发布时间：2021-03-24所属分类：免费文献浏览：1次
摘 要： 信息技术
《基于主成分分析的蛙人识别算法研究》论文发表期刊：《信息技术》；发表周期：2020年10期
《基于主成分分析的蛙人识别算法研究》论文作者信息：王谋业(1992－)，男，硕士研究生，工程师，研究方向为水声工程。
摘要：文中针对水下携带开式呼吸器的蛙人(简称“开式蛙人”)被动识别问题，提出一种主成分分析蛙人识别算法。通过分析开式蛙人呼吸信号的周期性特征，在具有显著周期性的高频段内对信号进行子带能量划分和计算，构造子带能量矩阵，利用主成分分析算法提取出子带能量的主成分，将经傅里叶变换得到的信号频率与蛙人呼吸特征对比，来判别是否为水下姓人。算法通过了计算机仿真并开展水池试验验证，实验结果表明主成分分析算法对蛙人目标识别具备可行性。
关键词：被动探测：开式蛙人：蛙人识别：主成分分析
Abstract: A principal component analysis diver recognition algorithm is proposed for passive identification of the divers with open breathing apparatus (referred to as "opentype diver "). The sub hand energy matrixes of the signals are constructed by dividing and calculating the high frequency hand signals, which have a significant periodicity. The principal components of the breathing signals can becalculated by the principal component analysis. And the signal's frequenev obtained by Fourier transfom is compared with the diver breathing characteristics to determine, whether it is an underwater diver. The algorithm had a good result in computer simulation and is verified by water tank experiments. The experimental results show that the principal component analysis algorithm is feasible for diver target recognition
Key words: passive detection; open-type diver; recognition of diver; principal component analysis
0 引言
近年来，随着蛙人对通商口岸、港口等重点防护海域的水下侵扰愈发频繁，针对蛙人的水下监测防护系统的研究也不断深入。有效探测和识别水下蛙人，开展驱离与反制是近岸蛙人防御的重点。被动蛙人探测技术作为一种隐蔽性高、能耗低、对海洋环境友好的有效手段被研究应用。
蛙人信号的时域波形在高频段具备明显周期性特征，可有效区别其他水下目标，国内对此进行了很多方法的研究，如文献[1]直接提取测试信号时域包络从而获取其周期性特征;文献D]将测试信号进行子带划分，通过求子带信号能量获取其周期性特征：文献[3]将测试信号转化到频域上进行匹配滤波，获取其匹配系数特性，从而判别是否为蛙人信号：文献4]将测试信号转化为语音信号，通过Mel滤波器组求解Mel频率倒谱系数，提取MFCC特征等。主成分分析(PCA)是一种在保留原始信号绝大多数特征的前提下，将数据降维处理，简化计算的方法，在雷达目标识别和人脸识别领域被广泛研究和使用，在水下目标识别领域也有研究。
1算法模型
本文将PCA技术运用到水下蛙人目标识别算法中，关注蛙人目标特有周期性特征，基于蛙人呼吸信号显著频带，将信号进行子带划分，获取子带能量信息，构造信号子带能量矩阵，结合PCA算法，实现对水下蛙人目标的特征提取及识别。该方法无需将信号转化成语音信号，也无需参考信号，在实际处理过程中可达到数据降维、计算简化的处理效果，能在信噪比较低的情况下实现蛙人信号检测。
水下蛙人呼吸信号包含蛙人吸气信号和呼气信号两部分[-1。吸气信号主要由呼吸器气阀振动引发，信号频带集中在高频区域，能较好体现蛙人呼吸信号的周期性特征回：呼气信号主要由气体排放到水环境造成气泡振动引发，信号频带主要集中在低频区域。
PCA蛙人目标识别算法流程图如图1所示，主要包括信号带通滤波、信号分帧、子带划分、能量计算、主成分提取、傅里叶变换等。
1.1 带通滤波
水听器接收蛙人信号设为x(1)，时长为T，对信号进行预处理，通过短时傅里叶变换对信号进行时频分析，获取其显著频带信息：
根据获取的显著频带，提取带通滤波上下限频率，对测试信号进行带通滤波处理，获得滤波后的测试信号x(1)。
1.2信号分帧
设置一个窗长度为Tn的滑动时间窗，对滤波后的测试信号x。(1)进行无重叠分帧处理，获得n个数据帧信号，每帧信号点数为N，即：
然后对每帧信号进行N点傅里叶变换，获得每帧信号频谱，将时域信号转化到频域处理。
1.3 子带划分
根据测试信号显著频带，将经傅里叶变换处理后的帧信号在显著频带内均匀划分为m段不重叠的子带信号，即：
1.5主成分分析
根据已求得的各帧信号子带能量，构造n行m列的帧信号子带能量矩阵E，求解获取该矩阵的协方差矩阵C;再根据协方差矩阵求解其特征值入，以及对应的特征向量4：将特征向量按对应特征值的大小从上到下按行顺序排列成新矩阵，取前k行组成矩阵P，则有：Y=(E-E)xP
(6)
其中，E.为矩阵E的样本均值，矩阵Y即为降维到1维后的信号能量矩阵。
根据PCA算法理论，经数据降维后的主成分能量矩阵保留了帧信号子带能量矩阵的特征，因此我们能根据该主成分矩阵，提取蛙人信号的周期性特征。
1.6傅里叶变换
经数据降维处理后获得的主成分能量矩阵，包含蛙人信号特有的周期性特征。取1维主成分矩阵向量，对其进行傅里叶变换，可获取蛙人呼吸信号频率，根据该频率是否符合蛙人呼吸信号特征频率区间范围，判定该测试信号是否为蛙人目标信号。一下人呼吸号频率为0.2Hz~0.4H.
2仿真分析
根据所列算法模型，对PCA蛙人目标识别算法进行算法仿真分析。仿真蛙人信号频率设为0.33Hz，1号样率取16kHz，信噪比设置为0dB，取10个信号周期的蛙人呼吸信号进行数据处理，信号波形如图2所示。设置滑动时间窗长度为0.5，每帧信号在显著频带内划分为10个子带，求得帧信号子带能量主成分及其频谱，如图3所示，可见帧信号子带能量主成分包含了完整的蛙人呼吸信号周期性特征。经傅里叶变换处理，信号频率峰值在0.2Hz-0.4Hzj，峰值为0.33Hz，5预置的tЛ呼吸信号频率吻合，说明该算法适用于蛙人信号的特征提取及识别。
对不同信噪比下PCA算法的处理效果进行比对分析。设置信噪比分别为3dB，-3dB、-15dB-20dB、-23dB的仿真信号进行处理分析，获得子带帧信号能量主成分及其频谱，如图4-5所示，可见，信噪比越高，算法处理效果越好，信号周期性越明显，信号频率峰值位置越清晰的落在0.2Hz-
0.4Hz区间：随着信噪比降低，蛙人信号的周期性特征越发不明显，当信噪比下降到-20dB以下时，信号频谱主峰也随之偏移，没有落在0.2Hz-0.4Hz区间内，失去了原有信号周期性特征。
3试验及数据处理
为验证主成分分析蛙人识别算法的实用性，
2019年2月，在中国科学研究院声学所水池进行了开式蛙人水池试验，参试蛙人如图6所示，本文所作信号处理分析的试验数据均来源于此次试验。
试验用水听器型号为TC4013，水听器灵敏度为
-213dB，工作频带为1H-170kHz，采样率为400kHz。试验时将该水听器置于消声水池水下3m处。选取3组试验数据进行数据处理，分别为开式蛙人距离水听器1m处悬停数据、距离水听器10m处悬停数据、水池环境噪声数据，选取数据长度均为45s.经计算，1m处悬停蛙人数据带内信噪比为-0.8dB，
10m处悬停蛙人数据带内信噪比为-8.3dB.
用短时傅里叶变换对蛙人信号和环境噪声信号进行处理，获取其时频分析图，如图7-9所示，对比水池环境噪声，蛙人呼吸信号有明显带状条纹，呈现一定周期性特征，尤其是高频段信号周期性较低频段明显，但相较于仿真信号，测试蛙人呼吸信号周期性不十分均匀，呼吸间隔时长较长，且较不稳定，大约为7.5s一次。
对接收信号进行功率谱分析，如图10-11，针对所处理的数据段，60Hz-120Hz、250Hz-600H2z频段，蛙人信号功率谱较环境噪声高出15dB~
20dB：1.SkHz-2kHz频段，蛙人信号功率谱较噪声高出5dB-10dB;20kHz-25kHz、49kHz~51kHz等高频段，蛙人信号功率谱较噪声高出约5dB..根据蛙人时频分析谱图，选取显著频带49kHz
-51kHz为信号通带，对信号进行带通滤波处理，如图12.14.16所示。运用PCA算法分别对蛙人信号和环境噪声信号进行处理，设置滑动时间窗长度为
0.5s，数据帧与帧之间不重叠，每帧信号在显著频带内划分为10个子带，求得各子带信号能量组成子带能量矩阵，提取子带能量矩阵主成分，最后通过 FFT求出对应频率信息，如图 13、15、17 所示。
对两组蛙人信号数据进行计算，求得参与试验的蛙人呼吸频率为0.133 H2，呼吸间隔约为7.5s-
次，与一人呼吸频率为0.2Hz-0.4Hz并不相符。多组试验数据求得的参试蛙人呼吸频率为0.13Hz左右，说明蛙人经过特种训练，其水下作业期间的呼吸间隔周期是不稳定的，蛙人呼吸频率判定区间可根据实际扩为0.11Hz-0.45Hz.
4g束i本文将主成分分析算法运用到水下蛙人目标识别中，通过信号分帧、子带划分、求解子带帧能量、构造子带帧能量矩阵、求解子带顿能量主成分、获取主成分频率等步骤，实现对蛙人呼吸信号的特征提取及识别。通过算法仿真与水池试验数据处理可知，融入了B/S结构，实现了数据的实时监测。本研究的方案能够使用户及时、全面地了解网络节点数据情况，为网络系统安全、稳定地运行提供理论参考。
参考文献：
[1]龚花萍，孙晓，刘春年，文物信息资源元数据模型、实施标准与应用策略D.情报科学，2015，33(2)：80-84.
[2]李聪.HDFS元数据管理的高可用性优化技术研究[D].哈尔滨：哈尔滨工业大学，2016.
[B]袁进俊.DOA下分布式DRC的元数据分级存储模型研究[D].：都理工大学，2015.
[4]杨文晖，李国强，苗放，面向海量空间数据存储的元数据管理机制D].计算机应用，2015，3(5)：1276-1279.
[5]谢培基，余金山基于CWM的元数据管理策略D].微型机与应用，2011，30(23)：12-15.
[6]蒙安泰，分布式文件系统中元数据管理机制的研究D].电脑知识与技术，2011，7(35)：9038-9040.
[7]程付超，苗放，陈垦，自适应的分布式文件系统元数据管理模型D].计算机工程与设计，2014，35(3)：867-874
[8]李晓航，胡晓鹏，基于元数据的通用数据维护框架设计D.计算机工程，2010，36(20)：80-82.
[9]张佩云，陈恩红，谢荣见，等，基于元数据与领域概念树的文本相似度计算0].系统工程与电子技术，2014，36(3)：591-597.
[10]赵瑜，李晓东，张新建，基于元数据的分布式数据统一访问技术0].指挥信息系统与技术，2019，10(4)：33-37，60.
[11]张建飞，章昭辉.一种多级元数据按需小费用传输模型及其应用D].小型微型计算机系统，2015，36(2)：231-233.
[12] Park J R, Tosaka Y. Metadata creation practices in digital repositories and collections: schemata, selection criteria, and interoperability[0]. Information Technology and Libraries, 2010, 29 (3): 104-116.
[13]周波，钱鹏，我国科学数据元数据研究综述D].图书馆学研究，2013(2)：7-10.
[14]许慧，张立铭，基于Web的图书馆档案管理系统设计与实现D].现代电子技术，2016，39(16)：48-51，54
[15]阮灿华，互联网络安全防御对高密度信息优化存储仿真[D].计算机仿真，2018，35(3)：349-352.
[16]吴章玲，金培权，岳丽华，等，基于PCM的大数据存储与管理研究综述D].计算机研究与发展，2015，52(2)：343-361.
[17]黄胜，滕明捻，吴震，等命名数据网络中一种基于节点分类的数据存储策略[].计算机研究与发展，2016，53(6)：1281-1291.
[18]苗放，向清松，杨文晖，基于Neodj的面向体系架构(DOA)的数据注册中心(DRC)的实现[].成都大学学报：自然科学版，2016，35(2)：143-146.
[19]赖育华，关于计算机应用技术与信息管理二者整合分析[].信息技术与信息化，2017(5)：53-55.
[20]杜然，黄秋兰，阚文枭，等，基于Chord算法的可扩展高性能元数据存储环设计D.计算机工程，2016，42(8)：1-8.
[21]徐艳，王志强，付强，等·基于SVR的火控系统解算诸元数据拟合方法D].火力与指挥控制，2016，41(6)：113-116.
[22]赵文龙，胡立坤，基于B/S结构的光伏并网发电监控系统设i计tD].测控技术，2015，34(8)：89-92.
[23]郭威，王建永，李颖，等，基于B/S技术的企业员工档案信息化管理系统设计D].电子设计工程，2019，27(6)：156-159，164.
[24]梁雪辉，许芬，吴润州基于B/S架构的家居环境远程监测系统设计与实现D.微型机与应用，2017，36(8)：92-94.
SCISSCIAHCI
