一种基于多元变分模态分解特征优化和冲突处理的两阶段证据融合水下目标识别方法

《Engineering Applications of Artificial Intelligence》：A two-stage evidence fusion underwater target recognition method based on Multivariate Variational Mode Decomposition feature optimization and conflict handling

水下声学目标识别中提出MVMD-CSFR结合两阶段冲突感知证据融合方法，通过灰色关联分析优化模态分解参数，消除冗余特征后采用Fisher评分进行选择，最终通过动态冲突修正提升识别准确率至90.64%。

　　在海洋安全、环境监测和国家安全等关键领域，水下声学目标识别技术扮演着不可或缺的角色。然而，水下环境的复杂性和动态性，例如噪声干扰、信号衰减和多路径传播，使得目标识别的准确性和可靠性面临巨大挑战。为了解决这些问题，本文提出了一种新颖且稳健的框架，将增强的信号分解技术与冲突感知的证据融合策略相结合，以提升水下目标识别的性能。通过在真实水下声学数据集上的评估，所提出的方法在识别准确率上达到了90.64%，相比传统方法提升了13.07%。消融实验进一步验证了MVMD-CSFR和TSCAET各自的贡献，分别在不同条件下提升了0.97%至8.26%和1.51%至10.37%的识别准确率。这项工作为水下声学识别领域提供了基于原理、数据驱动的处理流程，不仅提升了特征质量，还增强了在不确定环境下的决策融合能力。

水下目标识别技术是实现水下声学环境检测和武器系统智能化的重要基础，对于各国的经济发展和国家海洋安全具有深远影响。随着全球经济的发展和国际形势的变化，海洋资源的开发和利用不断增长，海洋活动的频率和复杂性也相应提高。这不仅对海洋生态系统构成了潜在威胁，也对国家安全提出了新的挑战。在这样的背景下，精确且可靠的水下目标识别技术显得尤为重要。它不仅可以用于监控非法捕捞、走私等不法行为，还能为军事防御提供关键支持，例如潜艇识别、鱼雷预警以及水面舰艇的保护。然而，由于水下声波传播的特性以及海洋环境的复杂性，水下声学信号往往包含大量环境信息，如船舶辐射噪声、海洋生物信号和背景海洋噪声。从这些信号中精准提取目标信息是一项极具挑战性的任务。

此外，随着水下目标隐身技术的发展，对在低信噪比条件下进行检测和特征提取的需求也日益增加。因此，研究水下声学信号的特征提取具有重要意义，亟需开发新的水下目标识别方法。在水下声学信号采集过程中，由于周围环境的不确定性，存在大量的背景噪声，这使得从有限数据中获取准确的目标信息变得困难。因此，许多学者在目标识别之前会对水下声学数据进行预处理，以获得更精确的信息。模态分解作为一种常用的预处理方法，在多个领域得到了广泛应用，包括水下目标识别领域。

目前，常见的模态分解方法包括经验模态分解（EMD）及其改进版本，如集合经验模态分解（EEMD）、互补EEMD（CEEMD）、自适应噪声的完整EEMD（CEEMDAN）、时变滤波EMD（TVFEMD）等。此外，还有变分模态分解（VMD）及其变种，如连续VMD（SVMD）、多变量VMD（MVMD）、辛几何模态分解（SGMD）等。然而，许多源自EMD的模态分解方法大多属于经验性方法，依赖于信号的局部极值进行分解，缺乏严谨的数学理论支持。同时，这些方法对噪声干扰极为敏感，容易产生虚假模态。尽管SGMD方法可以自适应地分解多个模态，但在实际海洋数据中，嵌入维度的自适应选择成为一个重要问题，容易导致过度分解，显著增加计算复杂性。

相比之下，MVMD利用变分优化框架对信号成分进行分离，提供了更好的抗噪能力。与EMD家族的方法相比，MVMD减少了因噪声产生的虚假模态，使得有用信息的提取更加准确。对于非平稳信号，MVMD能够自适应地调整每个模态的中心频率和带宽，从而有效地跟踪信号的变化。这比传统的傅里叶变换或其他基于固定基函数的方法更具优势。虽然MVMD也需要设置一些参数，如模态数量K和惩罚因子α，但这些参数的意义相对直观，可以根据具体应用场景进行调整。模态分解方法主要应用于信号预测和故障检测，其在目标识别领域的应用相对有限。本文创新性地将模态分解应用于目标识别领域，同时提出了一种特征选择机制，以减少特征冗余。

传统的水下声学目标特征提取方法通常关注于时频分析，包括短时傅里叶变换（STFT）、频谱分析和小波变换等。由于水下声学信号具有非线性和非平稳的特性，提取非线性特征也逐渐成为研究热点。这些特征包括熵、Lempel-Ziv复杂度和分形维度等。进一步研究发现，倒谱特征能够有效反映信号的深度信息。因此，基于频谱的方法也得到了发展，如伽马-音调频谱倒谱系数（GFCC）和梅尔-频率倒谱系数（MFCC）等。

此外，将统计函数应用于这些低阶特征，以映射到更高维的表示形式，能够更好地捕捉目标的深度信息。然而，对于来源单一的模态分解信号，大部分计算出的特征存在冗余问题，因此特征选择显得尤为重要。特征选择方法主要分为三类：过滤法、包装法和嵌入法。过滤法关注于数据的一般特性，与分类算法无关。包装法则与分类算法交互，通过生成和评估子集来提高选择精度，但显著增加了计算复杂性。嵌入法结合了过滤法和包装法的优点，将特征选择过程嵌入到训练过程中。尽管包装法和嵌入法在性能上优于过滤法，但由于其较高的计算成本，通常难以在实际应用中推广。

目前，尚无有效的方法对模态分解后的信号进行进一步筛选。因此，提出一个完整的模态分解和特征提取筛选方案具有重要意义和创新价值。证据融合可以综合考虑不同证据源之间的差异和相似性，从而通过整合证据提升分类准确率。然而，不同证据源之间的差异可能导致融合过程中的冲突，进而导致结果出现显著偏差。先进的机器学习算法在实际应用场景中也发挥着重要作用。为了解决这些问题，许多研究人员对证据理论的融合规则进行了深入研究，提出了多种改进方法和技巧。

首先，Yager（1987）提出了一种基于冲突重分配的合成规则，通过幂运算调整冲突因素的影响，从而增强对冲突证据的鲁棒性。其次，Smets（1992）开发了可转移信念模型（TBM），该模型将冲突部分重新分配到未知假设中，避免了传统Dempster规则中对冲突因素进行零化的问题。此外，Murphy（2000）引入了一种基于加权平均的简单平均方法，通过平均多个证据来缓解冲突问题，同时保持计算效率。然而，当原始证据源中包含大量异常数据时，可能会产生误判。因此，处理证据冲突的主流方法通常是对融合规则进行修改。然而，不同的数据类型往往需要不同的融合策略才能实现最佳性能。因此，迫切需要一种通用且稳健的证据冲突解决机制，以适应各种数据类型，从而提升识别准确率和鲁棒性。

为了应对上述问题，本文提出了一种结合MVMD和特征选择的样本处理方法。此外，我们通过引入“双阶段冲突感知证据理论”优化了传统的证据理论，改进了证据的修正机制，显著提升了冲突证据判断的准确性。本文所提出方法的整体流程图如图1所示。

具体来说，该方法分为三个主要阶段。第一阶段是信号分解与选择（对应第2.1节），原始水下声学数据首先输入到MVMD模块中，信号被分解为多个成分。随后，灰色关联分析（GRA）被用来选择最具代表性的成分。第二阶段是特征提取（对应第2.2节），从分解后的信号中提取特征，随后将这些多成分的特征数据输入到特征选择模块中，以去除冗余特征，保留最具判别性的关键特征。第三阶段是模型训练与证据融合（对应第3节），针对每个成分训练对应的多类模型，并将这些模型输出的概率分布（即网络的softmax输出，代表每个类别的置信度）作为证据源进行融合。

对于检测到的冲突证据，本文采用了一种双阶段证据修正方法。通过计算不同证据之间的相似性来识别冲突，并利用Fisher特征选择方法以及一组二元修正模型对冲突证据进行进一步细化，从而提升证据融合的可信度和准确性。最终，修正后的合成概率分布能够更准确地捕捉数据的本质特征，这使得整体识别过程的准确性和可靠性得到显著提升。

综上所述，尽管存在众多的信号分解方法，但如何有效处理分解后的信号仍然是一个重大挑战。目前，尚无全面且有效的处理方法，因此需要研究人员进一步探索和开发。当前的证据融合方法主要集中在修改融合规则上，但这些规则在不同场景下的效果差异较大。因此，开发一种通用且稳健的证据冲突识别方法具有重要意义，并代表了未来研究的关键方向。本文的主要贡献如下：

本文提出了一种结合特征选择与多变量变分模态分解（MVMD）的方法，命名为MVMD-CSFR（多变量VMD与成分特定特征细化），该方法能够将水下声学信号分解为多个模态，从而提取深度相关的特征。解决了模态分解后信号处理的问题，显著提升了模态分解信号的利用效率。

通过结合灰色关联分析和能量比分析，选择了适当的模态分解参数。随后，采用Fisher评分作为特征选择方法，获取源自模态分解的代表性特征集。解决了模态分解后信号特征的过度冗余问题，简化了计算复杂性，并使得该方法更容易在实际应用中使用。

在完成基于Dempster-Shafer（DS）证据理论的第一阶段证据融合后，对多信息源之间的冲突进行分析。将冲突证据输入到第二阶段的修正模型组中，以获取更精细的证据，提升证据融合的可信度和准确性。该方法不需要选择不同的融合规则，而是通过扩展用于训练修正模型的数据集，实现对各种条件下的冲突处理。

本文的结构如下：在第2节中，我们提出了一种完整的数据处理流程，即多变量VMD与成分特定特征细化。首先，我们介绍了MVMD及其相关参数的选取方法。接着，我们详细描述了特征提取过程。最后，我们深入探讨了基于Fisher评分的特征选择方法。在第3节中，我们介绍了“双阶段冲突感知证据理论”，该方法源自传统的证据理论，并引入了对冲突证据的二次修正机制，从而增强证据融合的可靠性。在第4节中，我们使用真实水下声学数据进行了实验，以验证所提出方法的有效性。我们分别评估了两种新方法的性能优势，并分析了整个流程对分类准确率的整体提升。第5节总结了本文所提出方法的创新点，并提出了未来研究的潜在方向。