摘 要： 設計了一種用于聲探測預警的嵌入式直升機目標識別系統。采用嵌入式微處理器S3C44B0X作為系統CPU完成了目標識別平臺的設計，在小波包分析法提取直升機特征向量的基礎上，訓練BP神經網絡分類器進行目標分類。實驗結果表明，該識別系統對直升機類目標有較高的識別率。
關鍵詞： 嵌入式；小波包分析；特征提取；BP神經網絡；目標識別
?
武裝直升機以其獨特的超低空飛行性能、靈活機動的作戰方式和多功能的作戰用途,已成為現代戰爭中威脅性很大的武器系統平臺,因而對武裝直升機實施的探測、預警和跟蹤技術受到各國的高度重視[1]。聲探測技術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”，應用現代信號處理方法對其實現智能識別。
基于ARM的嵌入式系統具備低功耗的優點和可靠的實用性能，將其應用于戰場環境對武裝直升機等目標實施探測識別，符合現代信息戰的發展趨勢。本設計采用ARM嵌入式處理器構建硬件處理平臺，將采集到的聲信號A/D轉換后傳輸到目標識別平臺中。硬件平臺的S3C44B0X微處理器利用目標識別應用程序對聲信號數據進行處理，實現對直升機類飛行目標的探測、識別。如果系統識別結果為存在直升機目標，則由定位系統對其定位、跟蹤。
1 目標識別系統組成
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場聲信號，聲信號通過調理儀濾波、放大后，經A/D轉換成數字信號，由串行接口傳輸到聲信號識別模塊中。
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、JTAG調試接口、串行接口、晶振電路以及電源模塊等。
串行接口中的MAX3221E作為電平轉換器，外接一個9針RS232構成串口UART0，采用兩根接線RXD和TXD，進行聲信號數據的接收和傳輸。
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內核，即由ARM公司設計的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到識別模塊中的聲信號數據的處理，實現信號識別的目的。
如信號識別模塊判斷存在直升機目標，則信號識別后的數據由串口發送到直升機定位系統，進一步實現直升機目標的跟蹤與定位。
2 目標識別平臺軟件設計
2.1 串口數據傳輸
聲信號數據傳輸流程圖如圖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據，采用中斷模式接收聲信號數據，使能FIFO模式。FIFO接收中斷觸發水平為8 B，即當FIFO中的數據達到8 B時觸發接收中斷，在接收中斷服務程序中完成二進制數據的接收，并將聲信號數據存入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。本目標識別系統采用小波包分析特征提取和BP神經網絡分類算法編寫目標識別軟件應用程序，將目標識別軟件移植于S3C44B0X硬件平臺，實現聲信號的處理，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通過線性組合而成，具有小波函數的正交性和時-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，并能根據被分析信號的特征，自適應地選擇相應的頻帶，使之與信號頻譜相匹配，從而提高時－頻分辨率[2]。
定義函數un(t)滿足以下雙尺度方程：
式中：g(k)=(-1)kh(1-k)，即兩系數具有正交關系，u0(t)和u1(t)分別為尺度函數φ(t)和小波基函數
(t)。
? 由式(1)構造的序列{un(t)}(n∈Z+)稱為由基函數確定的正交小波包。
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)對小波包分解系數重構，提取各頻段范圍的信號。以S5j表示第(5，j)個節點的小波系數重構，其中j=0，1，…31，分別表示第五層第j個節點；
(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可以構造如下：
T=[E50，E51，E52，…，E530，E531]
當能量較大時，E5j通常是一個較大數值，給數據分析造成不便。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′的值為元素構造特征向量。
2.2.3 基于BP神經網絡的目標識別
BP神經網絡是一種多層網絡的逆推學習算法，圖3為BP神經網絡結構圖，它由輸入層、輸出層和隱層組成[3]。本文選取32×17×2的神經網絡模型結構。
BP神經網絡目標識別的實現分為兩個階段。第一階段是學習訓練階段。在這個階段，網絡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，通過誤差傳遞調整網絡權值，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，網絡只加載實際目標信號的輸入，根據第一階段所獲得的權值來計算分類器輸出，通過輸出判斷信號所屬類別。
3 實驗結果及討論
采用戰場實測的一組直升機聲信號數據和非直升機聲信號數據作為測試樣本。第一步采用小波包分析對樣本進行特征提取，結果如表1所示。第二步采用BP神經網絡對樣本進行目標分類。在學習訓練階段，該目標識別系統將實測的戰場聲信號特征向量作為訓練樣本，對BP網絡進行訓練，確定權值和閾值。在識別階段，把表1中聲信號特征向量作為神經網絡的輸入，利用訓練好的網絡對測試樣本進行識別，判斷目標類別[4]，識別結果如表2所示。
由表2可看出網絡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神經網絡分類器相結合的直升機目標識別算法應用于實際戰場環境中。
為反映嵌入式目標識別平臺的識別率，分別采用80組直升機數據樣本以及80組非直升機數據樣本作為測試樣本，提取特征向量，在嵌入式平臺上利用訓練好的網絡對測試樣本進行識別，識別結果如表3。
該目標識別系統采用近年來興起的嵌入式技術，并與聲探測技術相結合，實現了對武裝直升機的目標識別，目標識別率較高，且嵌入式系統具備低功耗和高性能的優點，適用于戰場環境。本識別系統的研制對戰場環境直升機類目標的探測預警有實際應用價值。
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的系統分析與設計——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.人工神經網路原理及應用[M].北京：科學出版社，2006.
[4] 支華，巢佰崇，陳雪豐.基于ARM的指紋識別平臺設計[J].地理空間信息，2005，3(3)：23－24.