海底底質(zhì)類型是重要的海洋環(huán)境參數(shù)，是進(jìn)行海底科學(xué)研究的基礎(chǔ)，海底底質(zhì)分類對(duì)于海洋工程建設(shè)、海底科學(xué)研究、海洋資源開(kāi)采具有重要的科學(xué)與實(shí)際意義。傳統(tǒng)的底質(zhì)分類依靠機(jī)械進(jìn)行直接采樣來(lái)確定沉積物的類型及分布，該方法效率低、采樣數(shù)據(jù)離散，不適合進(jìn)行大面積的調(diào)查分類。聲學(xué)方法遙測(cè)海底類型根據(jù)海底底質(zhì)的反射系數(shù)、聲速、散射等聲學(xué)特性反演出底質(zhì)的類型、粗糙度、硬度等屬性，具有效率高、費(fèi)用低、獲取內(nèi)容豐富連續(xù)的特點(diǎn)，為海底分類提供了快速可靠的方法。對(duì)于單波束、淺地層剖面儀等正入射儀器進(jìn)行底質(zhì)分類的主要方法有海底聲學(xué)參數(shù)反演法、統(tǒng)計(jì)特征分析法等；對(duì)于多波束、側(cè)掃聲吶等斜入射儀器進(jìn)行底質(zhì)分類的主要方法有反向散射強(qiáng)度分析法、圖像紋理特征分析法等。目前，對(duì)于回波信號(hào)的統(tǒng)計(jì)多基于回波信號(hào)的波形特征，對(duì)聲吶回波能量特征研究較少。

淺地層剖面儀（Sub-bottom Profiler），簡(jiǎn)稱“淺剖”，是一種用于獲知海床以下淺部地層信息的聲學(xué)探測(cè)設(shè)備，是進(jìn)行海洋地質(zhì)勘探常用的設(shè)備之一，其工作時(shí)通過(guò)發(fā)射換能器垂直向海底發(fā)射聲波信號(hào)，聲波穿透水層、海底地層，下行過(guò)程中經(jīng)各層介質(zhì)的濾波，遇聲阻抗界面返回，最終攜帶有界面層信息的反射聲波被接收單元接收。相較于其它設(shè)備，淺剖具有發(fā)射頻率低、底質(zhì)穿透力強(qiáng)的特點(diǎn)，獲得的回波信號(hào)可攜帶很豐富的沉積物特征。本文主要對(duì)不同底質(zhì)下淺地層回波信號(hào)的能量序列進(jìn)行分析，提取海底淺層沉積物的回波能量序列進(jìn)行地質(zhì)分類。

一、淺表地層回波能量序列

淺剖在工作中發(fā)射的脈沖強(qiáng)度是固定的，接收的回波強(qiáng)度由于深度和海底不同沉積物的反射系數(shù)、硬度、粗糙度等物理性質(zhì)不同，其回波的能量序列特征也有所不同。具體表現(xiàn)為：⑴回波能量序列的總強(qiáng)度不同。不同底質(zhì)之間回波能量序列的總強(qiáng)度存在較大差異，且與深度有關(guān)，深度較淺回波能量序列的總強(qiáng)度較強(qiáng)，較深回波能力較弱。⑵回波能量序列分布特征不同。淺剖發(fā)射的脈沖信號(hào)接觸到海底沉積物受到反射的同時(shí)，也會(huì)有一部分能量被吸收，利用反射的部分可以進(jìn)行測(cè)深，而不同的沉積物對(duì)聲波的吸收不同，其能量分布存在較大的差異。⑶回波能量序列分布與換能器的工作頻率有關(guān)。工作頻率越低，其回波能量的平均強(qiáng)度越高，且出現(xiàn)波峰的序列越多，工作頻率越高，其回波總能量越低，波峰數(shù)量越少。

對(duì)淺表層回波信號(hào)數(shù)據(jù)進(jìn)行處理，可分離出回波能量序列，接收的1幀數(shù)據(jù)可以換算為垂直方向上有限的回波能量值，其數(shù)量與淺剖的發(fā)射頻率、聲速等有關(guān)，可將回波能量序列映射為水深，計(jì)算公式為：

式中：S為1幀中回波能量的數(shù)量；n為回波能量的序列值；H_MAX為聲吶設(shè)置的最大量程，為H_MIN測(cè)量最小量程。

（a)

(b)

圖1 回波能量序列分布特征

圖1-a為淤泥底質(zhì)在不同工作頻率下的淺剖能量序列分布情況，高頻（200kHz）下其分布中只出現(xiàn)兩個(gè)較為明顯的波峰，第一個(gè)波峰為水面反射,第二個(gè)波峰為聲波到達(dá)海底表面后的反射。低頻（20kHz）下則出現(xiàn)了多個(gè)波峰，其平均能量也更高、低頻穿透性較強(qiáng)，其分布更能反映出不同底質(zhì)的特征。圖1-b為淤泥、砂礫、水泥3種不同底質(zhì)的回波能量序列分布，可以觀測(cè)到不同底質(zhì)的回波能量序列分布具有差別。

二、底質(zhì)分類方法

支持向量機(jī)（SVM）是一種有監(jiān)督的分類算法，其最初由Vapnik首先提出，其主要思想是通過(guò)映射函數(shù)將向量映射到一個(gè)更高維的空間，求解一個(gè)分類超平面，使正例和反例之間的隔離邊緣被最大化。支持向量機(jī)針對(duì)有限的樣本數(shù)量下的分類問(wèn)題，根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則在保證學(xué)習(xí)精度的前提下提高了泛化能力。考慮到在實(shí)際的勘測(cè)工作中，海底樣本采集困難、樣本數(shù)量較少，使用支持向量機(jī)對(duì)海底底質(zhì)進(jìn)行分類識(shí)別研究。

⒈支持向量機(jī)原理

支持向量機(jī)最初用于對(duì)線性可分問(wèn)題進(jìn)行分類，給定訓(xùn)練樣本﹛（x₁,y₁）,（x₂,y₂）,（x₃,y₃）,Λ（x_n,y_n）﹜得到期望輸出y∈﹛-1,1﹜。即尋找一個(gè)超平面將訓(xùn)練樣本分離，并使任意樣本的點(diǎn)到超平面的距離大于等于1。用于分類的最優(yōu)超平面的方程為：

式中：w為法向量；b為截距。滿足上述條件的超平面實(shí)際構(gòu)建了兩個(gè)平行的超平面作為間隔邊界以判別樣本的分類：

所有在上間隔邊界上方的樣本屬于正類，在下間隔邊界下方的樣本屬于負(fù)類，位于間隔邊界上的正類和負(fù)類樣本為支持向量（SupportVector）。對(duì)于非線性問(wèn)題，需適當(dāng)放松約束條件，引入松弛變量ζ_i＞0，此時(shí)的分類條件變?yōu)椋?/span>

當(dāng)ζ_i＝0時(shí)，問(wèn)題變?yōu)榫€性分類問(wèn)題，當(dāng)0＜ζ_i＜1時(shí)，樣本可落在超平面內(nèi)并被超平面正確分類，當(dāng)ζ_i＞1時(shí)，允許錯(cuò)誤分類。松弛因子越大表示對(duì)離散點(diǎn)的容忍程度越高。同時(shí)為松弛因子加入一個(gè)懲罰系數(shù)c，以免松弛因子過(guò)大。此時(shí)的目標(biāo)函數(shù)為：

對(duì)于非線性分類問(wèn)題，可使用映射函數(shù)將其轉(zhuǎn)化為線性可分問(wèn)題，此時(shí)作為決策邊界的超平面表示為w^tφ(x)＋b＝0。公式中φ(x)即為映射函數(shù)，可定義映射函數(shù)的內(nèi)積為核函數(shù)k(x₁,x₂)＝φ(x₁)^Tφ(x₂)。常見(jiàn)的核函數(shù)有多項(xiàng)式核、徑向基（RBF）函數(shù)核、拉普拉斯核等。本次實(shí)驗(yàn)使用RBF核函數(shù)：

⒉分類處理方法

請(qǐng)輸入標(biāo)題

在進(jìn)行底質(zhì)分類之前，首先對(duì)回波能量強(qiáng)度數(shù)據(jù)進(jìn)行預(yù)處理，根據(jù)回波能量序列的特點(diǎn)，最大限度地消除非海底底質(zhì)因素的影響，提取出代表底質(zhì)特征部分的序列，對(duì)數(shù)據(jù)進(jìn)行分類整理，選取適當(dāng)數(shù)量的數(shù)據(jù)作為SVM的訓(xùn)練集和測(cè)試集，對(duì)SVM進(jìn)行訓(xùn)練，并用測(cè)試集進(jìn)行測(cè)試，得到分類結(jié)果。流程如圖2所示：

圖2 底質(zhì)分類處理流程

回波能量序列分布與深度有關(guān)，進(jìn)行數(shù)據(jù)選取時(shí)，需剔除深度的影響，利用閾值算法來(lái)獲取回波能量序列中代表底質(zhì)特征的部分。如圖3所示設(shè)每幀回波能量序列為﹛P₁(h₁,k₁),P₂(h₂,k₂)ΛP_n(h_n,k_n)﹜，其中h_i為序列值，k_i為能量強(qiáng)度。根據(jù)測(cè)量時(shí)的水深值可根據(jù)公式⑴計(jì)算出水深的序列D，根據(jù)水深序列D設(shè)定合適的范圍﹛D∈[h_min,h_max]﹜，如圖3黑色虛線，在設(shè)定的閾值內(nèi)，尋找能量強(qiáng)度的最大值得到水底表面的深度序列h，選取適當(dāng)?shù)暮穸?/span>△h，截取海底表面深度h后的[h,h＋△h]范圍內(nèi)的回波能量序列作為底質(zhì)分類的有效原始數(shù)據(jù)，即圖3紅色虛線，對(duì)數(shù)據(jù)進(jìn)行篩選，這樣可以有效地過(guò)濾掉水面反射回波、二次回波等其它異常的回波能量。對(duì)底質(zhì)厚度的選取，可在一定的厚度內(nèi)進(jìn)行循環(huán)測(cè)試，根據(jù)分類成功的準(zhǔn)確率選取合適的底質(zhì)厚度。

圖3 底質(zhì)特征數(shù)據(jù)選取

支持向量機(jī)在實(shí)際應(yīng)用中，懲罰參數(shù)c與核函數(shù)參數(shù)g的選擇對(duì)于最后的分類效果具有十分重要的影響，選擇恰當(dāng)?shù)膮?shù)十分必要。在原始數(shù)據(jù)底質(zhì)已知的情況下，可將參數(shù)c與g在一定范圍內(nèi)取離散值，將原始數(shù)據(jù)一部分作為訓(xùn)練集，一部分作為測(cè)試集，并對(duì)參數(shù)進(jìn)行歸一化處理，歸一化處理可將不同來(lái)源的特征數(shù)據(jù)統(tǒng)一到同一數(shù)量級(jí)下，消除不同特征間量綱的影響。使用離差標(biāo)準(zhǔn)化，使結(jié)果值映射到[0,1]之間，轉(zhuǎn)換函數(shù)如下：

式中：k_i表示序列i的能量強(qiáng)度；max﹛k_i﹜表示所有樣本數(shù)據(jù)中回波能量強(qiáng)度最大值；min﹛k_i﹜表示所有樣本數(shù)據(jù)中回波能量強(qiáng)度最小值。訓(xùn)練完成后利用測(cè)試集對(duì)分類準(zhǔn)確率進(jìn)行測(cè)試，如圖2所示。以測(cè)試集的分類準(zhǔn)確率作為評(píng)價(jià)標(biāo)準(zhǔn)，不斷對(duì)參數(shù)進(jìn)行優(yōu)化測(cè)試，最終得到一定條件下最佳的懲罰參數(shù)c與核函數(shù)參數(shù)g。

三、實(shí)驗(yàn)數(shù)據(jù)分析

本次實(shí)驗(yàn)數(shù)據(jù)來(lái)源于山東科技大學(xué)海洋測(cè)繪重點(diǎn)實(shí)驗(yàn)室消聲水池，該水池長(zhǎng)40m，寬6m，水深3～8m。水池池壁放置了消聲材料，水池底部有規(guī)律階梯狀布設(shè)有卵石、砂礫、淤泥、水泥等不同底質(zhì)，模擬真實(shí)的海洋環(huán)境。采集數(shù)據(jù)用到的儀器為某型號(hào)淺地層剖面儀、GPS定位系統(tǒng)、處理軟件南方自由行2016等。設(shè)置淺地層剖面儀的最大工作深度為20m，聲速為1500m/s，保持參數(shù)不變，分別對(duì)淤泥、砂礫、水泥三種底質(zhì)進(jìn)行數(shù)據(jù)采集，每種底質(zhì)選取不同的點(diǎn)進(jìn)行5次采集，每個(gè)采集點(diǎn)采集數(shù)據(jù)5分鐘。對(duì)數(shù)據(jù)進(jìn)行回放，選取其中4組回波較清晰的信號(hào)。

每組選取50幀數(shù)據(jù)，其中100幀作為訓(xùn)練集，100幀作為測(cè)試集，根據(jù)上述方法，首先對(duì)數(shù)據(jù)進(jìn)行處理，利用閾值算法截取底質(zhì)能量序列。如圖4所示，為了剔除水深的影響，截取的序列為表面波峰后的13列。可以觀測(cè)到不同底質(zhì)之間的回波能量序列具有較明顯的差異。水泥底質(zhì)回波序列中會(huì)有一個(gè)明顯的波峰，砂礫底質(zhì)與水泥底質(zhì)相比波峰較小，且波峰序列靠前，淤泥底質(zhì)回波序列其能量強(qiáng)度緩慢下降。

圖4 不同底質(zhì)回波能量序列

選取能量回波序列的多少即選取的底質(zhì)厚度不同，對(duì)分類結(jié)果影響很大，默認(rèn)SVM參數(shù)c＝1，g＝1，不同厚度下的分類結(jié)果如表1所示：

表1不同序列長(zhǎng)度下分類準(zhǔn)確率

通過(guò)表1觀察到，在SVM參數(shù)不變的情況下，截取能量序列長(zhǎng)度為13時(shí)分類準(zhǔn)確率為95.33%，而選取序列長(zhǎng)度為7時(shí)分類準(zhǔn)確率僅為67.33%，本次所取的能量強(qiáng)度序列為13，其對(duì)應(yīng)的底質(zhì)厚度為0.87m。

本次測(cè)試集的底質(zhì)類型已知，設(shè)定不同的參數(shù)c,g利用訓(xùn)練集進(jìn)行訓(xùn)練，訓(xùn)練完成后利用該支持向量機(jī)對(duì)測(cè)試集進(jìn)行分類，預(yù)測(cè)結(jié)果與實(shí)際底質(zhì)類型結(jié)果對(duì)比可選出最優(yōu)的參數(shù)c與g，如圖5所示。

(a)

(b)

圖5  SVC參數(shù)優(yōu)化示意圖

先在較大范圍內(nèi)粗略的選取c與g，將c與g范圍設(shè)為[2^-4,2⁴]，遞進(jìn)步長(zhǎng)取2為底的冪指數(shù)0.5，結(jié)果如圖5-a所示，在log₂g＝0處，即g＝1處分類準(zhǔn)確率較高，且參數(shù)g對(duì)分類準(zhǔn)確率影響較大，進(jìn)一步縮小范圍，將c設(shè)為[0,2]步進(jìn)間隔為0.1，將g設(shè)為[0,2]步進(jìn)間隔為0.01，得到結(jié)果如圖5-b所示。在這種條件下的最優(yōu)參數(shù)為c＝1,g＝1.01。

利用優(yōu)化參數(shù)后的支持向量機(jī)，對(duì)測(cè)試集3類底質(zhì)共300個(gè)樣本數(shù)據(jù)進(jìn)行自動(dòng)分類，分類結(jié)果如圖6所示，預(yù)測(cè)底質(zhì)類型與測(cè)試集已知的底質(zhì)類型相同，分類準(zhǔn)確率為96%。其中淤泥有2個(gè)樣本被錯(cuò)分為水泥，水泥有10個(gè)樣本被錯(cuò)分為淤泥。

圖6 底質(zhì)分類測(cè)試結(jié)果

四、結(jié)論

從淺地層剖面儀回波信號(hào)中提取的回波能量序列，可有效地應(yīng)用于海底底質(zhì)分類。本文總結(jié)了淺地層回波信號(hào)能量序列的特征，提出了一種簡(jiǎn)單有效的截取含有底質(zhì)特征的回波能量序列的方法。在分類方法上，利用SVM算法進(jìn)行分類，優(yōu)化了SVM的參數(shù)，使其在一定意義上達(dá)到了最優(yōu)，在實(shí)驗(yàn)水池進(jìn)行數(shù)據(jù)采集，淺剖工作狀態(tài)與工作環(huán)境較為理想，且采集的底質(zhì)數(shù)據(jù)樣本數(shù)量較少，每個(gè)底質(zhì)類型用于訓(xùn)練的數(shù)據(jù)相似度較高，所以取得了很高的分類精度。淺地層剖面儀在實(shí)際的測(cè)量工作中面臨船運(yùn)動(dòng)、環(huán)境噪聲等多種因素的影響，且海底底質(zhì)類型復(fù)雜多變，需要進(jìn)一步利用淺剖采集真實(shí)的海底底質(zhì)數(shù)據(jù)，并在數(shù)據(jù)預(yù)處理、底質(zhì)特征選取以及多底質(zhì)類型分類等方面進(jìn)行更深入的研究。

【作者簡(jiǎn)介】文/鄭旭 羅宇 施劍 吳逸凡 李斌，分別來(lái)自山東科技大學(xué)測(cè)繪學(xué)院和自然資源部第二海洋研究所。第一作者鄭旭，1997年出生，男，碩士研究生，主要從事海洋測(cè)繪、聲吶信號(hào)處理和并行優(yōu)化技術(shù)研究；第二作者羅宇，1974年出生，男，博士，教授，主要從事聲學(xué)信號(hào)處理研究；通訊作者施劍，1978年出生，男，博士，副教授，主要從事水聲探測(cè)與定位研究。文章來(lái)自《海洋技術(shù)學(xué)報(bào)》（2020年第6期），參考文獻(xiàn)略，用于學(xué)習(xí)與交流，版權(quán)歸作者及出版社共同擁有，本文編發(fā)已取得授權(quán)。