摘 要： 設(shè)計了一種用于聲探測預(yù)警的嵌入式直升機目標識別系統(tǒng)。采用嵌入式微處理器S3C44B0X作為系統(tǒng)CPU完成了目標識別平臺的設(shè)計，在小波包分析法提取直升機特征向量的基礎(chǔ)上，訓練BP神經(jīng)網(wǎng)絡(luò)分類器進行目標分類。實驗結(jié)果表明，該識別系統(tǒng)對直升機類目標有較高的識別率。
關(guān)鍵詞： 嵌入式；小波包分析；特征提??；BP神經(jīng)網(wǎng)絡(luò)；目標識別
?
武裝直升機以其獨特的超低空飛行性能、靈活機動的作戰(zhàn)方式和多功能的作戰(zhàn)用途,已成為現(xiàn)代戰(zhàn)爭中威脅性很大的武器系統(tǒng)平臺,因而對武裝直升機實施的探測、預(yù)警和跟蹤技術(shù)受到各國的高度重視[1]。聲探測技術(shù)是一種較為有效的探測方法，它利用直升機在空中留下的“聲痕跡”，應(yīng)用現(xiàn)代信號處理方法對其實現(xiàn)智能識別。
基于ARM的嵌入式系統(tǒng)具備低功耗的優(yōu)點和可靠的實用性能，將其應(yīng)用于戰(zhàn)場環(huán)境對武裝直升機等目標實施探測識別，符合現(xiàn)代信息戰(zhàn)的發(fā)展趨勢。本設(shè)計采用ARM嵌入式處理器構(gòu)建硬件處理平臺，將采集到的聲信號A/D轉(zhuǎn)換后傳輸?shù)侥繕俗R別平臺中。硬件平臺的S3C44B0X微處理器利用目標識別應(yīng)用程序?qū)β曅盘枖?shù)據(jù)進行處理，實現(xiàn)對直升機類飛行目標的探測、識別。如果系統(tǒng)識別結(jié)果為存在直升機目標，則由定位系統(tǒng)對其定位、跟蹤。
1 目標識別系統(tǒng)組成
嵌入式目標識別平臺的組成框圖如圖1所示。
1.1 聲信號采集模塊
采用B&K公司的聲傳感器采集戰(zhàn)場聲信號，聲信號通過調(diào)理儀濾波、放大后，經(jīng)A/D轉(zhuǎn)換成數(shù)字信號，由串行接口傳輸?shù)铰曅盘栕R別模塊中。
1.2 聲信號識別模塊
聲信號識別模塊主要包括S3C44B0X微處理器、存儲系統(tǒng)、JTAG調(diào)試接口、串行接口、晶振電路以及電源模塊等。
串行接口中的MAX3221E作為電平轉(zhuǎn)換器，外接一個9針RS232構(gòu)成串口UART0，采用兩根接線RXD和TXD，進行聲信號數(shù)據(jù)的接收和傳輸。
采用Samsung公司的S3C44B0X微處理器作為識別模塊的核心。S3C44B0X的杰出特性是它的CPU內(nèi)核，即由ARM公司設(shè)計的16/32位ARM7TDMI RISC處理器。在S3C44B0X微處理器中移植目標識別軟件完成由串口傳輸?shù)阶R別模塊中的聲信號數(shù)據(jù)的處理，實現(xiàn)信號識別的目的。
如信號識別模塊判斷存在直升機目標，則信號識別后的數(shù)據(jù)由串口發(fā)送到直升機定位系統(tǒng)，進一步實現(xiàn)直升機目標的跟蹤與定位。
2 目標識別平臺軟件設(shè)計
2.1 串口數(shù)據(jù)傳輸
聲信號數(shù)據(jù)傳輸流程圖如圖2所示。S3C44B0X的串口UART包括2個16 B的FIFO；分別用來接收和傳輸數(shù)據(jù)，采用中斷模式接收聲信號數(shù)據(jù)，使能FIFO模式。FIFO接收中斷觸發(fā)水平為8 B，即當FIFO中的數(shù)據(jù)達到8 B時觸發(fā)接收中斷，在接收中斷服務(wù)程序中完成二進制數(shù)據(jù)的接收，并將聲信號數(shù)據(jù)存入S3C44B0X存儲單元中。
?
2.2 目標識別軟件
目標識別的效果主要依賴于特征提取和分類識別算法。本目標識別系統(tǒng)采用小波包分析特征提取和BP神經(jīng)網(wǎng)絡(luò)分類算法編寫目標識別軟件應(yīng)用程序，將目標識別軟件移植于S3C44B0X硬件平臺，實現(xiàn)聲信號的處理，達到識別目標類型的目的。
2.2.1 小波包分析
小波包是由通常的小波函數(shù)通過線性組合而成，具有小波函數(shù)的正交性和時-頻局部化特性。在小波包分析中，同時對信號的低頻和高頻部分進行分解，并能根據(jù)被分析信號的特征，自適應(yīng)地選擇相應(yīng)的頻帶，使之與信號頻譜相匹配，從而提高時－頻分辨率[2]。
定義函數(shù)un(t)滿足以下雙尺度方程：
式中：g(k)=(-1)kh(1-k)，即兩系數(shù)具有正交關(guān)系，u0(t)和u1(t)分別為尺度函數(shù)φ(t)和小波基函數(shù)
(t)。
? 由式(1)構(gòu)造的序列{un(t)}(n∈Z+)稱為由基函數(shù)確定的正交小波包。
2.2.2 基于小波包分析的信號特征提取
基于小波包分析的聲信號特征提取步驟：
(1)對原始信號進行三層小波分析；
(2)對分解后的第三層信號進行五層小波包分解；
(3)對小波包分解系數(shù)重構(gòu)，提取各頻段范圍的信號。以S5j表示第(5，j)個節(jié)點的小波系數(shù)重構(gòu)，其中j=0，1，…31，分別表示第五層第j個節(jié)點；
(4)求各個頻段信號的總能量。以E5j(j=0，1，…31)表示信號S5j的能量。特征向量T可以構(gòu)造如下：
T=[E50，E51，E52，…，E530，E531]
當能量較大時，E5j通常是一個較大數(shù)值，給數(shù)據(jù)分析造成不便。由此，可以對特征向量進行歸一化處理，令：
其中，向量T′即為歸一化后的向量，以T′的值為元素構(gòu)造特征向量。
2.2.3 基于BP神經(jīng)網(wǎng)絡(luò)的目標識別
BP神經(jīng)網(wǎng)絡(luò)是一種多層網(wǎng)絡(luò)的逆推學習算法，圖3為BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖，它由輸入層、輸出層和隱層組成[3]。本文選取32×17×2的神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)。
BP神經(jīng)網(wǎng)絡(luò)目標識別的實現(xiàn)分為兩個階段。第一階段是學習訓練階段。在這個階段，網(wǎng)絡(luò)加載實際目標信號的輸入和理想輸出，計算理想輸出與實際輸出之間的誤差，通過誤差傳遞調(diào)整網(wǎng)絡(luò)權(quán)值，直至理想輸出與實際輸出之間的誤差符合分類器精度要求，此時權(quán)值所包含的信息就是分類器的分類信息；第二階段是識別階段。在這個階段，網(wǎng)絡(luò)只加載實際目標信號的輸入，根據(jù)第一階段所獲得的權(quán)值來計算分類器輸出，通過輸出判斷信號所屬類別。
3 實驗結(jié)果及討論
采用戰(zhàn)場實測的一組直升機聲信號數(shù)據(jù)和非直升機聲信號數(shù)據(jù)作為測試樣本。第一步采用小波包分析對樣本進行特征提取，結(jié)果如表1所示。第二步采用BP神經(jīng)網(wǎng)絡(luò)對樣本進行目標分類。在學習訓練階段，該目標識別系統(tǒng)將實測的戰(zhàn)場聲信號特征向量作為訓練樣本，對BP網(wǎng)絡(luò)進行訓練，確定權(quán)值和閾值。在識別階段，把表1中聲信號特征向量作為神經(jīng)網(wǎng)絡(luò)的輸入，利用訓練好的網(wǎng)絡(luò)對測試樣本進行識別，判斷目標類別[4]，識別結(jié)果如表2所示。
由表2可看出網(wǎng)絡(luò)的實際輸出與理論輸出吻合較為理想，說明可將小波包分析與BP神經(jīng)網(wǎng)絡(luò)分類器相結(jié)合的直升機目標識別算法應(yīng)用于實際戰(zhàn)場環(huán)境中。
為反映嵌入式目標識別平臺的識別率，分別采用80組直升機數(shù)據(jù)樣本以及80組非直升機數(shù)據(jù)樣本作為測試樣本，提取特征向量，在嵌入式平臺上利用訓練好的網(wǎng)絡(luò)對測試樣本進行識別，識別結(jié)果如表3。
該目標識別系統(tǒng)采用近年來興起的嵌入式技術(shù)，并與聲探測技術(shù)相結(jié)合，實現(xiàn)了對武裝直升機的目標識別，目標識別率較高，且嵌入式系統(tǒng)具備低功耗和高性能的優(yōu)點，適用于戰(zhàn)場環(huán)境。本識別系統(tǒng)的研制對戰(zhàn)場環(huán)境直升機類目標的探測預(yù)警有實際應(yīng)用價值。
參考文獻
[1] 徐貴英.反直升機聲引信的聲傳播問題[J].現(xiàn)代引信，1997(3)：38－41.
[2] 胡昌華，李國華，劉濤，等.基于MATLAB 6.x的系統(tǒng)分析與設(shè)計——小波分析[M].西安：西安電子科技大學出版社，2004.
[3] 朱大奇，史慧.人工神經(jīng)網(wǎng)路原理及應(yīng)用[M].北京：科學出版社，2006.
[4] 支華，巢佰崇，陳雪豐.基于ARM的指紋識別平臺設(shè)計[J].地理空間信息，2005，3(3)：23－24.