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。     

基于贝叶斯的舰船辐射噪声特征识别方法

针对舰船辐射噪声特征存在非线性、非平稳的时变特点,导致特征识别难度较高的问题,本文提出一种基于贝叶斯的舰船辐射噪声特征识别方法。利用Dopplerlet变换方法,选取高斯函数作为基函数,变换舰船辐射声场信号。利用VMD算法获取搜寻约束变分模型的最优解,将完成变换的舰船辐射信号,分解为多个IMF分量,提取舰船辐射噪声特征。利用所提取的舰船辐射噪声特征构建特征样本集,通过贝叶斯网络计算样本集内各样本的状态概率,识别舰船辐射噪声特征。结果表明,该方法有效识别水面舰船、水下低速运动舰船等不同类型舰船的辐射噪声,适用于舰船目标识别应用中。     

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.     

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.     

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。     

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。     

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.     

基于高阶谱的水下目标识别

利用高阶谱估值法,对具有很强非高斯性和非线性的舰船辐射噪声信号进行分析及特征提取,并通过结构自适应神经网络作为分类实验,表明基于高阶谱的特征提取具有较强的类别可分性,在无源声纳目标识别中特具潜力。     

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。     

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。     

An automated approach to passive sonar classification using binary image features

This paper proposes a new method for ship recognition and classification using sound produced and radiated underwater. To do so, a three-step procedure is proposed. First, the preprocessing operations are utilized to reduce noise effects and provide signal for feature extraction. Second, a binary image, made from frequency spectrum of signal segmentation, is formed to extract effective features. Third, a neural classifier is designed to classify the signals. Two approaches, the proposed method and the fractal-based method are compared and tested on real data. The comparative results indicated better recognition ability and more robust performance of the proposed method than the fractal-based method. Therefore, the proposed method could improve the recognition accuracy of underwater acoustic targets.     

一种使用二进制图像特征的被动声呐自动分类方法（英文）

This paper proposes a new method for ship recognition and classification using sound produced and radiated underwater. To do so, a three-step procedure is proposed. First, the preprocessing operations are utilized to reduce noise effects and provide signal for feature extraction. Second, a binary image, made from frequency spectrum of signal segmentation, is formed to extract effective features. Third, a neural classifier is designed to classify the signals. Two approaches, the proposed method and the fractal-based method are compared and tested on real data. The comparative results indicated better recognition ability and more robust performance of the proposed method than the fractal-based method. Therefore, the proposed method could improve the recognition accuracy of underwater acoustic targets.     

舰船辐射噪声的混沌特性检验

为提取舰船目标辐射噪声混沌特征,实现对舰船目标的自动识别,首先需要对舰船辐射噪声的混沌特性进行检验。采用一种改进的Lyapunov指数谱估计方法,计算其最大Lyapunov指数是否大于零,以及所有的Lyapunov指数之和是否小于零来判定噪声时间序列是否具有混沌特性。采用三类舰船目标辐射噪声作仿真计算,仿真结果表明三类舰船辐射噪声都具有一定的混沌特性,该结论为下一步基于混沌预测的目标检测以及提取舰船辐射噪声非线性混沌特征等工作奠定了理论基础。     

基于两级自适应线谱增强器的舰船辐射噪声线谱检测

舰船辐射噪声中的线谱成分能表征舰船的本质特征,是舰船目标识别中的主要特征矢量.因此,舰船辐射噪声线谱的准确检测在目标识别中具有十分重要的意义.针对海洋环境噪声中舰船辐射噪声线谱检测问题,提出了两级自适应线谱增强器(adaptive line enhancement,ALE)检测方法.该方法在原一级ALE检测方法的基础上,将原信号延时信号与一级ALE误差信号相减后作为第2级ALE的输入再进行1次ALE.该方法较一级ALE在输入信号信噪比较低时能准确地将线谱从宽带背景噪声中分离出来.仿真和实验结果表明该方法的有效性和准确性.     

一种基于船舶辐射噪声信号改进Mel倒谱系数的目标识别方法

基于船舶辐射噪声信号Mel频率倒谱系数(MFCC)的目标类型识别是目前研究的一个热点。现有方法虽然在无噪声环境下具有较好的识别效果,但是在信噪比较低时其识别效果较差。基于此,文章提出了一种改进的提取MFCC特征参数的船舶目标识别方法,该方法在船舶辐射噪声信号的预处理阶段采用多正弦窗来代替传统使用的Hamming窗进行多窗频谱估计,经过计算得到改进的MFCC参数。试验结果表明,相比传统方法提取的MFCC参数,使用该方法提取的MFCC参数分别在不同信噪比的高斯白噪声干扰下,在BP神经网络分类器中的识别率更高,抗噪声的鲁棒性和稳定性更好。     

船舶螺旋桨空化噪声非均匀调制特性及其应用

从螺旋桨空化噪声谱统计模型出发,分析研究螺旋桨空化噪声非均匀调制特性的机理和规律,并利用大量海上实录船舶噪声进行验证.从形成机理看,认为非均匀调制特性主要由船尾形状、螺旋桨结构以及船舶航行工况共同决定的尾流分布所导致,不同型号船舶的非均匀调制特性具有个体性;从舰船噪声信号能量谱看,调制的非均匀特性,主要受能量谱峰值频率的影响.最后基于船舶噪声的非均匀调制特性,提出一种基于多子带自适应加权的DEMON增强算法,并利用实际数据进行验证.     

水声目标辐射噪声谐波特征提取算法

水下目标辐射噪声中的谐波分量包含了反映目标自身本质特性的信息,能否有效提取目标谐波特征关系到目标识别的效果.论文基于目标辐射噪声的一般数理模型,利用最大似然估计和卡尔曼滤波理论,提出一种水下目标辐射噪声谐波特征的提取与分析算法,估计得到了谐波的瞬时基频;然后利用卡尔曼滤波器跟踪瞬时基频的时变特性,实现对基频的精确跟踪和估计;并提取各阶谐波的振幅,得到目标的谐波特征;最后结合仿真信号与实测数据进行对比,验证了谐波特征提取算法估计基频和提取谐波信息的可行性.     

提取频谱稳定度差异探测舰船目标

寻找目标与环境的差异,探测目标的存在,同时降低对各类干扰的虚警,是水雷目标探测的首要任务。文章在归纳并分析舰船噪声与环境噪声的基础上,提出利用两者的频谱稳定度差异来探测舰船目标,并结合实测数据,进行了仿真,结果表明,该方法适应性强,智能化程度更高。