6.1 特征提取与目标识别

6.1 特征提取与目标识别

本节摘要：检测回答"有没有"，识别回答"是谁"。被动体制的识别资本是辐射噪声的精细结构：窄带分析把线谱一根根拔出来，DEMON 解调从宽带谱里读出螺旋桨转速与叶片数，宽带统计刻画目标的时间纹理；主动体制则从回波里提取目标强度、尺度与材质线索。本节对照两条识别流水线，并拆解模板比对与特征学习两条路线的依赖与软肋。

从一个现象说起

同一段方位时间历程，操作员盯着的从来不只是"能量大小"。他会看谱图上有没有几根稳定的亮线（线谱），亮线有没有缓慢漂移（变速或机动），宽带背景里有没有周期性的"梳齿"（螺旋桨调制）。人眼和人耳擅长的是模式，机器要做的就是把这种模式提取成可比较的参数。识别的第一性原理由此而来：不同型号的目标，其机械配置、转速范围、几何尺度长期稳定且彼此不同，这些差异会烙印在辐射噪声与回波的统计结构上——特征提取就是把烙印读出来，识别就是拿烙印去对指纹库。

被动识别流水线：噪声里的三张谱

第一张是窄带谱（LOFAR）：把感兴趣频段做长积分傅里叶变换，机械线谱以尖峰形式浮现，线谱的频率组合即声纹主参数。积分时间与频率分辨率的交换在这里最直观：积分越久线谱越细、越能分开靠得近的两根线，但目标的机动变化也被时间平均抹平——工程上常用"中等窗口、多帧叠加"折中。第二张是解调谱（DEMON）：螺旋桨空化的宽带噪声被叶片频率周期性调制，对宽带包络再谱分析，就得到叶片频率及其倍频的谱线；读出线间距得转速与叶片数之积，比上谐波数得叶片数——不用看清目标就能报出"几叶桨、大概多少转"，这是从宽带谱里抠出的型号级证据。第三张是宽带统计：谱形状、起伏方差、时间相关结构，用于区分类别（水面船与潜艇的宽带"体格"截然不同）并支撑宽带能量检测的先验。三张谱各管一层：宽带管发现、DEMON 管螺旋桨、窄带管全机声纹。

DEMON 解调流程（概念）：
  宽带信号 → 带通滤波（螺旋桨噪声频段，如 1 至 5 kHz）
           → 包络检波（平方或希尔伯特）
           → 低通与降采样（保留几至几百 Hz 调制带）
           → 谱分析 → 叶片频率线谱
           → 读谱线间距 → 转速 × 叶片数；数谐波 → 叶片数
  产出: 型号级特征（叶片数、转速档位、轴频）
​

主动识别流水线：回波里的体格与材质

主动体制的识别材料来自回波的解剖。目标强度 TS 及其随方位角的变化曲线勾勒目标的"声学体格"：大型潜艇正横与艏艉方向可差十几 dB，这曲线本身就是分类特征。宽带回波的距离剖面揭示几何结构——艇体、指挥台围壳、螺旋桨在时间轴上分成可辨认的回波簇。频段的散射特性携带材质信息：声阻抗差异让金属壳体与非金属艇体的频率响应不同，弹性散射还有与目标尺寸相关的谐振特征。成像声呐（第4章）则把识别升级为"看图说话"：侧扫图上的阴影与亮区轮廓、多波束的深度剖面，直接支持人工或自动判读。对照来看：被动识别靠"声纹"，线索来自目标自己的运转状态；主动识别靠"体格"，线索来自几何与材质对波的调制——前者信息更细但依赖目标发声，后者可控但受分辨率与视角限制。

识别的两条技术路线：模板与学习

模板比对路线：把已知目标的声纹参数（线谱频率集、DEMON 叶片数、轴频档位）建成指纹库，识别就是把观测特征与库内模板打分匹配。它的逻辑是"凡是库里的，都能说出型号"；优点是可解释、可审计——说它是什么就是什么，证据链完整；软肋是对库外目标无能为力，且指纹库需要长期多工况采集与维护，新型号目标从服役到入库存在"空窗期"。特征学习路线：用大量标注数据训练分类器，自动从谱图或原始波形里学习特征。它对库外目标有分类与异常告警能力，还能榨出人工难选的深层特征；软肋是样本（真实目标数据昂贵且敏感）、泛化（换海区换工况性能漂移）与可解释性（为什么判它是它，常常说不清）。工程上的务实做法是双路线并行：模板库管"认识的老朋友"，学习模型管"陌生人的异常"，两路结果交叉印证，任何单路的高置信结论都要过另一路的复检——识别系统最贵的不是算错，而是错得斩钉截铁。

要点速记

• 检测管"有没有"，识别管"是谁"；识别的物理基础是目标机械配置在声信号上的长期稳定烙印。
• 被动识别三张谱：宽带管发现、DEMON 管螺旋桨（转速与叶片数）、窄带线谱管全机声纹。
• 主动识别读体格与材质：TS 方位曲线、距离剖面、成像轮廓；可控但受视角与分辨率限制。
• 模板路线可解释但困于库内，学习路线泛化强但样本昂贵且难解释；双路线并行、交叉印证是工程正解。

参数速查卡：识别特征的物理出处

这张表的用法是反向的：观测到某个特征时，能立刻说出它的物理出处，就不会把测量噪声当成声纹、把环境起伏当成机动。识别的可靠性始于对特征出处的敬畏。

问题：为什么识别系统对"新装备空窗期"特别敏感

模板路线依赖指纹库，新装备从服役到被采集、入库、验证存在数月甚至数年的空窗；学习路线依赖训练样本，同样没有见过新的东西。空窗期内，识别系统对新目标只能输出"未知"或不可靠的猜测——这正是双路线交叉印证与异常告警机制存在的理由：宁可诚实地说不认识，也不给一个自信的错误答案。

一个反面案例：被环境噪声冒领的声纹

某识别系统在试验场表现优异，列装后却在近岸海区频繁把航路货船误判为某型目标——复盘发现训练样本全部来自安静深海，近岸的航运噪声谱与目标线谱在特征空间里距离很近，分类器自然张冠李戴。整改方案是在特征里加入环境上下文（同期噪声基线、海区标签），并把近岸数据补进训练集。教训与 6.1 的数据瓶颈同源：特征不是凭空可比的，脱离环境语境的声纹比对，等于隔着窗帘认人。