一种视听融合的水下目标识别方法研究

特征提取是水下目标识别研究中最为关键的技术之一,特征参数的优劣将直接决定分类识别系统的性能。将声信号的听觉与视觉感知特征结合,应用于水下目标识别,通过实验得出如下结论,相比于单独应用听觉特征,融合特征的平均识别率能提高4%~6%以上,特别是将听觉特征与声谱图的Gabor小波变换特征、灰度-梯度共生特征进行融合后,分类性能较好,平均达到87%以上。     

基于Gammatone滤波器组与子带瞬时频率的水声目标特征提取

水声目标识别是现代海战中的关键环节,具有重要的军事应用价值。针对海洋环境的复杂性及多变性,文章以模仿人耳听觉感知机理为基础,提出了基于伽玛通（Gammatone）频率瞬时幅频系数的特征提取方法。该方法通过Gammatone滤波器组模拟人耳基底膜对信号的分解、处理过程,在各子带输出信号中提取目标的子带瞬时频率特征,并与传统的瞬时幅度特征相结合,从而更加全面地反映目标的固有属性。利用支持向量机对四类实测水声目标辐射噪声数据进行了识别实验,结果表明,文章的特征提取算法能够较好地抑制噪声,具有较强的鲁棒性。     

无源声呐目标特征提取的一种新方法

水下目标的特征提取一直是水声信号处理的一个难题。由于实际声呐目标的发声机理和反射声波的机理十分复杂,成份多样,造成水声信号具有较强的非平稳性和非高斯性。为了提高对水下目标识别的正确识别率,本文突破以往研究中关于信号平稳性和高斯性的假设,在简要介绍LOFAR谱图和高阶谱(HOS)估计方法的基础上,提出一种基于高阶谱的LOFAR谱图特征的提取方法。本方法既不受高斯性假定的约束,也不受平稳性假定的约束。最后,用本方法对三类实际声呐信号进行了特征提取,取得了令人满意的分类识别效果。     

目标声测听的训练效应

0引言很多研究表明,识别声音特性的能力是可以通过练习提高的。B.A.Wright和Y.Zhang等人发现通过听觉训练可以提高听觉感知成绩[1],而且可以泛化到其他未训练刺激和任务。孙文艳的短时性心理干预和听觉训练研究发现[2],训练能够提高在噪声中的声目标辨识成绩,包括纯音辨识、无意义语音听辨和常见目标声听辨。在声目标辨识方面,西     

水下目标特征提取方法研究

有效的特征提取技术是水雷目标识别的基础。文章采用了两种前期研究中较为有效的水雷目标特征提取方法(频域离散小波变换法和常数Q滤波子带能量法),并引入了一种应用在水下目标识别领域中的特征提取方法(波形结构法)。应用此三种特征提取方法提取的特征来识别实雷目标以及假目标,分类器采用三层BP算法的前向神经网络,给出了具体的识别率,说明该特征提取算法是有效的,用波形结构法进行水雷目标的特征提取是可行的。     

被动声纳目标识别技术的现状与发展

在现代被动声纳系统中，水下目标的自动识别是关键技术之一。文章对被动声纳目标识别的特征提取、特征选择和分类器设计方面进行了回顾。对LOFAR，DEMON和小波变换等特征提取技术进行了讨论，分析了特征优化的重要性和专家系统和神经网络等分类器的优缺点，并简要分析了该领域的过去、现在和未来。     

基于听觉感知的不同航速稳态舰船噪声合成

声纳人员培训和人耳辨识舰船声实验中常需要完备的敌我舰船辐射噪声样本,但实录各国舰船噪声几乎是不可能的。因此,合成与真实水下声样本听觉感知相同的舰船辐射噪声十分必要。研究了舰船航速对其辐射噪声的影响及人耳听音的临界带通特性,通过已知的零散舰船噪声样本合成目标舰船在其它未知状态下的辐射噪声。采用临界带通滤波和线谱迭加方法,分别合成了目标舰船在低、中、高三种不同航速下的稳态辐射噪声。为了验证合成声的有效性,进行了主观评价实验,采用成对比较法验证了15组不同航速状态下的合成舰船噪声样本。结果表明,合成舰船噪声样本能够被人耳有效识别,准确率达93%。     

水下目标回声信号的相关特性

水下目标检测与识别是声呐系统的主要任务之一，但就目前而言，由于水下目标检测与识别技术还不够成熟，因而水下目标检测与识别技术也是声呐技术领域最迫切需要解决的难题之一。本文在基于亮点模型的前提下，运用Matlab软件对潜艇、鱼雷和水雷这三种常见水下目标的回声信号进行了模拟与仿真，并对模拟仿真所得到的目标回声信号以及真实实验数据进行了相关处理。研究了目标回声信号的相关特性，总结得出相应的规律与结论，为进而运用到实际的目标识别技术中提供了可能．     

基于函数变换的水下图像目标分割和特征提取

针对海水信道的特殊性以及成像环境的复杂性,对视觉系统的图像处理和特征提取带来的影响,提出了一种基于模糊变换的图像分割和基于函数变换的特征提取方法,以克服水下不确定因素给目标识别带来的困难,并对其进行了仿真试验.试验结果表明,此方法在对深海烟囱图像的分割和特征提取上能够取得好的效果,可有效地克服水下图像灰度分布不均匀和环境不确定因素的干扰,实现了难于分类判别的深海热液喷口目标的区分.     

S变换在水下目标分类识别中的应用

目标特征提取是目标识别的重要部分。介绍了一种较新的时频分析方法——S变换,对莱蒙湖底四类沉积物的反射回波进行S变换,并提出了提取变换后以频谱图的时间能量谱和奇异值为特征的特征提取方法,分析了四类回波的时间能量谱和奇异值特征的差异,并进一步用距离可分性测度检验了所提取的特征性能。最后利用最近邻分类器分类,仿真结果显示,该特征提取方法是一种有效的、稳定的特征提取方法,将在水下目标识别领域有更多的应用。     

结合多尺度卷积网络和双端注意力机制的水声目标识别

水声目标识别是被动声呐系统的主要应用之一。为了进一步提升小样本条件下水下目标的识别率,文章提出一种基于多尺度卷积和双端注意力机制相融合的方法。首先,提取梅尔倒谱系数,色度谱和计算谱对比度等特征,建立基于多类别特征子集的三维聚合特征。其次,采用多尺度卷积滤波器算子构造多分辨率卷积神经网络,以更好地适应三维聚合特征的时频结构。另外,采用双端注意力模型捕获样本的全局依赖和局部特性。采用基于指数加权的对数交叉熵函数作为损失函数,提升样本数较少类别的识别率。实验结果表明,该方法在ShipsEar数据上的平均识别率为95.5%,取得了较好的分类效果。     

《汉语语境下水下噪声听觉属性评价用语研究》

在水下噪声听觉属性的研究中,适当、全面的评价用语是获得准确的声音主观评价实验结论的关键。在汉语语境下进行了水下噪声听觉属性评价用语的调查研究。首先根据已有的声品质评价词和问卷调查结果获得大量噪声描述词,通过声音在听觉感受上的三要素——响度、音调和音色,确定其中97个词适用于评价噪声的听觉属性。然后采用成对比较实验和聚类分析手段,依据人对词的理解差异将词汇分成10类,避免了研究者个体分类词汇的不确定性。最后为确定少量的、语义不重叠的、具有代表性的水下噪声听觉属性评价用语,通过水下噪声重放,进行选词问卷调查,从中确定水下噪声听觉属性的评价术语。     

ia-PNCC: Noise Processing Method for Underwater Target Recognition Convolutional Neural Network

Underwater target recognition is a key technology for underwater acoustic countermeasure. How to classify and recognize underwater targets according to the noise information of underwater targets has been a hot topic in the field of underwater acoustic signals. In this paper, the deep learning model is applied to underwater target recognition. Improved anti-noise Power-Normalized Cepstral Coefficients (ia-PNCC) is proposed, based on PNCC applied to underwater noises. Multitaper and normalized Gammatone filter banks are applied to improve the anti-noise capacity. The method is combined with a convolutional neural network in order to recognize the underwater target. Experiment results show that the acoustic feature presented by ia-PNCC has lower noise and are well-suited to underwater target recognition using a convolutional neural network. Compared with the combination of convolutional neural network with single acoustic feature, such as MFCC (Mel-scale Frequency Cepstral Coefficients) or LPCC (Linear Prediction Cepstral Coefficients), the combination of the ia-PNCC with a convolutional neural network offers better accuracy for underwater target recognition.     

小波包分形与支持向量机在水声目标识别中的应用研究

水声目标分类识别是公认的水声信号处理难题,船舶辐射噪声是一种非线性非平稳信号,具有一定的混沌特性,更好地认识船舶辐射噪声的非线性性质,有助于更好地寻找有效的水声目标检测及识别算法。为了解决水声目标的分类识别问题,提出了利用小波包分形和支持向量机组合进行水声目标识别。利用小波包分解得到目标辐射噪声不同频带内信号分形维数作为特征矢量,并输入到支持向量机实现目标分类,实验结果表明,小波包分形和支持向量机的结合有比较好的分类识别效果,有一定的实际应用价值。     

水下目标识别的1/3倍频程掩蔽谱方法

在对现有水下目标噪声信号分布研究的基础上,基于声学分析中的1/3倍频程分析和入耳的听觉掩蔽效应,提出了1/3倍频程掩蔽谱特征提取方法,并对水下目标辐射噪声进行了特征提取和特征分析.结果表明,不同类的目标,其主频范围有其固定的区域.Ⅰ类目标的主频一般在100Hz附近,Ⅱ类目标的主频一般在100Hz和200Hz附近,Ⅲ类目...