小波分析和神经网络在水下目标识别中的研究

研究水下目标识别问题.由于环境因素的影响,采集到的水下目标回波信号中含有大量噪声且信号频率范围大,传统方法不能有效提取信号特征导致水下目标识别率低.为了提高水下目标识别的准确率,提出一种基于小波分析和BP神经网络组合的水下目标识别方法(W-BPNN).采用小波对水下目标回波信号进行去噪处理,滤除噪声信号.通过小波包对信号的特征进行提取,提取出最能反映目标本质性质的特征向量,对提取的特征向量作为BP神经网络的输入进行识别.为了验证W-BPNN算法有效性,在Matlab平台上对3类水下目标进行了仿真.结果表明,相对于传统识别算法,W-BPNN获得了更高的识别准确率,证明是有效的水下目标识别方法.     

水声目标的MFCC特征提取与分类识别

水声目标识别技术在水下信息处理中起着非常重要的作用,从辐射噪声中提取水声目标的有效特征一直都是水声目标识别技术的难点所在。提出了一种利用水声目标辐射噪声的梅尔频率倒谱系数(Mel-Frequency Cepstral Coefficients, MFCC)作为目标特征提取的方法。通过对辐射噪声信号进行梅尔频率滤波得到目标噪声信号的MFCC特征,它模拟了人耳对不同频率的声音具有不同感知能力的听觉非线性效应,因此具有良好的识别效果。通过对实际水声目标的辐射噪声进行测试实验,提取目标噪声信号的MFCC特征向量,并运用K近邻算法对其进行分类识别,实验结果显示MFCC特征提取与分类识别算法对水声目标的识别率达到85%以上。     

舰船辐射噪声功率谱特征提取及系统实现

舰船辐射噪声特征提取是水下被动声探测装置进行目标识别、分类的关键技术;针对于此,研究了基于功率谱的连续谱、线谱特征实时提取技术和工程实现;该技术以分段拟合为基础,首先提取功率谱中的连续谱特征,再从原始功率谱中减去连续谱得到线谱分布,然后进行线谱特征提取;在此摹础上,详细介绍了舰船噪声功率谱特征提取的软、硬件系统设计和实现技术;系统经过实验验证,能有效提取不同类型目标的特征,系统性能良好,可满足新一代水下智能被动探测的要求.     

短时互谱法目标尺度识别技术研究

讨论了基于水下高频 ( 2 0～ 3 5 k Hz)目标回波亮点的分裂波束目标尺度识别方法。提出了利用分裂波束双通道短时互谱算法提取水下目标亮点回波方位特征的算法 ,给出了目标回波方位走向的线性拟合估计及目标视在空间张角的估计方法 ,推导了目标视在张角估计方差 ,并进行了计算机仿真。仿真结果表明 :对于目标长度为1 0 0 m、发射信号 ( CW)的脉宽为 40～ 5 0 ms、舷角为 2 0～ 40°、信噪比为 1 0 d B时 ,分裂波束短时互谱法目标尺度识别性能良好     

一种基于组合核函数支持向量机的水下目标小波特征提取与识别方法

准确的模式识别要求提取出的特征尽可能反映分类本质的特征.本文利用同态分析理论对水下声信号进行预处理,从最终接收到经过噪声干扰的目标信号中复原出能反映目标传输特性的原始信号,并在此基础上对信号进行离散小波变换,提取小波变换系数在不同区间上的尺度—过零密度、尺度—平均幅度特征,最终利用组合核函数支持向量机对提取出的特征进行分类识别.实验表明,提取出的特征能反映目标类别特点,该方法能对水下目标进行有效的识别.     

基于小波包与PCA方法对水下目标识别研究

水下目标信号的分类识别一直是信号处理工程领域的研究难点.针对水下信号发声机理十分复杂与成分多样,导致表征其特征的数据量较大且维数较高,目标识别率低.要解决上述问题,需要很大的计算成本,并影响识别特性量的效率,提出了一种采用小波包与主分量分析(Principal Component Analysis,PCA)相结合的特征提取方法.通过小波包分解与重构得到水下目标辐射噪声的初始特征;用PCA方法实现对高维特征向量的优化处理.采用BP神经网络作为分类器对三类目标进行识别仿真.结果表明,减少计算量的同时,水下目标信号得到了较好的优化提取.     

有效的基于内容的音频特征提取方法

音频特征提取是音频分类的基础,好的特征将会有效提高分类精度。在提取频域特征Mel频率倒谱系数（MFCC）的同时,对每一帧信号做离散小波变换,提取小波域特征,把频域和小波域特征相结合计算其统计特征。通过SVM模型建立音频模板,对纯语音、音乐及带背景音乐的语音进行分类识别,取得了较高的识别精度。     

水下目标多亮点回波仿真及应用研究

水下目标回波的亮点结构是重要的目标特征,因此,水下目标亮点特征的提取也是主动探测系统进行目标识别与跟踪的主要内容.该文研究了水下目标亮点的结构模型及亮点回波信号模型,重点分析了窄带系统中目标亮点回波信号的幅度、时延、频移以及相位的仿真计算方法.配合波束形成、参数估计及弹道逻辑,实现了对水下目标进行动态跟踪的仿真弹道,并给出了仿真实例.该仿真方法已经在水下武器仿真系统中得到了很好的应用,具有重要的使用价值.     

基于小波分解和支持向量机的MSTAR SAR目标分类识别研究

对军事目标进行分类是整个SAR ATR过程中最困难的任务。为了进一步提高MSTAR SAR目标的识别效果,在分析了MSTAR SAR图像特点的基础上,提出了一种利用离散小波分解提取目标特征的方法。由于小波分解后的低通近似系数虽然是一种较低分辨率的SAR图像,但是它仍然包含了SAR目标回波的能量,而高通细节系数则包含了目标的细节成份和噪声,因此,可将小波分解后的低通近似系数作为特征,并利用由决策导向循环图扩展的支持向量机来对多类目标进行分类。实验结果表明,即使将3级小波分解后的低通近似系数作为特征,支持向量机的分类精度仍然很高,而且由于特征的数据量较少,因此可使得识别效率得到提高。     

基于能量检测的复杂环境下的鸟鸣识别

针对实际环境噪声使得鸟鸣识别准确率受到影响的问题,提出一种基于能量检测的抗噪鸟鸣识别方法。首先,对包含有噪声的鸟鸣信号用能量检测方法检测并筛选出有用鸟鸣信号;其次,根据梅尔尺度的分布,对有用鸟鸣信号提取小波包分解子带倒谱系数（WPSCC）特征;最后,用支持向量机（SVM）分类器分别对提取的小波包分解子带倒谱系数（WPSCC）和梅尔频率倒谱系数（MFCC）特征进行建模分类识别。同时还对比了在添加不同信噪比的噪声下15类鸟鸣在能量检测前后的识别性能差异。实验结果表明,提取的WPSCC特征具有较好的抗噪功能,且经过能量检测后的识别性能更佳,更适用于复杂环境下的鸟鸣识别     

基于时变AR预白滤波处理的水雷非水雷识别算法

基于时变AR预白化滤波器处理方法采用图象模式识别技术设计开发了一个水雷/非水雷的自动识别系统.数据预处理完成后截取有效数据段并提取信号特征由分类器对真假水雷目标进行识别.时变AR预白滤波器方法在一定程度上将背景混响预白化,提高了匹配滤波的检测性能.本文基于实际湖试和海试数据对该识别算法进行验证,结果表明此算法识别效果较好.     

基于分数阶傅立叶变换的水下动目标检测

当发射信号为线性调频信号(LFM)时,水下动目标径向运动速度使得回波和副本不匹配,从而导致传统的最佳检测器——匹配滤波器对线性调频信号的检测性能下降。动目标的回波信号依然为LFM信号和分数阶傅立叶变换对线性调频信号的聚焦特性,提出了以信号的分数阶能量谱的峰值作为统计量来进行检测,并且给出了细化搜索峰值的自适应方法,提高了搜索速度。仿真结果表明,算法在高斯噪声背景下对径向速度未知的运动目标线性调频回波具有良好的检测性能,并分析了信号参数对检测器性能的影响。     

舰船辐射噪声节拍功率增率特征提取

舰船辐射噪声节拍的音色特征是水下目标识别的重要依据,其与节拍能量的变化相关。首先采用短时傅立叶变换对舰船辐射噪声进行时频分析,然后根据时频能量分布图,分别计算节拍能量最强和最弱处累积功率谱,功率增大率反映了节拍的音色特征,是舰船辐射噪声的重要特征。通过实验证明:与以往的功率谱特征相比,节拍功率增率特征和功率谱特征联合识别能有效的提高识别率。     

基于连续小波变换和分形理论的水下回波特征提取

提出了一种水下回波特征提取方法。该方法利用连续小波变换和分形理论从水下回波包络中提取分形维,并作为水下目标分类的特征矢量。对实测的4类不同沉积物回波数据进行特征提取与分类,结果表明:该方法能可靠地区分不同类别的海底底质类型,具有较高的正确识别率。     

声诱饵回波模拟器仿真研究

随着水声技术的发展，水下武器对抗也日趋复杂。能够模拟目标回波的主动式声诱饵的出现，为对抗主动自导鱼雷及主动声纳提供了非常重要的帮助。着重对声诱饵的回波模拟器的作用机理进行了分析，然后给出了脉冲宽度、多普勒频移、时延与展宽、目标强度：最大回波强度等回波特征参数的估计方法，并对可以同时对抗声自导鱼雷和主动声纳的某声诱饵回波模拟器进行了仿真研究，并给出了仿真结果，对水声对抗技术研究有着重要的参考价值。     

宽频鱼雷自导目标回波模拟仿真

目标模拟器是鱼雷自导系统设计的重要仪器。该文的目的是给出宽频水下目标回波信号模拟的软件仿真流程，为实际应用中目标模拟器的硬件实现提供一个较完整的软件基础。文章以宽带信号处理的理论为基础，对自导系统中常用到的各种信号和目标回波的模拟（包括目标距离、方位和速度的模拟）方法做了细致的讨论，给出了多普勒频移、时延、环境噪声和海洋混响的模拟方法和Matlab仿真结果。其中，在模拟海洋混响时采用了性能较好的椭圆滤波器。文章最后还给出了对多目标和动目标的Matlab仿真结果。结果表明实际中用硬件来模拟宽带水下鱼雷自导目标回波信号是可行的。     

基于PCI的声纳目标模拟器设计

基于计算机仿真技术,提出了一种新的低功耗、便携式声纳目标模拟器的设计方法.建立了水下目标回波的仿真模型,使用VC开发程序产生回波数据,通过计算机PCI总线输出到外围硬件系统.给出了目标模拟器的设计参数和硬件结构,验证系统设计的实时性.给出DMA工作方式下数据传输的设计方法,可编程逻辑器件的控制逻辑和驱动程序设计,解决了数据传输连续性的关键问题.通过与声纳系统的联调实验,证明该设计能够满足声纳系统的需求,显示出该设计广阔的应用前景.     

基于前视声呐的水下目标检测算法研究

水声目标检测就是从水声取目标信息并进行识别,而有效的水声标检测在现代化的海洋开发中有着十分重要的作用;首先,介绍了水声目标检测所采用的设备,以及该设备的工作方式,并搭建试验场景进行水声回波的采集;其次,对水声标检测算法进行了研究,比对不同的滤波算法可知,中值滤波方法的去噪效果更佳;进行了灰度直方图分析,对目标的灰度范围进行了增强处理;对图像分割算法进行了研究,设计了一种自适应迭代分割算法,对比其他方法有着更好的处理效果;对分割后的图像进行连通域查找,目标筛选,从而识别出待检测目标;试验结果验证了该水声目标检测算法在对水下目标的检测识别上的有效性。     

基于卷积神经网络框架的回声隐藏检测方法

回声隐藏是一种以音频为载体的隐写技术,目前针对回声隐藏的隐写分析方法主要以倒谱系数作为手工特征进行分类。然而,这些传统方法普遍在回声幅度较低时检测性能不高。针对回声幅度较低的情况,提出一种基于卷积神经网络（CNN）的回声隐藏隐写分析方法。首先利用短时傅里叶变换（STFT）提取音频的幅度谱系数矩阵作为浅层特征,然后设计了一个卷积神经网络框架对浅层特征进行进一步的深度特征提取,网络框架中包含了四个卷积模块以及三层全连接层,最后分类结果以Softmax进行输出。在三种经典的回声隐藏算法上对提出的方法进行了隐写分析实验评估,实验结果表明,该方法在低回声幅度条件下的检测率分别为98.62%、98.53%和93.20%,与目前所提出的传统基于手工特征的方法和基于深度学习的方法相比,检测性能提升10%以上。