复杂水文环境下水声系统检测性能研究_闫志杰.pdf

2023年第47卷第4期49Underwater Acoustic EngineerinG水 声 工 程水 声 工 程文献引用格式：闫志杰，李光志.复杂水文环境下水声系统的检测性能研究 J.电声技术，2023，47（4）：49-51，56.YAN Z J，LI G Z.Research on the detection performance of underwater acoustic systems in complex hydrological environmentsJ.Audio Engineering，2023，47（4）：49-51，56.中图分类号：U666.7 文献标识码：A DOI：10.16311/j.audioe.2023.04.013复杂水文环境下水声系统检测性能研究闫志杰，李光志（中国船舶集团有限公司第七一五研究所，浙江 杭州 310000）摘要：研究复杂水文环境下水声系统的检测性能，并提出了相应的技术分析。针对水声传感器技术、信号处理技术、复杂水文环境建模以及多传感器数据融合技术等，详细介绍了不同方法和策略。同时，对数据分析与结果进行了详细讨论，包括数据预处理与清洗、信号特征提取与表示、信号识别与分类结果分析以及系统性能评估与对比。通过该研究，可以为复杂水文环境下水声系统的性能提升提供重要参考。关键词：水声系统；复杂水文环境；检测性能；传感器技术；信号处理Research on the Detection Performance of Underwater Acoustic Systems in Complex Hydrological EnvironmentsYANZhijie,LIGuangzhi(CSSC715thResearchInstitute,Hangzhou310000,China)Abstract:Thedetectionperformanceofunderwateracousticsystemincomplexhydrologicalenvironmentisstudied,andthecorrespondingtechnicalanalysisisputforward.Differentmethodsandstrategiesareintroducedindetailforunderwateracousticsensortechnology,signalprocessingtechnology,complexhydrologicalenvironmentmodelingandmulti-sensordatafusiontechnology.Atthesametime,thedataanalysisandresultsarediscussedindetail,includingdatapreprocessingandcleaning,signalfeatureextractionandrepresentation,signalidentificationandclassificationresultsanalysis,andsystemperformanceevaluationandcomparison.Throughthisresearch,itcanprovideimportantreferenceforimprovingtheperformanceofunderwateracousticsystemincomplexhydrologicalenvironment.Keywords:underwateracousticsystem;complexhydrologicalenvironment;detectionperformance;sensortechnology;signalprocessing0 引 言水声系统在复杂水文环境中具有广泛应用，如海洋资源勘探、水下通信以及环境监测等。然而，复杂水文环境的特殊性给水声系统的检测性能也带来了一定挑战。为了提高水声系统的检测性能，需要深入研究和分析相关技术1。通过对水声传感器技术、信号处理技术、复杂水文环境建模以及多传感器数据融合技术等进行探讨，全面了解复杂水文环境下水声系统的检测性能。1 水声系统检测性能相关技术1.1 水声传感器技术1.1.1 传感器类型和特点第一，压电传感器。压电传感器是最常用的水声传感器之一，它使用压电效应将声波转换为电信号。此类传感器具有宽频响特性和较高的灵敏度，能够检测到宽范围的频率信号，但是对温度和水压的变化比较敏感，需要进行适当的校准和防护。第二，磁性传感器。磁性传感器通过测量磁场的变化来检测水声信号2，对压力和温度的变化不敏感，因此在复杂水文环境中比较可靠。然而，磁性传感器的灵敏度相对较低，可能需要放置较近的距离才能获得足够的信号强度。第三，光纤传感器。光纤传感器利用光学原理检测水声信号，具有较高的灵敏度和抗干扰能力，可以在长距离信号传输过程中应用。1.1.2 传感器部署和布局策略在复杂水文环境中，部署更多的传感器可以提2023年第47卷第4期50水 声 工 程水 声 工 程nderwater Acoustic EngineeringU供更广的覆盖范围和更高的空间分辨率。通过将传感器放置在不同深度，可以获得更全面和准确的水声数据。在水体中进行多个水平的传感器布局，可以捕捉到不同水层中的水声信号2，这对于分析和理解水体中的声学变化非常有帮助。固定布局的传感器可以提供长期稳定的数据，移动布局的传感器则能在需要时进行调整或重新部署，以满足特定的监测要求。1.1.3 传感器信号采集和处理方法水声传感器采集到的信号是模拟电信号，需要通过数据采集系统进行数字化处理。常用的采集系统包括模数转换器（Analog to Digital Converter，ADC）和前置放大器。ADC 将模拟信号转换为数字信号，并对采样率和分辨率进行配置。前置放大器可以提升信号幅度，以提高信噪比。对于采集到的数字信号可以采用多种处理方法，以提取有用的信息或进行分析和识别。通过对信号进行时域分析，可以获取信号的振幅、周期以及时序特征。常用的时域分析方法包括时域平均、时域滤波以及自相关分析。将信号转换到频域后，可以研究信号的频率成分和谱特性。常用的频域分析方法包括傅里叶变换、功率谱密度估计以及频谱分析。针对宽带信号，使用脉冲压缩技术可以提高信号的分辨率和信噪比。脉冲压缩可以通过匹配滤波器或相关处理来实现。通过提取信号的特征参数，可以对信号进行分类和识别。1.2 水声信号处理技术1.2.1 信号预处理和去噪通过低通滤波器可以去除高频噪声和杂散信号，保留主要的低频成分。高通滤波器可以去除低频噪声和背景信号，保留高频细节和事件。使用特定的噪声模型，如自适应滤波、小波变换、谱减法等，可以降低环境噪声对水声信号的影响3。对于特定类型的水声信号，去除共振峰和谐波可以提高信号的清晰度。1.2.2 信号特征提取和表示时域特征包括信号的能量、时长、过零率等。通过傅里叶变换或其他频谱分析方法，提取信号的频率成分、频谱形状、谱线特征等。通过短时傅里叶变换（Short Time Fourier Transform，STFT）或连续小波变换（Continue Wavelet Transform，CWT）可以计算信号的瞬时频率和频谱特征，捕捉信号的时变特性。将信号分解为多个子带，并提取每个子带的频谱特征，可以捕捉信号在不同频率范围内的细节信息。1.2.3 信号识别和分类信号识别和分类常用的技术包括支持向量机（Support Vector Machines，SVM）、随机森林算法、卷积神经网络（Convolutional Neural Network，CNN）算法、循环神经网络（Recurrent Neural Network，RNN）。SVM 是一种常用的监督学习算法，适用于二分类和多分类任务，可以根据提取的特征将信号分类到不同的类别。随机森林是一种集成学习算法，基于多个决策树组合投票的方法进行信号分类，具有较强的鲁棒性和准确性。CNN 是一种深度学习算法，特别适用于图像和声音等具有空间结构的数据。通过多层卷积和池化操作，CNN 可以学习信号的空间特征，从而进行分类任务和分析任务。RNN 是一个带有环路连接功能的神经网络，主要用于序列信号的处理4。在生物水声信息识别中，RNN 可以建模信号的时序特征，对长期依赖关系进行建模。1.3 复杂水文环境建模1.3.1 水体声学特性建模根据水体的温度、盐度以及压力等参数，可以使用声速方程或经验公式计算声速的分布。此外，也可以使用数值模拟方法，如有限元法或有限差分法，来模拟水体中声波的传播和声速分布。水中的声波在传播过程中会出现衰减，可以使用经验公式或基于散射理论的模型来估计声波的衰减系数。复杂水文环境中的声波传播会受到水体表面或底部的反射和散射的影响5，可以使用几何光学方法或数值模拟方法来建模这些反射和散射过程，以预测声波的传播路径和强度分布。1.3.2 水体背景噪声建模通过对长期采集的背景噪声数据进行统计分析，可以建立背景噪声的统计模型，如高斯模型、伽马分布模型等。根据水体中环境条件和噪声源的特性，可以使用物理模型来模拟背景噪声的产生和传播过程。例如，模拟海浪的噪声可以使用海浪理论和波浪生成模型。使用机器学习和深度学习算法，可以训练模型来学习背景噪声的模式和特征，以实现对水体背景噪声的建模和预测。1.3.3 环境参数监测与预测部署传感器网络来实时监测水体环境参数，可以测量水温、盐度以及水流速度等，并将数据传输到中央数据中心进行处理和分析。使用数值模拟方法，如计算流体力学（Computational Fluid 2023年第47卷第4期51Underwater Acoustic EngineerinG水 声 工 程水 声 工 程Dynamics，CFD）模拟等，对水体的环境参数进行模拟和预测。这些模型基于物理方程和边界条件，可以预测水体中的温度分布、盐度梯度、水流速度等。将传感器数据和数值模拟结果进行融合，以提高环境参数的估计精度。此外，使用数据融合算法，如卡尔曼滤波算法、粒子滤波算法等，将传感器观测数据和模拟结果进行融合，从而得到更优的环境参数估计。使用机器学习算法来建立环境参数与传感器观测数据之间的映射关系，通过训练模型，可以预测环境参数的变化趋势和未来数值。对历史环境参数进行分析和挖掘，寻找其中的模式和规律。使用时间序列分析、聚类分析、关联规则挖掘等方法，可以获得环境参数的周期性、趋势性或相关性信息。1.4 多传感器数据融合技术1.4.1 多传感器数据融合的原理和方法多传感器数据融合是将来自不同传感器的信息进行集成和处理，以获得更准确、全面、可靠的信息。利用不同传感器之间的互补性，通过合理的算法和模型将观测结果进行组合，从而得到更高质量的信息。将来自不同传感器的测量值按权重进行加权平均，权重可以根据传感器的准确性、可靠性或其他性能指标进行分配。卡尔曼滤波是一种递归滤波方法，利用系统动态模型和观测模型对传感器测量值进行滤波和预测，能够估计系统的状态，并提供最优的状态估计。粒子滤波是一种基于蒙特卡洛采样的滤波方法，使用一组粒子来表示系统状态的后验分布，对传感器测量值进行滤波和预测。1.4.2 数据融合算法的选择与优化选择合适的数据融合算法需要考虑多个因素，包括传感器特性、数据性质、应用需求以及复杂度计算等。对不同传感器的性能特点进行评估，包括测量精度、响应时间、稳定性等。根据传感器的特性，选择适合的数据融合算法。分析待融合数据的特性，如噪声分布、采样率、相关性等，根据数据特性选择合适的融合算法，以提高融合结果的准确性和稳定性。通过实验或仿真评估不同算法在特定应用场景下的性能，包括准确性、鲁棒性、实时性以及计算复杂度等指标。对于一些需要设置参数的数据融合算法，可以通过参数调优来优化算法的性能。1.4.3 数据融合对系统性能的影响分析通过合理的数据融合算法，可以将来自多个传感器的信息进行组合，提高系统对目标信