基于目标MFCC特征的监督学习方法在被动声呐目标识别中的应用研究

以机器学习为代表的智能技术迅猛发展,也为被动声呐目标识别提供了新的思路。利用机器学习算法挖掘水声目标信号深层特征,实现目标自动识别、辅助识别,成为被动声呐目标识别的新发展方向。本文针对水下噪声目标的信号特性,结合人耳在低信噪比、多目标环境下的优异识别性能,提取被动声呐目标经典听觉感知特征——梅尔倒谱(MFCC),并引入KNN、SVM、CNN和DBN四种机器学习算法对两类水声目标进行监督学习和识别分析。试验结果表明,监督学习方法应用于被动声呐目标识别具有可行性,且其中DBN方法对目标MFCC特征的识别性能最佳。     

一种抑制模糊度函数特定区域旁瓣级的波形设计方法

针对发射波形为相位编码,探测低速运动目标时存在的模糊度函数旁瓣峰值过高,容易淹没微弱目标的问题,提出了在特定区域最小化模糊度函数旁瓣级的多相编码波形设计优化算法。该算法利用低速运动目标多普勒频移很小的特点,对模糊度函数进行简化,提出了离散模糊度函数的概念,在此基础上将模糊度函数峰值附近旁瓣级的最小化转化为离散模糊度函数峰值附近旁瓣级的最小化问题,并利用循环算法进行相位编码的设计。计算机仿真结果表明,所提出的波形设计方法能够有效抑制离散模糊度函数原点附近的旁瓣级,提高探测系统对微弱低速运动目标的检测能力。