0 引言

    目前，水聲監(jiān)聽(tīng)是海洋調(diào)查研究的重要手段之一，監(jiān)聽(tīng)信號(hào)頻帶范圍較廣，主要包括寬帶中低頻信號(hào)和窄帶高頻信號(hào)，如5～10 Hz的海面波浪噪聲；覆蓋在10～200 kHz在以上頻率的海洋哺乳動(dòng)物發(fā)聲；中心頻率集中在1～200 kHz或更高的窄帶內(nèi)的商用聲吶；1 kHz以下的艦船噪聲等^[1]。在實(shí)際水聲監(jiān)聽(tīng)過(guò)程中，記錄以上各類(lèi)有效特征信息的同時(shí)會(huì)摻雜大量復(fù)雜噪聲信息。因此，如何最大程度實(shí)現(xiàn)未知監(jiān)聽(tīng)信息分類(lèi)提取是研究的關(guān)鍵。

    小波包算法因具有將信號(hào)分解到各頻段范圍的優(yōu)勢(shì)，被廣泛應(yīng)用于分頻段閾值降噪、能量特征提取和水聲信號(hào)處理等方面，如鐘孟春等改進(jìn)的小波包能量分段閾值降噪方法，按最優(yōu)小波包能量法分頻段進(jìn)行降噪^[2]。史秋亮等基于小波包分解與能量特征提取的相關(guān)分析法，按子帶能量提取特征值^[3]。楊亞菁等最佳能量小波包技術(shù)在海洋水聲信號(hào)處理中的應(yīng)用，提出基于分類(lèi)距離標(biāo)準(zhǔn)小波包基能量法實(shí)現(xiàn)水聲信號(hào)的分類(lèi)和標(biāo)識(shí)^[4]。劉深等基于IMF能量譜的水聲信號(hào)特征提取與分類(lèi)研究，通過(guò)經(jīng)驗(yàn)?zāi)B(tài)分解，按本征模式分量的能量占比提取和分類(lèi)^[5]。以上研究方法均實(shí)現(xiàn)信號(hào)的精細(xì)化分頻，但利用能量法進(jìn)行特征提取，具有很大的局限性，容易將弱能量有效信號(hào)忽略，高能量噪聲依然保留。趙超等基于EMD和小波包能量法的信號(hào)去噪，利用EMD和小波包相結(jié)合的方式具有很高的參考價(jià)值，但僅實(shí)現(xiàn)了高斯白噪聲的去噪，未涉及其他成分噪聲和特征信號(hào)提取^[6]。李茂等基于EMD及主成分分析的缺陷超聲信號(hào)特征提取研究，利用EMD分量的能量占比選取主成分進(jìn)行降維處理，實(shí)現(xiàn)缺陷超聲信號(hào)檢測(cè)，該方法只針對(duì)缺陷超聲信號(hào)，且超聲發(fā)射探頭和接收探頭的頻率已知^[7]。陳功等提出希爾伯特-黃變換在微弱被動(dòng)瞬態(tài)魚(yú)聲信號(hào)中的檢測(cè)，利用經(jīng)驗(yàn)?zāi)B(tài)分解實(shí)現(xiàn)魚(yú)類(lèi)瞬態(tài)檢測(cè)，該方法僅針對(duì)魚(yú)類(lèi)這一特定目標(biāo)信號(hào)^[8]。蘇祖強(qiáng)等基于小波包分解與主流形識(shí)別的非線性降噪，針對(duì)軸承的振動(dòng)信號(hào)進(jìn)行小波包分解系數(shù)相空間主流行識(shí)別重構(gòu)實(shí)現(xiàn)信號(hào)分離^[9]。以上方法針對(duì)性較強(qiáng)，目標(biāo)較為明確。但水聲監(jiān)聽(tīng)探測(cè)的聲頻帶范圍較寬，信號(hào)記錄過(guò)程中包含各個(gè)頻段的信息，有效特征信息可能分布于高、中、低不同頻段且能量占有比大小不一，其頻段分布和能量大小未知，因此，不能單純以能量高低的方法來(lái)判斷有效特征信息，更不能以單一方法提取不同頻段特征信息，否則，易造成有效頻段特征信息丟失，噪聲作為有效特征信息保留的情況。

    小波包能量法特征提取、希爾伯特-黃能量法特征提取等，容易將微弱的高頻特征段遺漏，能量高的低頻噪聲引入，也容易將噪聲頻段作為特征頻段提取，特征頻段作為噪聲忽略。采用單一方法對(duì)于特定頻段目標(biāo)提取是可靠的，但并不適應(yīng)于寬頻帶水聲監(jiān)聽(tīng)信號(hào)多個(gè)目標(biāo)特征頻段的提取。針對(duì)以上問(wèn)題，采用小波包、相關(guān)系數(shù)、經(jīng)驗(yàn)?zāi)B(tài)分解相結(jié)合的方式實(shí)現(xiàn)優(yōu)勢(shì)互補(bǔ)提取有效特征頻段。小波包能量法按最優(yōu)分解層對(duì)未知水聲監(jiān)聽(tīng)信號(hào)從低頻到高頻無(wú)差別分段處理。相關(guān)系數(shù)法將小波包分解后的所有子帶進(jìn)行相關(guān)性分析，提取含有效特征信息的子帶，舍棄噪聲子帶，其優(yōu)勢(shì)在于可判別信號(hào)子帶的有效性，不依靠能量占比高低來(lái)識(shí)別有效信號(hào)。經(jīng)驗(yàn)?zāi)B(tài)分解將相關(guān)系數(shù)法提取的有效子帶進(jìn)一步剔除噪聲，提高有效子帶的純度，其優(yōu)勢(shì)在于可將自相關(guān)系數(shù)判別的有效子帶內(nèi)含有的噪聲量進(jìn)一步剔除，最終將純度較高的子帶通過(guò)小波包重構(gòu)獲得特征信息頻段。本文方法相當(dāng)于在小波包分解和重構(gòu)的過(guò)程中引入了相關(guān)系數(shù)分析法和經(jīng)驗(yàn)?zāi)B(tài)分解，頻帶信號(hào)處理范圍較寬，特定頻段聚焦分析能力較強(qiáng)，比單一小波包閾值處理法可靠性更高。經(jīng)仿真和實(shí)測(cè)數(shù)據(jù)處理結(jié)果表明該方法在寬帶水聲監(jiān)聽(tīng)信號(hào)頻段聚焦分析與提取方面優(yōu)勢(shì)明顯。

1 信號(hào)提取的基本原理與方法

    水聲監(jiān)聽(tīng)信號(hào)時(shí)域信息用以下公式表示：

式中，R(t)是水聲監(jiān)聽(tīng)原始信號(hào)，s(t)代表有效信號(hào)，n(t)代表環(huán)境噪聲信息。本文主要對(duì)有效信號(hào)s(t)保護(hù)和提取，盡最大努力忽略噪聲信號(hào)n(t)，流程圖如圖1所示。

1.1 小波包基本方法

    小波包可實(shí)現(xiàn)水聲監(jiān)聽(tīng)信號(hào)頻段多層次劃分，既可分解低頻，也可分解高頻，與小波變換相比，具有更高的時(shí)頻分辨率，可對(duì)寬頻信號(hào)進(jìn)行更好的時(shí)頻分析^[10]。小波與小波包的子帶分解對(duì)比如圖2所示，A代表低頻部分，D代表高頻部分。  

    設(shè)尺度函數(shù)和小波函數(shù)分別為v(t)和p(t)，令U₀=v(t)，U₁=p(t)，定義函數(shù){U_n}為尺度函數(shù)v(t)的小波包，如式(2)所示，式中h_k和g_k為多分辨率分析中濾波器系數(shù)。

    所謂小波包就是一個(gè)函數(shù)族構(gòu)造規(guī)范的正交基庫(kù)，此庫(kù)包含許多規(guī)范正交基，小波正交基只是其中一組，因此，小波包也是小波概念的延伸。

    (1)小波包分解。選擇最優(yōu)小波包基并確定最優(yōu)分解層，對(duì)信號(hào)進(jìn)行小波包分解。小波包分解實(shí)際就是對(duì)小波包系數(shù)的分解。U(i，j)為第j層第i個(gè)小波包系數(shù)，設(shè)R(t)的小波包系數(shù)為U(0，0)，分解1層后系數(shù)為U(0，1)，U(1，1)，其分解后數(shù)據(jù)長(zhǎng)度為U(0，0)的1/2。分解層數(shù)為N，則第N層每個(gè)節(jié)點(diǎn)的系數(shù)長(zhǎng)度為U(0，0)的1/2^N。

    (2)閾值與閾值函數(shù)選取。對(duì)每個(gè)小波包分解系數(shù)，需選擇一個(gè)恰當(dāng)?shù)拈撝岛烷撝岛瘮?shù)進(jìn)行閾值量化處理。常用閾值方法有：固定閾值法、無(wú)偏似然閾值法、啟發(fā)式閾值、極大極小閾值法。閾值函數(shù)通常有硬閾值函數(shù)和軟閾值函數(shù)，以及另外幾種改進(jìn)的閾值函數(shù)，如加權(quán)平均值函數(shù)、半軟閾值函數(shù)等^[11]。

    (3)小波包重構(gòu)。對(duì)處理后的低頻和高頻系數(shù)進(jìn)行數(shù)據(jù)整合后重構(gòu)。

1.2 希爾伯特-黃算法

    HHT處理非平穩(wěn)信號(hào)的基本過(guò)程是：首先，利用EMD方法將給定的信號(hào)分解為若干IMF，為把復(fù)雜信號(hào)分解為簡(jiǎn)單的單分量信號(hào)的組合，在進(jìn)行EMD時(shí)，所獲得的IMF必須滿足下列兩個(gè)條件：(1)在整個(gè)信號(hào)長(zhǎng)度上，所有極值點(diǎn)和過(guò)零點(diǎn)數(shù)目必須相等或者最多差一點(diǎn)；(2)任意時(shí)刻，局部極大值點(diǎn)的上包絡(luò)和極小值點(diǎn)的下包絡(luò)平均值為零，也就是對(duì)稱(chēng)于時(shí)間軸。然后，對(duì)每一個(gè)IMF進(jìn)行Hilbert變換，得到相應(yīng)的Hilbert譜，即將每個(gè)IMF表示在聯(lián)合的時(shí)頻域中。

    EMD是使用由局部最大值和最小值分別定義的，一旦確定了極值，所有的局部最大值就會(huì)被三次樣條函數(shù)擬合曲線連接起來(lái)，局部最小值生成最低層的過(guò)程是不斷重復(fù)的^[12]。如給定一個(gè)信號(hào)x(t)，得到上下包絡(luò)的平均值m₁，判斷是否滿足IMF的兩個(gè)條件；若不滿足，重復(fù)循環(huán)n次直到滿足IMF的兩個(gè)條件。記為信號(hào)經(jīng)EMD得到的第1個(gè)IMF1分量，將IMF1從信號(hào)x(t)中分離出來(lái)得到R₁=x(t)-IMF1，這一處理過(guò)程不斷被重復(fù)提取n次，R_n=R_n+1-IMF1。最終合成公式為：

1.3 相關(guān)系數(shù)

    互相關(guān)函數(shù)是衡量?jī)蓚€(gè)時(shí)間序列x(t)和y(t)在兩個(gè)不同時(shí)刻t₁，t₂之間的相似程度，通?？梢杂糜谠陂L(zhǎng)序列中尋找一個(gè)特定的短序列。在數(shù)理統(tǒng)計(jì)中，互相關(guān)表示兩個(gè)隨機(jī)序列的相關(guān)性，設(shè)采集樣本為n，互相關(guān)記為R_n(x(t_i)，y(t_i))，如式(4)所示。R_n(x(t_i)，y(t_i))的取值在-1與+1之間，變量值為正數(shù)，表明是正相關(guān)，若為負(fù)數(shù)，表明是負(fù)相關(guān)。R_n(x(t_i)，y(t_i))絕對(duì)值越大表明相關(guān)性越強(qiáng)^[13]。

    自相關(guān)函數(shù)是互相關(guān)的一種特殊情況，反映信號(hào)n(t)在兩個(gè)不同時(shí)刻的關(guān)聯(lián)程度，如式(5)所示。歸一化自相關(guān)函數(shù)的公式如式(6)所示，式中R_n(0)為信號(hào)自身在0點(diǎn)時(shí)刻的函數(shù)值。噪聲信號(hào)在0點(diǎn)處存在最大自相關(guān)，其余點(diǎn)自相關(guān)系數(shù)迅速衰減為0^[14]。一般信號(hào)在0點(diǎn)處取值最大，但其他點(diǎn)隨著時(shí)間緩慢減小為0。

2 模擬信號(hào)仿真

    通過(guò)模擬信號(hào)y=0.5sin(2πf₁t)+sin(2πf₂t)對(duì)上述方法仿真計(jì)算，其中f₁=1 kHz，f₂=2 kHz，添加noise=randn(size(y))·0.4隨機(jī)噪聲信號(hào)，采樣頻率100 kHz。原始及加噪后信號(hào)如圖3中(a)和(b)所示。小波包分解層數(shù)過(guò)低去噪不完全，層數(shù)過(guò)高存在過(guò)分消噪和運(yùn)算成本問(wèn)題，因此需找出最優(yōu)分解層。原始信號(hào)已知情況下，可通過(guò)信噪比和均方根差的方式來(lái)判斷最優(yōu)分解層^[15]。利用小波對(duì)加噪信號(hào)分別采取1～5層分解與重構(gòu)，每層重構(gòu)信號(hào)的信噪比和均方根差如表1所示，通過(guò)數(shù)據(jù)對(duì)比得出第3層信號(hào)的信噪比最高，均方根差最低，因此，小波包最優(yōu)分解層為3。

    對(duì)模擬信號(hào)最優(yōu)3層分解的7～14節(jié)點(diǎn)做歸一化自相關(guān)處理，根據(jù)文獻(xiàn)[6]、[16]論證可知：噪聲具有隨機(jī)和非周期性質(zhì)，其自相關(guān)系數(shù)曲線在0點(diǎn)以外急劇衰減為零；而一般信號(hào)具有非隨機(jī)性質(zhì)，因此一般信號(hào)自相關(guān)系數(shù)曲線并沒(méi)有迅速衰減到很小值，而是隨著時(shí)間差變化慢慢衰減到0，變化規(guī)律明顯有別于噪聲信號(hào)的自相關(guān)系數(shù)變化規(guī)律。僅節(jié)點(diǎn)7符合一般信號(hào)自相關(guān)特性，同時(shí)節(jié)點(diǎn)7歸一化自相關(guān)系數(shù)變化與原始信號(hào)y成一定比例，如圖3(d)所示。其余節(jié)點(diǎn)均與節(jié)點(diǎn)8的系數(shù)類(lèi)似符合噪聲信號(hào)特征如圖3(e)所示。

    節(jié)點(diǎn)7進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解得到9個(gè)頻率從高到低的模態(tài)分量IMF₁～I(xiàn)MF₉和一個(gè)殘余分量Residual。按照式(3)分別計(jì)算IMF₁～I(xiàn)MF₉與節(jié)點(diǎn)7的互相關(guān)系數(shù)，IMF₁～I(xiàn)MF₉系數(shù)記為x₁～x₉，節(jié)點(diǎn)7系數(shù)記為u，互相關(guān)系數(shù)記為R(x_i，u)，如表2所示，最大互相關(guān)系數(shù)為0.971 8，按照參考文獻(xiàn)[6]小于最大互相關(guān)系數(shù)的1/10判斷分量的有效性，主要分量分布于x₁、x₂，將2個(gè)分量重構(gòu)后數(shù)據(jù)與原節(jié)點(diǎn)7的互相關(guān)系數(shù)為0.996 7，通過(guò)經(jīng)驗(yàn)?zāi)B(tài)分解重構(gòu)處理后的互相關(guān)系數(shù)可以看出與原節(jié)點(diǎn)信號(hào)一致性較強(qiáng)。本文方法處理后數(shù)據(jù)如圖3(f)所示，通過(guò)與單純的小波包分解相比，本文方法的信噪比和均方根誤差更優(yōu)，如表3所示。

3 監(jiān)聽(tīng)水聲信號(hào)去噪分析

    實(shí)測(cè)水聲監(jiān)聽(tīng)信息來(lái)自布放于阿拉斯加州冰灣海域，水深位置在90 m被動(dòng)水聽(tīng)器所記錄的被動(dòng)水聲信號(hào)，其主要貢獻(xiàn)者為阿拉斯加費(fèi)班克大學(xué)和華盛頓大學(xué)研究人員^[17]。監(jiān)聽(tīng)采樣頻率為100 kHz，從0.1 kHz到50 kHz分為64個(gè)頻段。讀取2011年某段原始音頻文件，其時(shí)頻特性標(biāo)度如圖4所示。

    由圖4可以看出原始水聲監(jiān)聽(tīng)信號(hào)頻率0.1 kHz～1 kHz范圍內(nèi)存在較強(qiáng)信號(hào)分布，其余信號(hào)相對(duì)較弱，但特征頻率信息提取過(guò)程中不能按照信號(hào)強(qiáng)弱判斷信號(hào)的有效性，信號(hào)未知的情況下，強(qiáng)信號(hào)可能為噪聲信號(hào)，弱信號(hào)也可能含有效信號(hào)。本文核心工作是在強(qiáng)弱不同的頻段信號(hào)中，提取可靠的監(jiān)聽(tīng)信號(hào)特征頻率信號(hào)，特別是高頻弱信號(hào)。按照小波包最優(yōu)分解4層分解，節(jié)點(diǎn)頻率排序及強(qiáng)弱分布如圖5所示。

    小波包分解第四層節(jié)點(diǎn)系數(shù)15～30按照頻率順序由下往上進(jìn)行排序，其中橫軸為時(shí)間，左邊為頻率順序，右邊為節(jié)點(diǎn)按頻率范圍排序。將0～50 kHz的頻率信號(hào)共分成16個(gè)頻段，由圖5可知每個(gè)節(jié)點(diǎn)的頻率的強(qiáng)弱分布，但信號(hào)的強(qiáng)弱并不能區(qū)分有效信號(hào)和噪聲信號(hào)的頻段分布，本文通過(guò)歸一化自相關(guān)系數(shù)法對(duì)4層所有節(jié)點(diǎn)頻率信息進(jìn)行分析，區(qū)分監(jiān)聽(tīng)信號(hào)有效特征節(jié)點(diǎn)和噪聲節(jié)點(diǎn)頻段分布情況。

    實(shí)測(cè)的水聲監(jiān)聽(tīng)信號(hào)為未知信號(hào)，低頻信息和高頻信息當(dāng)中都有可能存在有效信號(hào)，利用小波包對(duì)水聲監(jiān)聽(tīng)信號(hào)在最優(yōu)分解層分解后，節(jié)點(diǎn)系數(shù)按頻率從低頻到高頻進(jìn)行排序，在未知條件下，高頻節(jié)點(diǎn)信號(hào)可能存在有效信號(hào)，低頻節(jié)點(diǎn)信號(hào)也可能存在低頻噪聲，信號(hào)降噪處理過(guò)程中不能單純將高頻或低頻節(jié)點(diǎn)作為噪聲直接舍棄。

    根據(jù)文獻(xiàn)[6]、[16]的驗(yàn)證分析得到的噪聲與一般信號(hào)的自相關(guān)系數(shù)變化規(guī)律。對(duì)圖4原始水聲監(jiān)聽(tīng)信號(hào)和15～30的節(jié)點(diǎn)做歸一化自相關(guān)處理，其中節(jié)點(diǎn)15、19、23、25、27共5個(gè)節(jié)點(diǎn)均符合一般信號(hào)的自相關(guān)特性^[18]，如圖6所示。節(jié)點(diǎn)15與原始信號(hào)的自相關(guān)系數(shù)一致性較強(qiáng)，該頻段信號(hào)有效成分較多。節(jié)點(diǎn)19和節(jié)點(diǎn)27在零點(diǎn)處的最大值偏小，與原始信號(hào)自相關(guān)系數(shù)相類(lèi)似，含部分有效成分。節(jié)點(diǎn)25與原始信號(hào)自相關(guān)系數(shù)一致性較差，包含較少有效信號(hào)，但其符合一般信號(hào)特征。節(jié)點(diǎn)23是高頻部分，能量較小，通過(guò)自相關(guān)系數(shù)看出，該節(jié)點(diǎn)在零點(diǎn)處最大值較大，且與原始信號(hào)自相關(guān)系數(shù)相類(lèi)似，有效成分含量高，該部分是在常規(guī)數(shù)據(jù)提取中最容易忽略的。

    由圖5節(jié)點(diǎn)系數(shù)頻率分布圖可看出，節(jié)點(diǎn)16、18能量相對(duì)較高，但能量高并不代表信號(hào)的有效性，也可能只是噪聲能量高。通過(guò)歸一化自相關(guān)系數(shù)對(duì)能量占有較高的16、18節(jié)點(diǎn)進(jìn)行分析，由圖7歸一化自相關(guān)系數(shù)可看出其符合噪聲信號(hào)在t=0時(shí)刻迅速衰減的特點(diǎn)。剩余節(jié)點(diǎn)的歸一化自相關(guān)系數(shù)均與節(jié)點(diǎn)16、18節(jié)點(diǎn)的情況基本相似，可按噪聲節(jié)點(diǎn)舍棄，由于篇幅限制不再將其一一列出。

    利用小波包算法對(duì)監(jiān)聽(tīng)數(shù)據(jù)進(jìn)行節(jié)點(diǎn)主成分初判以后，通過(guò)希爾伯特算法分別對(duì)含有效成分的15、19、23、25、27節(jié)點(diǎn)做進(jìn)一步消噪提取。以節(jié)點(diǎn)15為例，對(duì)其進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解得到頻率從高到低的模態(tài)分量IMF1～I(xiàn)MF10和一個(gè)殘余分量Residual。按照式(3)分別計(jì)算IMF1～I(xiàn)MF10與節(jié)點(diǎn)15的互相關(guān)系數(shù)，IMF1～I(xiàn)MF10系數(shù)記為c₁～c₁₀，節(jié)點(diǎn)15系數(shù)記為s，互相關(guān)系數(shù)記為R(c_i，s)，如表4所示，最大互相關(guān)系數(shù)為0.771 9，按照參考文獻(xiàn)[6]小于最大互相關(guān)系數(shù)的1/10判斷分量的有效性，其中分量c₅、c₆、c₇、c₈、c₉、c₁₀與原始節(jié)點(diǎn)15的互相關(guān)系數(shù)較小，主要分量分布于c₁、c₂、c₃、c₄，將4個(gè)分量重構(gòu)后數(shù)據(jù)與原節(jié)點(diǎn)15的互相關(guān)系數(shù)為0.994 5，通過(guò)相關(guān)系數(shù)可看出與原節(jié)點(diǎn)信號(hào)一致性較強(qiáng)。利用上述方法分別對(duì)剩余19、23、25、27節(jié)點(diǎn)系數(shù)實(shí)現(xiàn)經(jīng)驗(yàn)?zāi)B(tài)的分解與重構(gòu)，最終通過(guò)小波包將含有效成分的5個(gè)節(jié)點(diǎn)系數(shù)15、19、23、25、27重構(gòu)，獲得監(jiān)聽(tīng)的特征頻率信息信號(hào)，通過(guò)本文方法實(shí)現(xiàn)寬頻帶信號(hào)分頻段提取，即提取到了低頻強(qiáng)信號(hào)頻段，也提取到了高頻弱信號(hào)特征頻段，如圖8所示。

4 驗(yàn)證分析

    小波包分解與重構(gòu)過(guò)程中引入自相關(guān)系數(shù)和經(jīng)驗(yàn)?zāi)B(tài)分解的分析，旨在聚焦寬頻帶水聲監(jiān)聽(tīng)信號(hào)的各特征頻段信息提取，盡最大可能保留有效聲頻信息，排除噪聲干擾，進(jìn)一步提高分辨率，精細(xì)和優(yōu)化提取結(jié)果，凸顯高頻弱信號(hào)提取能力。由圖8可以看出本文方法對(duì)寬頻帶水聲監(jiān)聽(tīng)信號(hào)既提取到能量較高、頻率相對(duì)低的信號(hào)，也提取到了能量較低、頻率較高信號(hào)。特征頻段提取的有效性就是盡最大可能保留和凸顯有效信號(hào)，弱化噪聲信號(hào)，圖9(a)為沒(méi)有經(jīng)過(guò)數(shù)據(jù)處理的原始水聲監(jiān)聽(tīng)信號(hào)成分信息時(shí)頻分析結(jié)果，圖9(b)為經(jīng)過(guò)小波包閾值降噪處理后時(shí)頻分析結(jié)果，圖9(c)為采用本文方法處理后的時(shí)頻分析結(jié)果。圖9(b)與圖9(a)相比，信號(hào)頻段提取較為明顯，提取頻段大致為0～10 kHz、15～25 kHz、26～36 kHz、38～48 kHz共4段，特征頻段有效信號(hào)進(jìn)一步凸顯。圖9(c)與圖9(b)相比看出：圖9(c)有效特征頻段層為0～5 kHz、7～10 kHz、15～18 kHz、20～30 kHz、33～43 kHz、45～50 kHz共6段，比圖9(b)多分化2個(gè)頻段，分辨率進(jìn)一步提高，高頻段的提取相對(duì)突出，45～50 kHz范圍高頻段弱信號(hào)提取較為明顯。圖9(b)的小波包閾值方法按照平均10 kHz的頻段間隔進(jìn)行消噪提取，并受節(jié)點(diǎn)頻段能量大小約束，因此，存在一定局限性。而本文方法引入了自相關(guān)系數(shù)提高了有效子帶信號(hào)判斷準(zhǔn)確率，并通過(guò)經(jīng)驗(yàn)?zāi)Ｌ胤纸鈱?duì)有效子帶內(nèi)的噪聲進(jìn)一步分離，使信號(hào)的提取更精細(xì)化。由對(duì)比分析圖可看出本文方法優(yōu)勢(shì)更加明顯。

5 結(jié)論

    本文方法集中小波包優(yōu)化寬帶信號(hào)頻段劃分、自相關(guān)系數(shù)判別子帶信號(hào)有效性、經(jīng)驗(yàn)?zāi)B(tài)分解進(jìn)一步分離子帶中有效信號(hào)和噪聲這三方面的優(yōu)勢(shì)，針對(duì)含有多頻段特征信息的寬帶水聲監(jiān)聽(tīng)信號(hào)實(shí)現(xiàn)有效頻段特征信息提取，解決依靠能量占有比判斷信號(hào)有效性的弊端，以及單一方法提取寬頻帶信號(hào)的局限性，進(jìn)一步提高寬帶水聲信號(hào)特征頻段提取的分辨率，優(yōu)化了高頻弱信號(hào)的分析分辨能力。經(jīng)仿真分析和實(shí)測(cè)水聲監(jiān)聽(tīng)數(shù)據(jù)處理，本文方法優(yōu)勢(shì)明顯，既可剔除摻雜在高能量有效信號(hào)頻段內(nèi)的低頻噪聲，也可提取高頻弱信號(hào)頻段的有效信息。該方法可在寬頻帶水聲監(jiān)聽(tīng)信號(hào)處理方面推廣和應(yīng)用，并為后續(xù)水下目標(biāo)識(shí)別處理提供可靠樣本數(shù)據(jù)。

參考文獻(xiàn)

[1] 張國(guó)勝，顧曉曉，邢彬彬，等.海洋環(huán)境噪聲的分類(lèi)及其對(duì)海洋動(dòng)物的影響[J].大連海洋大學(xué)學(xué)報(bào)，2012，27(1)：89-94.

[2] 鐘孟春，張春林，李華，等.改進(jìn)的小波包能量分段閾值降噪方法[J].計(jì)算機(jī)工程與應(yīng)用，2015，51(5)：204-207.

[3] 史秋亮，林江.基于小波包分解與能量特征提取的相關(guān)分析法[J].聲學(xué)與電子工程，2010(4)：18-20，24.

[4] 楊亞菁，彭宏.最佳能量小波包技術(shù)在海洋水聲信號(hào)處理中的應(yīng)用[J].計(jì)算機(jī)應(yīng)用與軟件，2005(4)：21-22，55.

[5] 劉深，張小薊，牛奕龍，等.基于IMF能量譜的水聲信號(hào)特征提取與分類(lèi)[J].計(jì)算機(jī)工程與應(yīng)用，2014，50(3)：203-206，226.

[6] 趙超，楊慶東.基于EMD和小波包能量法的信號(hào)去噪[J].北京信息科技大學(xué)學(xué)報(bào)(自然科學(xué)版)，2019，34(1)：75-79.

[7] 李茂，楊錄，張艷花.基于EMD及主成分分析的缺陷超聲信號(hào)特征提取研究[J].中國(guó)測(cè)試，2018，44(2)：118-121，133.

[8] 陳功，王平波，鮑玉軍，等.希爾伯特-黃變換在微弱被動(dòng)瞬態(tài)魚(yú)聲信號(hào)中的檢測(cè)[J].海洋科學(xué)，2016，40(10)：91-96.

[9] 蘇祖強(qiáng)，蕭紅，張毅，等.基于小波包分解與主流形識(shí)別的非線性降噪[J].儀器儀表學(xué)報(bào)，2016，37(9)：1954-1961.

[10] 宋保業(yè)，徐繼偉，許琳.基于小波包變換-主元分析-神經(jīng)網(wǎng)絡(luò)算法的多電平逆變器故障診斷[J].山東科技大學(xué)學(xué)報(bào)(自然科學(xué)版)，2019，38(1)：111-120.

[11] 閻妍，行鴻彥.基于小波包多閾值處理的海雜波去噪方法[J].電子測(cè)量與儀器學(xué)報(bào)，2018，32(8)：172-178.

[12] 譚秋衡，吳量，李波.基于EMD及非平穩(wěn)性度量的趨勢(shì)噪聲分解方法[J].數(shù)學(xué)物理學(xué)報(bào)，2016，36(4)：783-794.

[13] 周進(jìn)，卜英勇，羅柏文.互相關(guān)函數(shù)法在海底微地形測(cè)量中的應(yīng)用研究[J].測(cè)繪科學(xué)，2009，34(1)：178-179.

[14] 楊濤，樂(lè)友喜，曾賢德，等.基于自相關(guān)函數(shù)特性的CEEMD全局閾值去噪方法研究[J].地球物理學(xué)進(jìn)展，2018，33(4)：1622-1628.

[15] 王維，張英堂，任國(guó)全.小波閾值降噪算法中最優(yōu)分解層數(shù)的自適應(yīng)確定及仿真[J].儀器儀表學(xué)報(bào)，2009，30(3)：526-530.

[16] 余發(fā)軍，周鳳星.基于EEMD和自相關(guān)函數(shù)特性的自適應(yīng)降噪方法[J].計(jì)算機(jī)應(yīng)用研究，2015，32(1)：206-209.

[17] Passive acoustic recording data from the Alaskan Beaufort Sea[DB/OL].https：/data.eol.ucar.edu/dataset/106.437.

[18] 王佳飛，關(guān)添，姜宇程，等.主動(dòng)噪聲控制平臺(tái)的FPGA實(shí)現(xiàn)[J].電子技術(shù)應(yīng)用，2018，44(2)：59-61，65.

作者信息：

趙  杰1，2，3，楊俊賢1，2，3，惠  力1，2，3，王  志1，2，3，初士博1，2，3

(1.齊魯工業(yè)大學(xué)(山東省科學(xué)院)，山東省科學(xué)院海洋儀器儀表研究所，山東 青島266061；

2.山東省海洋環(huán)境監(jiān)測(cè)技術(shù)重點(diǎn)實(shí)驗(yàn)室，山東 青島266061；3.國(guó)家海洋監(jiān)測(cè)設(shè)備工程技術(shù)研究中心，山東 青島266061)