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.     

基于小波变换技术的舰船电气设备信号去噪抑制方法

以降低舰船电气设备运行所受电磁串扰影响为目的,提出基于小波变换技术的舰船电气设备信号去噪抑制方法。建立舰船电气设备信号电磁串扰噪声模型,使用小波变换方法对电气设备信号噪声进行抑制,针对小波变换去噪能量泄漏大、频带混叠大等问题,使用双树复小波的实部树和虚部树进行电气设备信号分解,即保留小波分解的优点又可以完全重构电气设备信号,并结合硬阈值和软阈值函数优点,形成通用阈值函数,优化小波变换的阈值函数,保证更好信号去噪抑制效果。通过实验可以看出,该方法的应用既可以有效抑制电气设备信号中的噪声干扰,又可以保证原始信号波形不被破坏,同时在信号分解时,可以在噪声聚集的高频部分形成十分优秀的降噪效果,使信号趋近平稳状态。     

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。     

无线网络的舰船识别方法

舰船识别依赖特征参数与待分类数据的联系,现有识别方法未挖掘信号隐性特征,影响可识别范围,基于无线网络提出一种舰船识别方法。对舰船信号进行预处理,计算短时能量和过零率,判断信号起始点。利用卷积神经网络挖掘样本信号的显性和隐性特征参数,并构建舰船识别模型对特征参数进行训练,得到最优分类面即为识别结果。实验结果表明,本文提出的识别方法能实现一对一的舰船识别,并且可识别范围大于基于SAR图像和基于稀疏信号分解算法的识别方法,基本上可覆盖全部的目标识别区域,有助于实际海洋环境的舰船监测。     

激光雷达信号的舰船识别研究

舰船是一种海上军事目标,对其进行高精度识别具有重要的研究意义,传统舰船识别方法通用性差,无法识别所有类型的舰船型号,导致舰船的误识概率相当高,为了有效降低舰船误识概率,提高舰船识别的精度,提出了基于激光雷达信号的舰船识别方法。首先对激光雷达的工作原理进行分析,并通过激光雷达信号成像技术获取舰船图像,然后从舰船图像中提取识别特征,并根据特征进行舰船图像匹配,从而实现舰船识别,最后进行激光雷达信号的舰船识别性能测试,实验结果表明,本文方法可以有效地识别舰船类型,舰船的误识概率要明显少于对照舰船识别方法,提高了舰船识别率,实验结果验证了本文方法的先进性。     

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。     

基于改进小波能熵的水下目标识别

文章研究了基于改进小波能熵和概率神经网络的水下目标识别方法。首先对水下目标辐射噪声信号进行小波变换多分辨率分解和重构,然后引入滑动时间窗,提取各分解子带在滑动时间窗内的改进小波能熵值作为目标识别的特征矢量,最后将特征矢量输入到概率神经网络中实现水下目标识别。对信号进行小波多分辨率分解可反映信号在不同频域上的特征,而引入滑动时间窗并在此基础上定义改进的小波能熵可反映信号的时域特征,因此改进小波能熵方法能同时反映信号的时频特征,更适合于水下目标特征提取。仿真结果表明了该方法的有效性。     

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PQFT模型和小波变换的遥感图像舰船目标特征提取

海上舰船的目标检测和特征提取是非常重要的研究课题,不仅可以用于军事领域的敌方船只侦察,还可以用于海上交通管理和渔船监管等领域。高分辨率的舰船光学遥感图像含有丰富的舰船航行状态信息,研究舰船光学遥感图像的分析技术有助于提高舰船目标识别和特征提取的效率。本文详细介绍了图像处理技术中的PQFT模型和小波变换理论,并基于PQFT模型和小波变换研究了舰船高分辨率遥感图像的识别和特征提取技术,有重要的理论和实际应用意义。     

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.     

基于舰船噪声小波包重构子带权重系数的确定方法

文章采用了一种基于小波包分解与能量特征提取的时频域综合分析方法。使用小波包来对舰船噪声进行分解,求取小波包子带系数能量百分比构建子带能量的特征向量,以此作为权重系数,对分解的舰船噪声的各个子带进行加权重构,并将重构信号与原始信号进行时频域比较分析。通过对大量的舰船的实录噪声进行分解重构实验表明,使用此方法重构后的噪声较原始信号特征更为明显,有更强的类别可分性。     

时频分析及其应用

介绍了时频变换和小波变换，利用三级小波包分解，获取信号能量分布的特征向量，根据信号能量分布的特征向量相关系数，确定两种信号相关程度，给出了识别不同信号的识别方法。试验表明：本方法在车辆噪声、振动源识别应用方面比传统的分析方法更为简单、有效，为车辆振动和噪声控制的研究提供了新的测试手段。     

时频分析及其应用

介绍了时频变换和小波变换,利用三级小波包分解,获取信号能量分布的特征向量,根据信号能量分布的特征向量相关系数,确定两种信号相关程度,给出了识别不同信号的识别方法.试验表明本方法在车辆噪声、振动源识别应用方面比传统的分析方法更为简单、有效,为车辆振动和噪声控制的研究提供了新的测试手段.     

基于小波变换和神经网络的数字调制识别技术

本文讨论了基于小波变换的几种常用调制制式(BASK、4ASK、2FSK、4FSK、QPSK、8PSK、16QAM)的神经网络识别问题,利用小波变换提取信号特征,再通过BP神经网络来分类,有机结合了小波变换良好的时频局部特性和神经网络的自学习、自适应性。在加性高斯自噪声条件下通过仿真研究了该识别方法的性能。     

基于小波和仿射不变矩特征融合的舰船型号识别

针对不变矩对仿射形变目标描述的不足,为提高舰船型号的识别精度,提出一种基于小波和仿射不变矩特征融合的舰船型号识别方法。首先对二值舰船图像进行归一化处理,并分别提取归一化舰船图像的小波矩特征值和仿射不变矩特征值;然后通过计算样本特征均值与标准差的比值,选择出鲁棒性好、稳定性高的特征,通过归一化方法进行融合;最后构造五类舰船的样本集,采用支持向量机(SVM)作为分类器识别测试样本的型号,分析不同矩特征、样本集大小、SVM参数、本文方法对识别精度、稳定性的影响。实验结果表明,文中给出的算法提高了识别精度,并且在训练样本集较小时仍能获得88%以上的识别率。     

基于小波和仿射不变矩特征融合的舰船型号识别

针对不变矩对仿射形变目标描述的不足,为提高舰船型号的识别精度,提出一种基于小波和仿射不变矩特征融合的舰船型号识别方法.首先对二值舰船图像进行归一化处理,并分别提取归一化舰船图像的小波矩特征值和仿射不变矩特征值;然后通过计算样本特征均值与标准差的比值,选择出鲁棒性好、稳定性高的特征,通过归一化方法进行融合;最后构造五类舰船的样本集,采用支持向量机(SVM)作为分类器识别测试样本的型号,分析不同矩特征、样本集大小、SVM参数、本文方法对识别精度、稳定性的影响.实验结果表明,文中给出的算法提高了识别精度,并且在训练样本集较小时仍能获得88%以上的识别率.     

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。     

基于支持向量机的红外图像舰船统计特征分析

海上舰船的航行统计特征和目标识别对于海上交通管理与监察部门有重要作用,一方面,舰船的航行统计特征是海上航线管理与调度的基础,可以减少海上船舶的碰撞事故;另一方面,舰船目标的特征识别可以帮助监察部门分辨敌我船舶,维护海上领域的安全。随着计算机技术与探测技术的发展,海上舰船的目标识别与特征提取技术取得了明显的进步,本文重点研究了基于支持向量机的舰船红外图像统计特征识别与提取技术,包括图像样本分类等方面,并进行了舰船红外图像边缘像素识别的仿真试验。