栓平，杭州應用聲學研究所 聲納技術重點實驗室；羅昕煒，東南大學 水聲信號處理教育部重點實驗室；韓寧，東南大學 水聲信號處理教育部重點實驗室；徐曉男，杭州應用聲學研究所 聲納技術重點實驗室。《中國科學院院刊》供稿）