Page 193 - 《应用声学》2023年第6期

第 42 卷 第 6 期 王永贤等： 近岸 4 种鱼的声散射特征提取及融合实验研究 1303

说明许氏平鲉与其他 3 种鱼间声散射差异较大。判 表 3 基于组合特征的鱼种类识别准确率统计
别阈值设置为 3 时，两两鱼种间判别比之和大于阈 Table 3 Statistical table of fish species
值所对应的特征值总数为 6 个 (包括 1 个时域质心 identification accuracy based on combina-
特征、4 个小波包频段能量特征和 1 个 Hilbert 边际 tion features
谱特征)，通过 Fisher 判别函数有效降低了特征值
识别结果/% 平均识
数量。 分类器 目标类型
斑石鲷 黑鲷 许氏平鲉 花鲈 别率/%
2.3 鱼声散射信号分类识别结果 斑石鲷 85 9 2 4
BP 神经 黑鲷 1 96 3 0
神经网络多分类方法采用 3 层 BP 神经网络分 90
网络 许氏平鲉 1 1 98 0
类器，学习过程采用自适应学习方法 [17] 。输入层神
花鲈 2 12 4 82
经元数为特征个数，隐含层包含 25 个神经元，输出
斑石鲷 94 4 1 1
层为4个神经元，代表4类目标。
黑鲷 1 96 3 0
SVM 多 分 类 方 法 采 用 “one-against-rest” 方 SVM 93
许氏平鲉 0 2 98 0
法 [18] ，通过构造 4 个两分类器，第 i 个 SVM 用第
花鲈 2 10 5 83
i 类中的训练样本做正样本，其他样本为负样本，测
试时让每个训练样本都经过4 个分类器。 3 讨论
将采集的个体鱼回声数据分为两组：第一组为
训练样本，每个类包含 400 个样本，共 1600 个样本； 3.1 实验方法
第二组为测试样本，每个类包含 100 个样本，共 400 当前，鱼类声学特征量的测量方法主要有两类：
个样本。 一类是通过搭建声学实验平台测量行为受控鱼类
特征向量是由 1 个频差特征值和 6 个时频特征 的声学特征量，有绳系法、悬垂法和网箱法；另一类
值组成的组合特征向量，分别基于频差特征、时频 是通过建立模型来计算鱼类声学特征量，有经验统
特征、频差 -时频组合特征选用 SVM 分类器对测试 计模型和物理模型 [14] 。本文选择绳系法实验测量
集进行识别，识别结果如表 2所示，识别准确率分别 鱼的声学特征量，该方法能够较好地控制鱼的姿态，
为 71%、84%、93%，组合特征识别准确率远高于单 但由于测量时鱼体处于非自然状态,，无法真实反映
声波散射情况，会使测量结果产生一定偏差。而且
一特征。
在自然海域中，鱼的游向、姿态以及鱼鳔尺寸的改
表 2 3 种特征的 SVM 分类器识别准确率统计 变也会导致接收信号声学特征量的变化。因此，在
Table 2 Statistical table of recognition ac- 后续的研究中，实验可以从以下几个方面进行改进：
curacy of SVM classifier with three char- (1) 将实验地点改为消声水池，以消除水流动、环境
acteristics 噪声及海底声反射对信号采集质量的影响。(2) 在
现有实验装置基础上增加机械旋转结构，获取鱼在
识别率/%
特征类型 平均识别率/% 不同声波入射角下的声数据，进一步研究鱼体姿态
斑石鲷 黑鲷 许氏平鲉 花鲈
变化对声散射的影响。(3) 文中只对近岸 4 种经济
频差特征 56 63 91 73 71
鱼类的声散射特征进行了研究，若要实现更广泛的
时频特征 74 98 87 77 84
鱼类目标识别，还需要增加目标样本数和特征样本
组合特征 94 96 98 83 93
数。(4) 通过量化鱼在声轴至声束上下边界处的衰
减，对声信号进行补偿，同时，整合更多有效特征信
分别使用 BP 神经网络和 SVM 分类器对训练
息，例如宽带特性、多频特性，提升声信号分析的准
集进行训练，基于组合特征的测试集数据识别结果
确性与鲁棒性。
如表 3 所示，BP 神经网络分类准确率为 90%，其中
斑石鲷 85%、黑鲷 96%、许氏平鲉 98%、花鲈 82%； 3.2 特征提取方法
SVM 分类准确率为 93%，其中斑石鲷 94%、黑鲷 传统声散射信号分类方法中特征的提取主要
96%、许氏平鲉98%、花鲈83%。 基于信号的时域特性、频域特性、相位特性及特殊