一种多传感器信息融合的噪声源识别方法研究

水下航行器噪声源识别是一个小样本条件下的模式识别问题.充分利用多个传感器采集的信号是解决小样本问题的有效途径.但是,目前各个传感器在整体评估中所占的权重没有一种合理的评估方法.文章利用直推式置信机(TCM)可以给出分类预测置信的能力,首先提出一种改进的奇异值测量方法,提高计算预测置信的准确性.然后将该置信作为传感器权重的有效表征,提出了一种多传感器信息融合的改进型直推式置信机算法,即TCM-IKNN-M(Transductive Confidence Machine for Improved K-Nearest Neighbors based on Muhi_sensors)算法.舱段模型试验表明,文中提出的算法有效地利用了多个传感器的信息,大大提高了识别的正确率.     

Cosh窗函数改进及其在舰船振动分析中的应用

窗函数设计在振动故障诊断、噪声处理等舰船工程领域有重要价值。针对Cosh窗性能特点,提出了一种新的组合改进方法,一方面增强了Cosh窗的旁瓣抑制能力,另一方面扩大了组合改进窗函数的适用范围。改进后的窗函数表达式简单,计算量较小。试验证明,新窗函数应用于舰船电机振动信号频谱分析,与Cosh窗函数对比,可使能量泄漏大大减少,频率分辨性能更高。     

反潜中的舰艇动力装置各组件隐身性评估

以某型舰艇反潜作战为背景，建立了动力装置隐身性的模糊多目标评估模型，讨论了各评估指标权重的确定方法，分析得出了本型舰艇在执行反潜任务时动力装置各组件对舰艇隐身性的影响排序，以此为基础，给出了该型舰艇动力装置的使用建议，该模型同样也适合其他类型舰艇以及舰艇不同组件的隐身性评估。     

一种基于TCM-SVDD的样本类别标注方法

船舶机械噪声源的识别是一个小样本条件下的模式识别问题,采用增量学习是解决此问题的一条有效途径。但在进行增量学习以前,必须对新增样本的类别进行有效识别。为有效识别新增样本的类别,提出一种新的TCM-SVDD方法。首先,通过支持向量数据描述（SVDD）方法获得训练样本与新增样本的拉格朗日乘子;然后,将其作为该样本的奇异值代入直推置信机（TCM）中,估计新增样本属于不同类别的置信度,并将其与预设的置信水平进行比较;最后,剔除新增样本中的异类样本,实现增量学习。试验结果表明,该方法能快速、准确地识别异类模式样本,对训练样本集中混有少量异类模式样本的情况不敏感,而且可以控制对异类样本的检测准确率,自动化程度高。     

潜艇机械噪声源分类识别的小样本研究思想及相关算法评述

针对潜艇机械噪声源分类识别实际样本获取的困难,将该分类问题归结为一个典型的小样本模式识别问题加以处理;基于"信息"的观点,通过系统归纳、比较和借鉴国内外其它领域的一些主要研究思想和成果,明确了小样本条件下潜艇机械噪声源识别研究的"综合集成"技术路线;最后围绕实践提出了下一步需重点研究和解决的几个问题。     

双层圆柱壳异常噪声源定位试验研究与应用北大核心CSCD

[目的]针对船舶舷外异常噪声频发的问题,[方法]提出异常噪声源定位方法,建立定位模型,并通过双层圆柱壳试验进行验证。模型以广义互相关时延估计方法计算的时间延迟为输入,以传统双曲定位为基础,通过改进的基于圆柱壳体的双曲定位方法求解噪声源位置坐标。试验中,用敲击信号模拟舷外异常噪声源,对比分析传统双曲定位方法和基于双层圆柱壳的双曲定位方法这2种方法的定位精度,讨论时延估计对定位精度的影响。[结果]试验结果表明,基于双层圆柱壳的双曲定位方法可以准确定位异常噪声源的位置,在船舶舷外异常噪声源定位中具备可行性。[结论]所得结果可为船舶舷外异常噪声源定位提供一定的理论指导。     

基于神经网络集成的声学故障识别

提出一种基于神经网络集成的水下航行器声学故障识别方法。该方法把经单独训练的具有一定差异度的单个RBF神经网络加以集成,可提高分类器的泛化性能。实验证明该模型的有效性。     

螺旋桨空化对噪声调制特征影响研究

针对螺旋桨空化特征的识别问题,采集某试验船在不同转速下的螺旋桨噪声信号,运用小波包原理重构出表征空化的特征信号,提取不同空化状态下的特征信号包络,对比分析特征信号包络时域和频域特性变化,得到空化发展对信号调制特征的影响规律。结果表明:空化初期调制谱的结构出现变化,同时在一定范围内空化特征信号的调制程度随着空化发展而加深。