一种基于CEEMDAN和多尺度多样性熵的船舶目标信号新颖特征提取方法

《Applied Acoustics》：A novel feature extraction method for ship target signals based on CEEMDAN and multiscale diversity entropy

　　李哲彦|李旭星|岳家伟|常晓军|朱秦宇
西安工业大学自动化与信息工程学院，中国西安710048

摘要
基于模态分解和非线性动态指标的特征提取方法被广泛应用于船舶目标信号的特征提取，因为它们能够在保留高频信息的同时处理非平稳信号。然而，这些方法的性能常常受到参数敏感性和特征量化不准确性的影响。为了解决这些挑战，本文提出了一种基于具有自适应噪声的完全集成经验模态分解（CEEMDAN）和多尺度多样性熵（MDivE）的船舶目标信号特征提取新方法，称为CEEMDAN-MDivE。具体来说，该方法首先利用CEEMDAN将船舶目标信号分解为一系列固有模态函数（IMFs），从而有效抑制模态混合，并避免变分方法中固有的参数初始化敏感性。随后，计算IMFs的MDivE以提取其复杂度特征。在两个真实世界的船舶目标信号数据集上的实验结果表明，CEEMDAN-MDivE的平均识别率分别为99.29%和98.04%。此外，与各种模态分解方法、不同分类器和深度学习算法的全面比较分析验证了其优越的特征提取性能、良好的准确性与效率平衡以及强大的抗噪声能力。

引言
水下声信号是海洋中信息传输的主要载体[1]，在海洋环境监测和资源勘探中发挥着不可替代的作用[2][3]。在众多类别的水下声信号中，由发动机、辅助机械和螺旋桨旋转噪声的复杂耦合产生的船舶目标信号[4][5]具有独特的声学特征，这些特征可以表征船舶的吨位、速度和机械结构。这些特征使得船舶目标的识别、分类和跟踪成为可能，从而赋予信号极高的研究价值和应用意义[6][7]。然而，这些特征通常嵌入在复杂的原始信号中，因此有效特征提取是船舶目标信号处理的关键步骤[8]。
由于海洋环境的复杂性，准确的特征提取仍然是一个具有挑战性的任务。在早期研究中，传统的特征提取方法主要集中在从信号中提取时频特征。然而，这些方法往往存在局限性：傅里叶变换难以表征信号的时间变化特性，而小波变换的性能受到小波基函数选择的严重限制[9]。相比之下，非线性动态指标在捕获信号复杂性方面表现优异，但在直接应用于原始非平稳信号时容易受到环境噪声干扰和高频信息丢失的风险[10]。鉴于其在直接处理非平稳信号和防止高频信息丢失方面的优势，模态分解提供了一种有效的解决方案。基于此，利用模态分解获得固有模态函数（IMFs）并随后计算其非线性动态指标的特征提取方法已被广泛应用于非平稳信号分析。
特别是，结合经验模态分解（EMD）和非线性指标的方法在船舶辐射噪声分类中显示出潜力[11]，但EMD固有的模态混合问题严重影响了特征准确性[12][13]。为了缓解这一问题，集成EMD（EEMD）利用噪声辅助分析来抑制模态混合[14]。同时，基于变分理论的方法也受到了广泛关注。结合变分模态分解（VMD）和非线性动态指标的方法也展示了出色的特征提取能力[15]。然而，VMD对参数初始化（尤其是模态数量）非常敏感，这限制了其在未知环境中的适应性[16]；尽管连续VMD（SVMD）减轻了对模态数量的依赖性[17]，但其分解准确性和鲁棒性在噪声环境中往往难以保证。为了规避变分方法的参数敏感性并抑制自适应分解中的模态混合，具有自适应噪声的完全集成经验模态分解（CEEMDAN）[18]成为理想的解决方案。通过在分解过程中加入自适应噪声，该方法显著提高了分解精度并大大减少了残余干扰[19]。因此，CEEMDAN被认为是此类特征提取方法的理想模态分解技术，其与非线性动态指标结合的有效性已在船舶目标信号特征提取研究中得到了验证[20]。
在成功获取IMFs之后，下一个挑战在于准确量化它们以实现船舶目标信号的有效表征。在这方面，非线性动态指标是强大的工具[21]。样本熵（SE）是一种经典的复杂度评估指标，但其计算负担重且对数据长度敏感[22][23]。为了提高效率，引入了排列熵（PE），利用序数模式来加速计算[24]。然而，PE本质上忽略了幅度信息[25]。为了解决这个问题，Rostaghi和Azami[26]提出了分散熵（DisE），通过映射方法保留了幅度信息。尽管这些改进提高了性能，但这些熵指标在表征非平稳水下信号时通常具有一致性差或鲁棒性不足的问题[27]。Lempel-Ziv复杂度（LZC）[28]是一种代表性的非线性指标，用于测量时间序列数据的复杂性。虽然传统的LZC由于二进制粗粒化的过度简化而损失了信息[29][30]，但改进的变体如排列LZC（PLZC）[31]和分散LZC（DLZC）[32]已被开发出来以保留更丰富的模式信息。然而，这些方法中的固有量化不可避免地导致残余信息丢失。因此，这些方法在强背景噪声下往往难以保持鲁棒性，或者无法完全捕捉复杂船舶目标信号的动态变化。
为了全面克服这些限制，Wang等人[33]开发了多样性熵（DivE）。通过使用基于余弦相似性的测量方法，DivE规避了传统离散化策略的局限性，从而增强了捕获船舶目标信号特征的能力。为了进一步提取分布在不同粗粒度尺度上的复杂度特征，多尺度多样性熵（MDivE）将DivE指标扩展到多尺度领域[34]。然而，将MDivE应用于船舶目标信号特征提取的研究仍待探索。
因此，为了实现准确的信号分解和特征量化，本文提出了一种基于CEEMDAN和MDivE的船舶目标信号特征提取新方法，称为CEEMDAN-MDivE。具体来说，使用CEEMDAN将船舶目标信号分解为一系列IMFs，从而有效抑制模态混合，并避免变分方法中固有的参数初始化敏感性。分解后，选择相关的IMFs来表征主要信息。随后，利用MDivE量化这些选定的IMFs并提取其复杂度特征。
本文的其余部分组织如下：第2节介绍了CEEMDAN-MDivE的理论和方法；第3节详细介绍了使用两个真实世界船舶目标信号数据集进行的实验验证；第4节提供了不同模态分解方法和分类器的比较分析；最后，第5节总结了本文。

研究片段
**CEEMDAN**
本研究中使用的CEEMD采用了自适应噪声添加策略。通过在每个分解阶段向残差信号添加特定的噪声成分并计算集成均值，有效抑制了模态混合，确保了IMFs的精确提取。具体步骤如下：
**步骤1：**向初始信号x添加标准差为ε0的高斯白噪声wi。然后使用EMD对新系列进行分解，得到第一个模态分量h～1。

**船舶目标信号的特征提取实验**
为了验证所提出的CEEMDAN-MDivE方法的有效性，使用了包含多种船舶目标信号的真实世界数据集进行了实验。由于CEEMDAN作为统一的分解基线，标准化实验条件至关重要。因此，所有比较特征提取方法的参数都经过严格配置，以确保公平和客观的比较，如表1所详述。

**识别准确性的比较实验**
通过与主流模态分解方案（VMD、EMD、SVMD）的比较，证明了所提出的特征提取方法的优越性，其中MDivE被固定为评估指标。这些比较特征提取方法分别表示为VMD-MDivE、EMD-MDivE和SVMD-MDivE。这些模态分解的主要参数设置详见表2。在这些设置下，所提出的CEEMDAN-MDivE与这些组合在……

**结论**
本文提出了CEEMDAN-MDivE，以解决船舶目标信号的非线性和非平稳特性带来的困难。CEEMDAN-MDivE的有效性已在两个真实世界数据集上得到了验证。本研究的核心结论如下：
(1) 该研究证实，所提出的方法有效地利用CEEMDAN抑制了模态混合，并利用MDivE准确捕捉了船舶的多尺度非线性动态特性。

**机构审查委员会声明**
不适用。

**知情同意声明**
不适用。

**作者贡献声明**
李哲彦：撰写 – 审阅与编辑、撰写 – 原稿、可视化、软件、数据管理。
李旭星：撰写 – 原稿、软件、方法论、资金获取。
岳家伟：撰写 – 原稿、可视化、方法论。
常晓军：撰写 – 原稿、软件、数据管理。
朱秦宇：软件、撰写 – 审阅与编辑。

**资助**
本研究由陕西省重点研发计划（项目编号2025CY-YBXM-072）和中国国家自然科学基金（编号62571424）资助。

**利益冲突声明**
作者声明没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。