基于小波变换和概率神经网络的水下目标识别

由于水下环境的复杂性,水下目标的检测和识别是水声信号处理领域中的一个难题.本文研究了基于小波变换和概率神经网络的水下目标识别方法.利用小波变换得到水下目标辐射噪声信号在不同尺度下的能量分布作为特征矢量,并输入到概率神经网络中以实现目标分类.利用小波变换能量特征值可有效区分不同的目标辐射噪声.概率神经网络无网络训练过程,适合于信号分类.实验结果表明该方法的有效性和可行性.     

基于小波能量熵的水下目标磁场信号去噪

本文提出了基于小波能量熵的水下目标磁场信号去噪方法,通过对信号进行小波分解,计算各层目标信号和背景噪声的小波系数能量熵,利用信号在不同的分解尺度上具有不同的小波熵,自适应地确定高频系数的阈值,利用经过处理后的小波系数进行小波反变换,实现对水下目标磁场信号的去噪.仿真试验结果表明,该方法能有效去除背景噪声,检测出目标磁场...     

水下爆炸下水下目标振动信号的时频分析

针对某水下目标的抗水下爆炸试验数据,基于短时Fourier变换、小波包变换进行时频分析比较研究,得到水下爆炸作用下水下目标振动信号的时频分布和能量分布规律。结果表明,短时Fourier变换使用的窗函数固定,分辨率单一,其分析结果只能大致反映信号能量随时间的变化;小波包具有更好的时频特性,可以提取出水下爆炸下冲击波、滞后流和二次压力波三个不同时段的信号进行能量和频率分析,并由此可确定不同时段对目标毁伤的影响。     

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.     

改进小波变换的船舶射频信号降噪和识别

针对船舶射频信号受通信环境因素及硬件多源噪声的广泛复合因素影响而包含多种频段的噪声,在实时检测中造成有效信号检测率低、误差大的问题,本文设计一种船舶射频信号噪声降噪和识别的软硬件结合的仿真系统。将获取到的船舶射频信号经A/D转换电路转换后,在小波抑制模块分解得到小波系数,并采用改进阈值小波滤波后重构信号,送入信号识别模块利用概率神经网络进行识别。实验结果表明：本文提出的降噪识别方法能够有效地降低信噪比,提升船舶射频信号的识别率,可以应用到实际的船舶射频信号的检测系统中。     

主动自导水下航行器的高分辨宽带信号检测技术

为了提高主动自导水下航行器对目标的识别能力,提出一种基于自小波变换的主动自导水下航行器的高分辨宽带信号检测技术,构建主动自导水下航行器的回波信号模型,在海水混响干扰下采用自相关匹配滤波器进行信号滤波处理,对滤波输出的宽带信号采用自小波变换进行时频分解,对水下航行器的回波探测信号作WVD-Hough变换,采用二维谱峰搜索方法实现高分辨的目标信号检测。仿真结果表明,采用该方法进行主动自导水下航行器的宽带信号检测的准确检测概率较高,抗旁瓣干扰能力较强,对打击目标的具有高分辨识别能力。     

数据挖掘的船舶电力电路短路识别

电路短路类型多样复杂,当前方法的电路短路识别错误概率高,为降低电路短路识别的错误概率,设计了基于数据挖掘的船舶电力电路短路识别方法。首先采用传感器采集船舶电力电路工作状态信号,并采用小波包对船舶电力电路工作状态信号进行多层分解,提取相应的小波包能量熵,将其作为船舶电力电路短路识别的特征,然后采用数据挖掘技术对特征向量和船舶电力电路短路类型间的变化关系进行建模,设计船舶电力电路短路识别模型,最后在Matlab 2017平台进行了船舶电力电路短路识别实验,本文船舶电力电路短路识别正确率超过95%,而对比方法的船舶电力电路短路识别率低于90%,本文方法不仅大幅度降低电路短路识别的错误概率,而且船舶电力电路短路识别效率更高,能够用于实际的船舶电力系统管理。     

基于双树复小波的被动目标特征提取方法研究

针对水下目标辐射噪声特征提取困难的问题,提出一种基于双树复小波变换的特征提取方法。首先,采用一种改进的小波阈值去噪方法去除水下目标辐射噪声信号中的噪声成分,该方法可以获得优于经典小波阈值去噪方法的结果;其次,在特征提取过程中,采用具有近似平移不变性的双树复小波变换,该方法能够克服信号时移带来的影响,得到稳定的目标特征向量。仿真试验和实航数据处理结果表明,本文方法提取的目标特征向量比使用离散小波变换提取的结果更稳定。     

基于双树复小波的被动目标特征提取方法研究

针对水下目标辐射噪声特征提取困难的问题,提出一种基于双树复小波变换的特征提取方法。首先,采用一种改进的小波阈值去噪方法去除水下目标辐射噪声信号中的噪声成分,该方法可以获得优于经典小波阈值去噪方法的结果;其次,在特征提取过程中,采用具有近似平移不变性的双树复小波变换,该方法能够克服信号时移带来的影响,得到稳定的目标特征向量。仿真试验和实航数据处理结果表明,本文方法提取的目标特征向量比使用离散小波变换提取的结果更稳定。     

基于小波能谱系数的舰船目标分类与识别

由于舰船目标发声机理的复杂性及多样性,导致表征其辐射信号特征的数据量较大且维度较高,带来巨大的处理运算量。因此提取可靠、有效的舰船目标信号特征是水声界研究的难点之一。本文提出基于小波能谱系数的舰船目标信号特征提取方法。首先利用小波变换对舰船目标的波形信号进行分析,获取其时域、频域特征;然后采用小波能谱系数描述信号能量在每个频率范围的分布情况并提取特征向量,以区别3类目标信号;最后以BP神经网络作为分类器对3类目标进行识别与分类。对实验数据的处理结果表明,该方法可以有效获得舰船目标的特征信息,具有较好的分类效果和较高的可靠性。     

The application of modeling and prediction with MRA wavelet network

As there are lots of non-linear systems in the real engineering, it is very important to do more researches on the modeling and prediction of non-llnear systems. Based on the muhi-resolution analysis (MRA) of wavelet theory, this paper combined the wavelet theory with neural network and established a MRA wavelet network with the scaling function and wavelet function as its neurons. From the analysis in the frequency domain, the results indicated that MRA wavelet network was better than other wavelet networks in the ability of approaching to the signals. An essential research was carried out on modeling and prediction with MRA wavelet network in the non-linear system. Using the lengthwise sway data received from the experiment of ship model, a model of offline prediction was estab lished and was applied to the short-time prediction of ship motion. The simulation results indicated that the forecasting model improved the prediction precision effectively, lengthened the forecasting time and had a better prediction results than that of AR linear model. The research indicates that it is feasible to use the MRA wavelet network in the short -time prediction of ship motion.     

一种通用型基于经验模态分解的小波阈值滤波方法研究

首先针对中高频水声信号,提出一种改进的经验模态分解加小波软阈值滤波方法;然后将信号进行带通滤波处理及经验模态分解,将分解得到的各个模态转换为频域信号,采用小波软阈值方法在频域上对这些模态进行滤波,最后对信号进行重构,并将其转换为时域信号。分别采用本方法和原时域上的小波阈值方法对不同频率的水声信号进行滤波,经计算分析可知,对频率小于800 Hz的水声信号,采用原方法可获得较好的滤波效果;当信号频率大于800 Hz时,采用本方法的滤波效果更好,因此应针对不同频率的水声信号,选择合适的滤波方法,以获得满意的滤波效果。     

信号处理在舰船目标识别中研究发展综述

舰船目标识别系统是现代智能水中兵器的神经中枢和关键技术,为全面了解现代舰船目标识别技术的基本原理功能和发展现状。全面系统地介绍了二十多年来国内外舰船目标识别技术的发展历程和成果,重点阐述了诸如谱分析、小波分析、混沌时间序列分析等现代信号处理技术在舰船目标识别中的发展。最后对未来舰船目标识别技术的发展方向和思路表达了认识和看法,以期共同推进舰船目标信号的特征提取和识别技术的进一步发展。     

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。     

自适应小波网络在船舶噪声识别中的应用

本文基于自适应小波网络理论,构造了一个应用于船舶辐射噪声识别的自适应小波网络分类器。仿真结果表明,该方法具有良好的目标识别性能,且收敛速度快,是一种有效的目标识别方法,从而为研究自适应小波网络理论在声呐信号目标识别领域中的应用有着极其重要的实际意义。     

基于卷积神经网络的AUV水下识别算法设计与实现

自主式水下机器人(AUV)是应用于复杂海洋环境中的高智能化无人装备,其需要具备良好的环境感知能力进行自主导航,包括水下目标识别能力。随着人工智能的高速发展,卷积神经网络作为图像处理领域的深度学习架构,在图像特征提取和图像识别上有着强大的性能和卓越的优势。本文利用卷积神经网络,实现了自主式水下机器人水下目标的自主识别。同时,通过采用三段式全连接方式和增加卷积层深度的方式对卷积神经网络进行进一步改进,提高了卷积神经网络的训练速度、准确率和泛化能力。     

水下运动目标动态谱特征提取与增强的现状与展望

介绍了国内外关于水下运动目标动态谱特征提取与增强的相关函数与功率谱方法、自适应谱线增强方法、小波变换方法、基于神经网络的方法、混沌动力学与分形理论、高阶统计量方法等主要方法及研究成果,分析了各种方法的主要缺陷,指出了在所有方法中用高阶统计量方法提取与增强运动目标动态谱特征是最值得深入研究的课题。