舰船辐射噪声1(1/2)维谱的自适应子波特征提取

现代化战争对信息技术的依赖日益增强,水中目标识别成为各国夺取海洋战争主动权研究的新领域。有效提取目标的本质特征是目标识别的关键。由于1(1/2)维谱保持了高阶谱的性质但其计算量却相对下降,本文结合自适应滤波理论,采用1(1/2)维谱对船舰辐射噪声进行特征提取,由对特征量的分析表明1(1/2)维谱可以有效对船舰类型识别。     

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。     

一种基于高阶谱特征的舰船目标识别方法

基于高分辨距离像(HRRP)的舰船目标识别问题,提出了一种基于高阶谱特征的舰船目标识别方法。在对舰船目标HRRP特性分析的基础上,首先利用姿态角进行方位约束筛选,然后通过高阶谱特征结合欧氏距离测度最近邻分类器进行识别匹配。通过10类军民船目标的实测数据进行测试,验证结果表明该方法在舰船目标识别领域具有很好的应用前景。     

舰载网络中未知协议识别方法研究与仿真

舰载网络通信中,由于舰船的自组织特性和过往船只的不确定性,通常会受到未知协议的通信求情,对舰载网络中的未知协议有效识别,提高舰载网络通信链路存活性和稳定性。目前舰载网络未知协议识别采用的是端口路由分层识别方法,存在通信信号传输的保真度不好,路由开销大等问题,提出一种基于高阶谱包络调制的舰载网络中的未知协议识别方法。构建舰载网络通信的系统模型,对舰载网络进行路由分簇设计,对舰载网络通信中的未知协议进行多接口多信道的自组织网络分配,采用高阶谱包络调制方法对通信信号进行特征提取和动态融合,实现对舰载网络中的未知协议的优化识别。仿真结果表明,采用该算法能有效实现舰载网络中的未知协议的特征提取和识别,提高了通信链路的存活时间,降低舰载网络通信的误码率。     

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.     

海上船舶多噪声中的高阶谱特性分析

海洋环境复杂多变,并且水声信号信道非常特殊。本文利用高阶谱能够抑制高斯噪声的特性,将其应用于船舶多噪声的识别,并采集两类船舶信号进行实验。实验结果表明,本文所采用的高阶谱能够有效的识别和分离出船舶噪声。     

长短时记忆网络水下目标噪声智能识别方法

未来基于水下无人平台的水声目标探测体系要求平台自身具备目标智能化识别能力,而传统水下目标噪声识别方法需要人工提取泛化能力强的特征数据,且识别过程具有较强的人机交互特性,无法满足这一要求。针对这一问题,本文研究一种基于长短时记忆网络(LSTM)的水下目标噪声智能识别方法,借助深度学习自主学习数据特征的能力,应用长短时记忆网络(LSTM)分别对水下目标噪声的时域时间序列数据、频谱数据、梅尔倒谱(MFCC)数据进行深层次特征提取与识别,并使用实际水声目标噪声信号对该方法进行了验证。结果表明,在上述3种输入数据情况下,采用LSTM长短时记忆模型均能有效实现水下目标噪声特征提取与智能识别。     

一种基于非相参雷达目标回波的特征提取算法

本文在着重研究了非相参雷达视频回波的基础上,提出了一种基于线性预测系数及离散K—L正交变换的雷达目标回波的特征提取算法。采用实地录取到的大量雷达目标数据对这种算法进行检验,实验结果表明,这种方法具有较高的识别率。     

神经网络在舰船图像特征提取和分类中的应用

海上遥感图像对于舰船目标定位、海上救援、航运交通管理等有重要的作用,基于海上遥感图像的舰船目标特征提取及目标识别是一项热点研究。卷积神经网络是一种改进的人工智能算法,本文详细介绍了卷积神经网络技术的原理,基于卷积神经网络和滤波器实现了舰船遥感图像的特征提取和目标识别。     

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。     

基于线谱特征提取的被动声纳目标识技术研究

该文针对被动声纳目标识别,着重研究了线谱特征提取方法,提出了一种自适应遗传BP算法,并用该算法训练神经网络目标分类器。经对上海上实录三类目标噪声分类识别实验结果表明,所设计的被动声纳目标识别系统具有很好的分类效果。     

一种新颖的特殊体制雷达辐射源识别技术

对特殊体制雷达信号脉内特征的提取是电子对抗的重要研究课题。论文利用韦尔奇功率谱原理来提取信号识别特征参数,并根据提取出的特征参数设计信号识别模型。首先从多种信号中检测识别线性调频信号、相位编码信号、频率编码信,然后分析特征参数的适用范围和信号环境。最后通过仿真分析来验证特征提取算法和识别方法在雷达辐射源信号识别中的可行性。     

直扩信号盲检测方法研究

文中应用谱相关法、倒谱法、高阶累计量法、基于特征值分析等方法对DSSS信号的盲检测进行了分析,总结了各种方法的原理及实现过程,并用Matlab对其检测性能进行了仿真分析,在相同的条件下比较各种方法的检测性能随信噪比和采样点数的变化情况。结果表明,谱相关法对低信噪比的适应能力差,要达到90%的检测概率,所需的信噪比为-6dB。倒谱法、高阶累计量法在采样点数小于4000时,二者的性能和谱相关法相当,随着仿真采样点数的增加,性能提升明显,因此实时性较差。基于特征值分析的方法各方面的性能比较均衡,可以作为一种快速通用检测算法。     

结合EMD和功率谱熵的船舶轴频电场线谱提取

为实现强海洋背景噪声中的微弱船舶轴频电场信号检测,提出了一种结合经验模态分解(Empirical Mode Decomposition,EMD)和窄带子区间功率谱熵的线谱提取新算法.首先,利用EMD方法从含噪信号中分解出一组有效固有模态函数(Intrinsic Mode Functions,IMFs),对各有效IMF的功率谱进行子区间划分;其次,定义并计算各子区间的能量峰值熵比(Energy Peak Entropy Ratio,EPER)特征;最后,通过对轴频信号和环境噪声物理特征差异的分析,结合K-均值聚类方法进行特征量的筛选,实现线谱提取.海上实测数据的处理结果表明,相比于直接的功率谱分析,算法的线谱可提取下限降低了6.7 dB.     

基于改进小波算法的舰炮齿轮箱故障特征提取

小波变换具有优良的时频分析特性,适合于提取齿轮箱等机械设备的故障特征。但是由于小波滤波器的频响应特性不理想,因此直接对信号进行小波变换会产生一定的虚假频率,从而影响故障特征提取的准确性。针对小波分析的混频现象,在深入分析该现象产生原因的基础之上提出一种改进算法,并给出了利用该算法提取故障特征的具体步骤,为舰炮齿轮箱故障特征提取提供了一个新途径。仿真结果表明,该方法能有效地消除混频现象,提高了故障特征提取的准确性。     

基于三元阵的舰船水压场微弱信号检测方法研究

利用三元阵水压场同步测试系统一次海上实船水压场测试试验的三阵元数据开展了低信噪比实船水压场的特征提取和检测方法研究.结合三阵元,分别采用了自适应滤波方法和功率谱估计方法对所获得的试验数据进行分析处理.结果证明,基于自适应滤波和基于功率谱估计的三阵元联合浮动门限能量检测方法能有效抵消噪声干扰,所设计的浮动门限随海浪背景噪声的变化而调整,具有很好的适应性,能在低信噪比下达到较高的信号检测率.     

基于神经网络/模糊逻辑系统的混合式特征提取器

特征提取是水声目标分类的关键环节之一，用以获取各类目标的一些可鉴别性特征。螺旋桨轴频、叶率和叶片数是目标的本质性、鉴别性特征，是分类的重要线索。本文提出了一个基于神经网络／模糊逻辑系统的混合式特征提取器，先利用侧抑制神经网络从目标辐射噪声的包络谱中提取线谱序列，再利用模糊逻辑系统从线谱序列中提取出螺旋桨轴频、叶率和叶片数。对目标数据的分析表明：该特征提取器能够为目标分类提取有效的鉴别性特征。