基于多特征多尺度信息熵（CEEMDAN）和BOA-SVM的水下目标特征提取与分类

《Ocean Engineering》：Feature extraction and classification of underwater targets based on multi-feature multi-scale information entropy, CEEMDAN and BOA-SVM

基于CEEMDAN和MEMIE的船辐射噪声分类研究

　　
本文聚焦于船辐射噪声信号的特征提取与分类问题，针对现有方法在复杂信号处理中的局限性，提出了一套创新性的多尺度信息熵分析框架与优化分类算法。研究团队通过整合五类粗粒化处理方法、自适应噪声的完整集合经验模态分解（CEEMDAN）以及改进的支撑向量机（BOA-SVM），构建了从信号分解到特征提取再到分类识别的完整技术体系。

在问题背景分析中，研究者系统梳理了船辐射噪声的物理特性：这种信号具有非线性时变、非高斯分布以及多频段耦合的特征。传统特征提取方法（如时域统计量、频域谱分析、时频变换及非线性熵分析）在应对复杂海洋环境下的弱信号检测时，普遍存在信息丢失严重、特征维度不足等问题。文献调研表明，现有熵类方法主要依赖单一粗粒化处理（如均值分割），导致信号的多尺度特征无法充分挖掘，尤其难以捕捉高频段细微的调制特性。

为突破这一瓶颈，本文创新性地提出多特征多尺度信息熵（MEMIE）方法。该技术体系包含三个核心创新点：首先，构建了包含均值、方差、峰值、均方根及幅值根五种统计量的复合粗粒化处理模块，通过多维度参数协同计算实现信号特征的立体化解析。其次，将CEEMDAN算法与MEMIE进行有机融合：采用CEEMDAN对原始信号进行多尺度分解，提取出具有物理意义的本征模态函数（IMF），再通过MEMIE对IMF分量进行五维特征熵分析。这种级联处理方式既保证了信号的非线性特征完整性，又通过多尺度分解实现了能量分布的精细化重构。第三，针对传统SVM在非线性分类中的局限性，提出基于凤蝶优化算法（BOA）的参数自适应优化策略，通过动态调整核函数参数与分类阈值，显著提升了复杂信号场景下的分类鲁棒性。

在实验验证环节，研究团队构建了包含五类典型船噪声（机械噪声、螺旋桨噪声、流体动力噪声等）的基准测试数据集，其数据来源于公开的海洋声学数据库。实验设计采用双阶段验证机制：首先通过蒙特卡洛模拟对MEMIE算法的参数敏感性进行系统研究，发现当窗口长度m设置为512时，五维熵值的差异性最显著；当尺度因子τ取0.1-0.3区间时，多尺度特征提取的完备性达到最优平衡。其次，通过对比实验验证了方法的有效性：传统单粗粒度熵方法（MIE）在相同实验条件下平均准确率仅为82.3%，标准差达2.15%，而MEMIE方法通过五维特征融合，将准确率提升至93.6%且标准差缩小至1.67%。特别值得注意的是，在信噪比低于-20dB的弱信号场景中，MEMIE仍能保持85%以上的分类准确率，这得益于CEEMDAN的自适应噪声抑制机制与多特征熵的冗余补偿效应。

技术实现层面，研究团队建立了完整的处理流程：信号预处理阶段采用小波阈值去噪技术，有效分离了噪声中的瞬态特征；特征提取阶段通过CEEMDAN将原始信号分解为12-15阶IMF分量，利用相关性系数分析筛选出与原始信号相关度＞0.85的前7阶IMF；在多尺度熵计算阶段，采用加权平均策略整合五类粗粒化处理后的熵值，其中峰值和均方根参数赋予0.4的权重系数，以强化瞬态特征和能量分布特征的表征能力。分类器设计上，BOA-SVM通过动态调整高斯核的σ参数和分类阈值，在训练集与测试集上均表现出稳定的泛化能力，其交叉验证准确率较传统SVM提升约12个百分点。

创新性成果主要体现在三个方面：其一，构建了首个融合五类粗粒化方法的熵分析体系，通过参数解耦技术实现了不同统计量特征的优势互补。其二，提出CEEMDAN与多尺度熵的协同优化机制，解决了传统方法中分解后特征冗余与缺失的矛盾。其三，将凤蝶优化算法引入SVM参数调优，相比遗传算法、粒子群优化等传统方法，BOA在连续空间搜索中表现出更强的收敛稳定性，参数优化耗时减少约40%。

实验数据表明，该方法的特征提取能力具有显著优势：在五类船噪声的频谱能量分布上，MEMIE能够准确识别出机械噪声（1-5kHz）、螺旋桨噪声（10-30kHz）和流体噪声（50-100kHz）的频段特征差异。对比实验显示，MEMIE提取的时频特征向量与原始信号的相关系数达到0.92，显著高于传统方法（0.78-0.85）。分类器性能方面，BOA-SVM在处理非高斯分布数据时，核函数参数自适应调整能力使其在混淆矩阵中实现了各类别0.92以上的召回率，较传统SVM的0.75有显著提升。

在工程应用层面，研究团队验证了该方法在真实场景中的适用性。通过采集不同吨位船舶在不同航速下的辐射噪声数据，发现MEMIE方法能够有效区分同类船舶的不同工作状态：例如在螺旋桨转速波动超过15%的工况下，特征熵值的变化幅度仍能保持87%以上的判别有效性。此外，研究还发现该方法对环境噪声（如海浪噪声、生物声学信号）具有较好的抑制能力，在30dB信噪比条件下仍能保持85%以上的分类准确率。

理论贡献方面，该研究建立了多粗粒化处理与分解算法的协同机制。通过对比实验发现，采用CEEMDAN的IMF分量进行多尺度熵计算，较传统EMD方法特征提取完整度提升23%，且在非平稳信号处理中表现出更好的时移不变性。这为复杂信号处理中的分解-特征提取框架优化提供了新的理论视角。

该方法在实际应用中展现出显著的经济效益。在某型船舶故障预警系统中部署后，误报率从传统方法的18%降至6.7%，平均检测响应时间缩短至0.32秒。在海洋资源开发领域，该方法成功应用于海底管道腐蚀监测，通过分析不同频段噪声的熵值分布，实现了对管道损伤类型（点蚀、裂纹、腐蚀疲劳）的准确分类。

未来研究可沿着三个方向深化：首先，探索深度学习框架与MEMIE的融合，构建端到端的智能分析系统；其次，研究多传感器数据融合下的特征熵优化方法；最后，开发面向实时监测的轻量化算法实现方案。这些方向将进一步提升该方法在复杂海洋环境中的实用价值。

本研究不仅为水下声学信号处理提供了新的技术范式，更重要的是建立了从特征提取到分类决策的完整技术链条。通过多尺度分解与多维度熵计算的有机融合，既克服了传统单尺度分析的局限性，又避免了特征工程中的主观性干扰，为智能水下系统开发奠定了重要的方法论基础。实验数据表明，该方法的工程适用性已达到商业级产品标准，具有广阔的产业化前景。