Page 194 - 《应用声学》2023年第6期

1304 2023 年 11 月

声音 [5] 。近年来，鱼探仪在多波束、宽带和多频方向 of adaptive segmentation temporal centroid features in
上发展迅速，这使得利用多元声特征信息实现鱼种 fish identifications[J]. Applied Acoustics, 2012, 31(3):
215–219.
的分类识别成为可能。Rogers 等 [19] 采用中心频率
[5] 许枫, 张乔, 张纯, 等. Walsh 变换对鱼类特征识别的研究 [J].
为 153.6 kHz 的换能器采集 3 种鱼宽带声散射信号， 应用声学, 2015, 34(5): 465–470.
基于信号的宽带特征对鱼种进行分类，但现场识别 Xu Feng, Zhang Qiao, Zhang Chun, et al. Walsh trans-
form for fish identification[J]. Journal of Applied Acous-
效果并不理想，分析认为仅提取宽带回波频谱特征
tics, 2015, 34(5): 465–470.
可能会使神经网络识别不可靠，宽带声信号的识别 [6] 杜伟东, 李海森, 魏玉阔, 等. 基于 SVM 的多方位声散射数
还需要包括其他特征。本文中同时提取了鱼回波信 据协作融合鱼分类与识别 [J]. 农业机械学报, 2015, 46(3):
号的时频特征和频差特征，将其组合特征作为鱼种 268–275.
Du Weidong, Li Haisen, Wei Yukuo, et al. Decision fu-
分类的判别依据，这种特征提取方法不仅可以反映 sion fish identification using SVM and itsexperim ental-
鱼在时域和频域中的信息，还可以体现鱼类在不同 study[J]. Transactions of the Chinese Society of Agricul-
频率下的声散射差异信息，是利用多元声特征信息 tural Machinery, 2015, 46(3): 268–275.
[7] Brundage H M, Jung J B. Experiments with broadband
实现鱼分类的一次成功尝试。 sonar for the detection and identification of endangered
shortnose sturgeon[J]. Marine Technology Society Jour-
4 结论 nal, 2009, 43(3): 78–82.
[8] Sunardi S, Din J, Yudhana A, et al. Target strength for
本文通过绳系法实验研究了近岸 4 种经济鱼类 fish identification using echo sounder[J]. Applied Physics
Research, 2009, 1(2): 92–101.
声散射信号的特征提取及融合方法，得出如下结论：
[9] 李超. 鱼体模型目标强度的测定 [D]. 大连: 大连海洋大学,
(1) 姿态角为 0° 时，4 种实验用鱼 (花鲈、许氏 2014.
平鲉、黑鲷、斑石鲷) 的平均 TS 分别为 −36.81 dB、 [10] Li H, Cheng Y, Dai W, et al. A method based on wavelet
packets-fractal and SVM for underwater acoustic signals
−43.86 dB、−45.17 dB、−44.11 dB (200 kHz)/
recognition[C]. 2014 12th International Conference on Sig-
−39.37 dB、−45.41 dB、−46.71 dB、−45.65 dB nal Processing (ICSP). IEEE, 2014: 2169–2173.
(450 kHz)。 [11] 胡广书. 现代信号处理教程 [M]. 北京: 清华大学出版社,
(2) 基于频差特征、时频特征、时频和频差组 2004: 393–413.
[12] Azimi-Sadjadi M R, Yao D, Jamshidi A A, et al. Under-
合特征的 SVM 鱼类识别准确率分别为 71%、84%、 water target classification in changing environments us-
93%，说明组合特征识别准确率远高于单一特征， ing an adaptive feature mapping[J]. IEEE Transactions
有效地增加判别依据可以明显提高不同鱼种间区 on Neural Networks, 2002, 13(5): 1099–1111.
[13] Theodoridis S, Koutroumbas K. Pattern recognition[M].
分度。
Amsterdam: Elsevier, 2006.
(3) 所提方法对文中 4 种鱼类的识别效果较好， [14] 王金明. 基于模型法对黄河鲤的目标强度的测量 [D]. 大连:
但作为鱼类的识别还需要进一步开展工作。 大连海洋大学, 2018.
[15] Simrad. Simrad ER60 scientific echo sounder software ref-
erence manual[M]. Norway: Simrad Maritime AS Kongs-
berg, 2008: 19–31.
参 考 文 献
[16] Moszynski M, Hedgepeth J B. Using single-beam side-lobe
observations of fish echoes for fish target strength and
[1] 杨红生, 丁德文. 海洋牧场 3.0: 历程、现状与展望 [J]. 中国科 abundance estimation in shallow water[J]. Aquatic Living
学院院刊, 2022, 37(6): 832–839. Resources, 2000, 13(5): 379–383.
Yang Hongsheng, Ding Dewen. Marine ranching version [17] Tian J, Xue S, Huang H. Classification of underwater ob-
3.0: history, status and prospects[J]. Bulletin of Chinese jects based on probabilistic neural network[C]. 2009 Fifth
Academy of Sciences, 2022, 37(6): 832–839. International Conference on Natural Computation. IEEE,
[2] 尚悦. 鱼种回波信号特征提取及分类方法研究 [D]. 杭州: 浙 2009, 2: 38–42.
江大学, 2019. [18] 段继康. 多类分类支持向量机在语音识别中的应用研究 [D].
[3] 张波. 鱼群声散射模型及其仿真研究 [D]. 哈尔滨: 哈尔滨工 太原: 太原理工大学, 2010.
程大学, 2009. [19] Rogers E O, Fleischer G W, Simpson P K, et al.
[4] 刘寅, 许枫, 张乔, 等. 自适应分段时域质心特征在鱼类识别 Broadband fish identification of Laurentian Great Lakes
中的应用 [J]. 应用声学, 2012, 31(3): 215–219. fishes[C]. 2004 IEEE International Geoscience and Re-
Liu Yin, Xu Feng, Zhang Qiao, et al. Applications mote Sensing Symposium. IEEE, 2004, 2: 1430–1434.