小波变换下舰船噪声信号识别方法

考虑到舰船在海上航行过程中受到海上多种环境因素的干扰,降低了舰船噪声信号的识别性能,为此提出小波变换下舰船噪声信号识别方法研究。基于小波变换原理,对舰船噪声信号进行分解,得到分解后的特征分量,为了消除声呐距离的影响,引入归一化处理方式,提取出舰船噪声信号特征。根据舰船噪声信号的识别形式,计算了舰船噪声信号样本周围的紧密度。基于舰船噪声信号样本的分布情况,设计了舰船噪声信号的识别流程,实现了舰船噪声信号的识别。实验结果表明,小波变换下舰船噪声信号识别方法不仅可以提高舰船噪声信号的识别率,还可以加快识别速度,从而提高了舰船噪声信号的识别能力。     

基于高阶谱的舰船噪声特征提取与实验

利用高阶谱对舰船辐射噪声进行了分析,着重研究了采用双谱分析的方法提取舰船噪声特征,给出了维谱特征提取的算法,提取了9维的特征向量并利用神经网络进行了训练与识别.实验表明,该方法对舰船辐射噪声信号具有很好的分类效果.     

舰船辐射噪声非线性频谱特征提取与应用

舰船辐射噪声分类识别一直是被动声呐面临的难题,提取舰船辐射噪声的频谱特征来实现分类识别是一种常用的方法。基于舰船辐射噪声频谱特征主要聚于低频段的特点,按照稀疏分解的原理,通过构造完备的非线性频谱字典,提出了一种舰船辐射噪声非线性频谱特征提取方法。对海上实录的多种型号和多种工况的大量噪声样本进行了特征提取,采用最近邻分类器对辐射噪声样本进行了分类识别实验,结果表明,非线性频谱特征的正确分类识别概率高于线性频谱特征的正确分类识别概率。     

舰船辐射噪声非线性频谱特征提取与应用

舰船辐射噪声分类识别一直是被动声呐面临的难题,提取舰船辐射噪声的频谱特征来实现分类识别是一种常用的方法。基于舰船辐射噪声频谱特征主要聚于低频段的特点,按照稀疏分解的原理,通过构造完备的非线性频谱字典,提出了一种舰船辐射噪声非线性频谱特征提取方法。对海上实录的多种型号和多种工况的大量噪声样本进行了特征提取,采用最近邻分类器对辐射噪声样本进行了分类识别实验,结果表明,非线性频谱特征的正确分类识别概率高于线性频谱特征的正确分类识别概率。     

基于辐射噪声能量分布的舰船目标分类算法

有效的特征提取技术是水中目标识别的基础.为提高基于舰船辐射噪声的水中目标识别准确率,选用小波变换完成信号预处理和滤波,并在信号变换后的多尺度子空间上提取信号特征参数,归一化处理后构建分类特征向量,最后用支持向量机算法进行训练和测试.仿真结果表明,利用小波变换的多分辨率分析方法和支持向量机算法对舰船辐射噪声信号进行分类识别,特征提取算法有效,分类速度较快.     

BP神经网络的舰船辐射噪声识别

当前舰船辐射噪声识别方法存在识别率低,对环境鲁棒性差等缺陷,为了对复杂环境下的舰船辐射噪声识别进行准确识别,提出了BP神经网络的舰船辐射噪声识别方法。首先采集舰船辐射噪声,并提取舰船辐射噪声识别有效特征参数,然后采用BP神经网络建立舰船辐射噪声识别模型,从而实现对舰船辐射噪声信号的分类和识别,最后进行舰船辐射噪声识别的仿真测试。结果表明,相对于已有的舰船辐射噪声识别方法,BP神经网络提高了舰船辐射噪声识别率,可以对各种舰船辐射噪声信号进行准确分类。     

自适应谱线增强在舰船辐射噪声线谱检测中的应用

舰船辐射噪声线谱成分包含有大量的舰船特征信息,提取这些线谱成分对于水下目标的识别和研究具有十分重要的意义.为了有效地将舰船辐射噪声特征线谱从宽带背景噪声中分离出来,提出了运用自适应谱线增强理论对舰船辐射噪声信号进行研究.利用最小均方LMS自适应算法,构造出自适应谱线增强器,从理论上对该增强器的原理进行了分析,并利用该增强器对2种船型的辐射噪声实测数据进行了处理.结果表明,该增强器对线谱信号有增强作用,对背景噪声有较好的抑制作用,十分有利于辐射噪声特征线谱的提取.     

面向大数据网络的舰船辐射干扰信号检测方法

为了删除网络内的离群点,提升辐射干扰信号检测性能,设计了面向大数据网络的舰船辐射干扰信号检测方法.选取软硬结合的划分策略分割舰船网络中的信号集,通过并行处理方式检测信号集内各元素的离群度并删除离群点;采用Hilbert变换方法与小波包方法结合,通过包络解调方式提取完成预处理的舰船辐射干扰信号特征;将所提取的舰船辐射干扰...     

基于四阶累量的三次相位耦合特性分析

应用四阶累量分析三次相位耦合于舰船辐射噪声的特性提取。首先给出了四阶累量的一种特殊定义,然后分析其对角切片的傅立叶变换（２１／２）维谱）在提取三次相位耦合特征方面的优良特性,最后将此方法应用于实际舰船辐射噪声的特征分析。结果表明：利用该方法分析三次相位耦合,具有运算量小、计算速度快的特点和良好的抗噪性。实际舰船辐射数据分析表明该方法可用于不同类型舰船的分类识别。     

基于支持向量机和辐射噪声的舰船目标识别

分类器的构造和特征量的提取是目标识别的两个基本问题。鉴于舰船辐射噪声反映了同种舰船的特征，以及以支持向量机为核心的统计学习理论具有具有较好地解决小样本、非线性问题的能力，提出了一种新的识别方法，首先利用子波变换和多分辨分解算法对舰船目标的辐射噪声进行分解，得到目标的线谱和调制谱特征，然后使用支持向量机构造分类器，进行目标识别。实验表明，这种方法是可行的，且有较好的识别精度和较强的泛化性能。     

舰船辐射噪声的相似度评估

结合舰船辐射噪声的特征提取和相似度评估方法,建立评估体系对2组舰船辐射噪声的相似度进行评估。本文通过对舰船辐射噪声的连续谱、线谱、DEMON谱分析,提取了三大类23项特征作为评估指标;结合相似度法和层次分析法,确定了各相似元相似度和权重系数,最终建立了舰船辐射噪声的相似度评估体系。用该评估体系对2组舰船辐射噪声信号进行分析计算,结果与实际情况相吻合,表明该方法具有较高的可信性,为舰船的识别、状态监测等领域提供了一定的参考价值。     

基于小波包分析和深度学习的舰船辐射噪声识别

为提高舰船辐射噪声识别的准确率,针对辐射噪声这种非平稳、复杂的信号,提出一种基于小波包分解与多特征融合的特征提取方法.同时,引入深度学习模型,将提取到的特征作为识别分类的依据,采用卷积神经网络和长短时记忆神经网络作为分类器.对单一特征的分类结果与融合的多特征分类结果进行比较,对直接提取的特征分类结果与基于小波包分解提取的特征分类结果进行比较,对卷积神经网络、长短时记忆神经网络和机器学习的识别分类结果进行比较,结果表明,采用基于小波包分解与特征融合的特征提取方法和基于深度学习的分类识别方法能显著提高舰船辐射噪声识别的准确率.     

舰船辐射噪声的非线性和确定性检验

为提取舰船目标辐射噪声非线性和混沌特征,实现对舰船目标的自动识别,首先需要对舰船辐射噪声时进行非线性检验和确定性检验。运用替代数据方法,选择合理的检验统计量,根据实验数据与替代数据之间峭度和自相关两个量的差异性,分析得出舰船辐射噪声信号有非线性成分。另外,对舰船辐射噪声时间序列作相空间重构,根据递归图中出现规则图案,定性分析出舰船辐射噪声信号具有确定性成分存在。该结论为下一步提取舰船辐射噪声非线性混沌特征奠定了理论基础。     

非线性信号检测在舰船目标识别中的应用

在对非线性舰船辐射噪声产生机理和其噪声谱组成分析的基础上,研究利用高阶谱分析方法检测舰船辐射噪声。首先分析舰船辐射噪声的噪声谱中的组成成分和特性,对不同噪声源与舰船噪声谱成分间关系特点进行研究,并建立舰船辐射噪声的仿真模型。然后,研究高阶谱理论及其在提取非线性信号特征时的应用;最后,通过对仿真生成的2种舰船辐射噪声应用本文算法实现检测与分类,结果证明该方法可行。     

一种舰船辐射噪声线谱简易生成方法研究

为得到逼真的舰船辐射噪声线谱仿真数据,需要在低信噪比情况下对实测噪声数据作谱估计,从而准确提取舰船辐射噪声线谱成分,再采用相应数字信号处理方法重构舰船辐射噪声线谱信号。本文提出一种简易重构方法,即根据特征线谱生成线谱所在频段频谱信号,将其它频段置零,进而在时域重构线谱信号。仿真结果表明,该方法能够很容易地重构舰船辐射噪声线谱信号,与特定幅频响应的连续谱信号一起重构的舰船辐射噪声信号,其结果可作为半实物仿真试验信号源。     

混沌方法在舰船辐射噪声分析中的应用研究

为了检测舰船辐射噪声中的非线性特征,本文采用混沌、分形理论从信号产生的机理、相空间轨迹、分形维数和Lyapunov指数等4个方面着重研究了舰船辐射噪声的混沌现象.研究结果表明舰船辐射噪声信号中确实存在混沌现象,且不同类别的信号具有不同的非线性特征,该结果将为水声信号处理、水下目标检测和识别提供新的理论方法.     

一种舰船辐射噪声线谱检测新方法

舰船辐射噪声的线谱成分包含许多舰船的特征信息,在低信噪比的情况下,实现线谱的有效检测对舰船的分类与识别有着重大意义。以绝热近似小参数理论为依据,提出一种基于自相关和随机共振理论相结合的舰船辐射噪声线谱检测方法。该方法通过对微弱信号自相关处理完成初步消噪,并将处理后数据输入到随机共振系统中进行线谱检测。仿真实验中,将本方法通过尺度变换运用于舰船辐射噪声线谱检测中,仿真结果验证该方法的有效性。     

混沌方法在舰船辐射噪声分析中的应用研究

为了检测舰船辐射噪声中的非线性特征，本文采用混沌、分形理论从信号产生的机理、相空间轨迹、分形维数和Lyapunov指数等4个方面着重研究了舰船辐射噪声的混沌现象。研究结果表明舰船辐射噪声信号中确实存在混沌现象，且不同类别的信号具有不同的非线性特征，该结果将为水声信号处理、水下目标检测和识别提供新的理论方法。     

混沌理论研究及其在舰船目标识别中的应用

为有效提取舰船目标的特征,进行舰船目标自动识别.以混沌理论为基础,研究了混沌的定义和基本特征,从混沌系统运动特征中,以实际采集的舰船辐射噪声为研究对象,找出对舰船目标识别有效利用的关联维数这一混沌特征量,对其提取算法进行研究和仿真.通过对各类舰船辐射噪声的关联维数的提取仿真实验表明,关联维数这一混沌特征量能有效对各类舰船进行分类识别,从而对水中兵器的制导系统及目标识别系统设计具有一定的借鉴意义.     

基于深度自编码网络的舰船辐射噪声分类识别

针对水下被动声呐目标分类识别问题,借签深度学习网络在图像、语音等领域的成功运用,提出一种基于深度自编码网络的舰船辐射噪声分类识别方法。首先使用Welch功率谱估计方法获得舰船辐射噪声的功率谱特征,然后对原始训练样本集结构优化得到新训练样本集,并构建训练深度自编码网络。依据总体正确识别概率和各类目标正确识别概率对网络参数进行优化设置,实现对舰船辐射噪声的分类识别。经过大量海上实录舰船辐射噪声的分类识别实验,验证了该方法的可行性和实用性。对比BP神经网络分类器,具有更高的正确分类识别概率。