基于自相关特征的舰船大小识别方法

基于自相关处理方法,提出了一种利用舰船辐射噪声自相关曲线特征值对舰船大小进行识别的方法,并利用BP神经网络对两类海上实测舰船目标噪声信号进行了识别。实验结果表明,利用该方法对舰船目标大小具有较好的识别效果。该法与其他识别方法相比,在保证较高分类识别率的前提下,特征量提取方法简单,特征量维数少,运算量较低,更便于工程实现。     

舰船辐射噪声中鲸类联络叫声检测方法

鲸类联络叫声的频段与舰船辐射噪声频段的重叠,使其易被误检测为舰船噪声而被被动声纳接收,影响后续对被动声纳检测到的信号进行目标自主识别等信号处理的性能。针对鲸类联络叫声干扰目标识别等声纳信号后续处理的问题,提出舰船辐射噪声中鲸类联络叫声检测算法,为削除鲸类联络叫声干扰作准备,算法首先通过理论与实测数据分析得出舰船辐射噪声频谱分布的短时稳定性特征,进而采用中值滤波方法对舰船辐射噪声进行白化处理,利用三阶多项式相位信号对鲸类叫声建模,然后通过基于匹配滤波器的广义似然比检测方法,实现了舰船辐射噪声中鲸类信号的检测。经实测信号的实验验证,提出的算法适用于不同类型和工况的舰船;通过与其他三种检测方法的比较分析,算法在给定虚警率下可以取得较高的鲸类叫声检测率,检测结果优于其他三种方法。     

干扰抑制门在线谱提取中的应用

由于舰船辐射噪声和海洋环境噪声的复杂性,直接从舰船辐射噪声解调信号中提取线谱比较困难。为了降低线谱提取过程中宽带噪声干扰的影响,设计了一个干扰抑制门。对单频输入信号和谐波输入信号的仿真,验证了抑制算法的有效性,同时对干扰抑制门的信噪比增益进行了统计分析。对实测舰船辐射噪声数据处理,结果表明干扰抑制门的应用能有效降低信号中的宽带干扰,为线谱提取提供便利。从线谱中提取的螺旋桨轴频可作为舰船目标分类和识别的特征量。干扰抑制门算法亦可用于线谱检测。     

基于小波包和1(1/2)维谱的舰船辐射噪声频域特征提取及融合

舰船辐射噪声频域特征提取是舰船目标识别的关键技术之一。为提高舰船目标识别率 ,采用小波包和 112维谱对舰船辐射噪声进行多小波包空间调制谱和噪声谱特征提取及融合研究。并用提取的特征对五类舰船目标辐射噪声进行了分类识别实验 ,结果表明所提特征具有很好的分类识别效果     

隐马尔可夫模型在舰船噪声目标识别中的应用

将Mel频率倒谱作为特征参数,实现了基于连续型隐马尔可夫模型的舰船辐射噪声目标识别。对五艘不同类别舰船的辐射噪声建立模型,并进行了识别实验。模型的状态数和高斯混合数分别确定为1和3,五艘舰船的平均识别率达到91．6％。利用两艘不同类型舰船的噪声分析了舰船的工况对识别结果的影响。     

基于小波包和1(1/2)维谱的舰船辐射噪声频域特征提取及融合

舰船辐射噪声频域特征提取是舰船目标识别的关键技术之一。为提高舰船目标识别率，采用小波包和1 1/2维谱对舰船辐射噪声进行多小波包空间调制谱和噪声谱特征提取及融合研究。并用提取的特征对五类舰船目标辐射噪声进行了分类识别实验，结果表明所提特征具有很好的分类识别效果。     

基于现代信号处理技术的舰船噪声信号DEMON分析

DEMON分析是舰船噪声目标识别的重要分析手段之一。通过DEMON分析可以获得诸如舰船螺旋桨转速、螺旋桨叶片甚至舰船的车数等不变的舰船物理特征。在过去的DEMON分析中,通常采用经典的周期图方法。本文采用了高阶谱分析、小波的子频带分析以及基于互相关函数矩阵奇异值分解等方法,对舰船噪声信号进行了分析。从对大量的舰船噪声信号的分析来看,在大多数情况下现代谱分析技术具有优势,但并不是所有情况下其性能均优于周期图方法。     

基于集合经验模态分解的舰船辐射噪声能量分析

利用集合经验模态分解方法研究舰船辐射噪声的特征参数提取及分类,对预处理后三种不同类别舰船辐射噪声进行能量分析,讨论其高低频能量差特征参数。计算不同类别、一定样本数量的舰船辐射噪声高低频能量差发现,同类舰船高低频能量差基本处于同一水平,不同类型舰船高低频能量差存在明显差异。结果表明,利用集合经验模态分解方法提取的舰船辐射噪声特征参数对舰船类别具有较好的可分性。可为水下目标信号探测及识别提供参考。     

基于高阶累积量图像特征的柴油机故障诊断研究

针对发动机不同部位的机械故障特征容易混淆,且往往淹没在其他分量和强噪声中难于区分和提取的问题,提出了一种基于高阶累积量图像特征的柴油机故障诊断方法。截取柴油机6个工作循环的振动信号分别进行三阶累积量计算,累加平均得到1个工作循环信号的三阶累积量,提取柴油机不同故障状态基于三阶累积量图像灰度共生矩阵的图像纹理特征参数,利用支持向量机进行模式识别。试验结果表明:该方法既能抑制噪声干扰,又能充分利用高阶累积量图像中的纹理特征信息分析非稳态信号,提取的特征参数能有效识别发动机6种技术状态,与传统的基于高阶累积量的特征提取相比,提高了故障诊断准确率。     

基于加权四阶累积量切片的谱线增强

本文首先介绍了加权高阶累积量切片的概念,给出了加权混合高阶累积量的更新公式,提出了其自适应谱线增强算法,并用实测运动目标辐射噪声数据,对该算法的性能进行了仿真研究。仿真结果表明:该算法具有较强的抑制高斯有色噪声能力,能抑制大约13~23dB的高斯有色噪声;调整高阶累积量切片加权系数,可改善该算法抑制高斯有色噪声的性能。     

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。     

基于VMD和窄带包络相关的船舶辐射噪声改进DEMON分析

船舶辐射噪声的包络谱中蕴含着轴频和桨叶数等船舶固有特征信息,对船舶目标识别具有重要意义。为了提高船舶辐射噪声包络谱解调性能,提出了基于变分模态分解(Variational Mode Decomposition, VMD)和窄带包络相关的改进DEMON分析方法。首先利用VMD算法代替传统带通滤波器,将船舶辐射噪声信号分解为若干个子带;然后对各子带进行希尔伯特(Hilbert)检波并计算平均窄带包络相关系数,用于衡量信号的包络调制在频域上的非均匀性;最后提取各子带信号包络谱并按照平均窄带包络相关系数进行加权融合,从而得出宽带噪声信号的包络谱。利用该方法对实测不同类型和不同航速船舶辐射噪声信号进行了处理,结果均表明所提方法能有效提高包络谱解调效果,较传统方法更为有效。     

基于小波包分解和PCA-Attention-LSTM的舰船辐射噪声识别技术

为了改进舰船辐射噪声分类系统的性能,进一步提高识别准确率,文章提出了一种基于多特征的小波包分解在长短期记忆(LongShort-TermMemory,LSTM)网络中分类的方法。该方法首先通过小波包分解技术,分频段提取舰船辐射噪声的多种特征,将提取的特征利用主成分分析法(Principal Component Analysis, PCA)进行数据降维,通过添加注意力机制(Attention Mechanism)算法的LSTM网络,对辐射噪声结果分类,提高了学习效率和识别准确率。为了更精细地提取特征,分频段提取了舰船辐射噪声的时频域特征、小波变换特征和梅尔倒谱系数等特征,并将分频段与不分频段的特征、多特征与单一特征、不同信噪比间的算法性能进行对比。实验结果表明,基于小波包分解和PCA-Attention-LSTM的模型可以有效地提高舰船辐射噪声分类的性能,是一种可行的分类方法。     

融合时频域特征的舰船识别方法及实验研究

文章提出了一种融合舰船辐射噪声时频域特征的识别方法,将舰船辐射噪声的线谱特征和线性预测倒谱特征作为输入,分别利用反向传播（Back Propagation,BP）神经网络进行训练、降维及初步判别,并采用加权投票方式,引入置信度算法和拒判机制实现决策级融合识别。实验结果表明,对比基于舰船单一特征的识别方法,利用舰船辐射噪声时频域特征的互补性进行融合识别,减小了单一识别方法误判对总识别率的影响,具有较强的鲁棒性,可有效提高对目标的识别率。     

舰船辐射噪声广义多尺度数学形态学特征提取与应用研究

为稳定提取复杂水声环境下舰船辐射噪声的有效特征,在数学形态学方法的基础上提出一种广义多尺度数学形态腐蚀谱熵(generalized multiscale pattern erosion spectrum entropy, GMPESE)的舰船辐射噪声非线性特征提取方法。通过对千岛湖及东海实测舰船辐射噪声处理,验证了不同环境下该特征提取方法的可行性,分析了相关参数选取对特征区分度的影响,并比较了该特征提取方法与多尺度熵(multiscale sample entropy, MSE)特征的识别性能。数据处理结果表明,综合比较运算耗时、提取稳定的特征所需信号时长及复杂环境下目标识别准确率,GMPESE特征提取方法具有更大的优势。     

舰船辐射噪声的分段自仿射IFS模型

本文根据舰船辐射噪声具有连续不可导和非平稳的特性,建立了分段自仿射ＩＦＳ模型。提取出ＩＦＳ参数并计算出ＩＦＳ分形维数。结果表明：１．在一定的压缩比下,由ＩＦＳ参数所恢复的信号具有较高的信噪比;２．两类不同目标的ＩＦＳ分形维数具有较好的离散度。本文为水声目标的分类与识别提供了新的特征分数。     

基于支持向量机改进算法的船舶类型识别研究

利用船舶目标辐射噪声DEMON谱特征,采用改进的支持向量机算法,实现了对船舶目标的分类识别研究。针对支持向量机算法对噪声比较敏感和最优分类面求解时约束较多不利于支持向量机最优分类面寻优的问题,在保持支持向量稀疏性和应用径向基核函数的条件下,对支持向量机算法在松弛变量和决策函数两方面进行了改进,提出了基于径向基核函数的齐次决策二阶损失函数支持向量机改进算法,并应用于利用船舶目标辐射噪声DEMON谱进行船舶目标类型分类识别实验。理论分析、数据仿真与实验结果表明,该改进算法实现了在二次规划中的较少约束条件下最优分类面求解,具有模型参数寻优空间广阔、总体分类性能优的特点,其分类性能优于原支持向量机算法,是一种适合于船舶辐射噪声DENOM分类识别的有效的支持向量机改进算法。     

基于模板匹配的舰船螺旋桨叶片数识别方法

针对在舰船辐射噪声DEMON线谱信噪比低时,传统使用的基于模型或专家系统的叶片数识别方法存在错误率高且识别结果不稳定的问题,提出了一种基于模板匹配的螺旋桨叶片数识别方法。该方法建立了不依赖于样本的模板库,设计了模板匹配算法和识别结果置信度算法,较好地解决了传统的叶片数识别技术所存在的数学模型失配或规则不全、样本不完善性等问题。对实测数据的分析表明,该方法明显降低了叶片数识别的错误率,使目标类型识别结果趋于稳定。     

船舶辐射噪声源模型的试验验证

任何船舶在运动过程中其机械设备的运转,以及船体本身的运动,都不可避免地会产生噪声,这种噪声在水中向周围传播,就在水下形成了随时间和空间分布的船舶辐射噪声场。由于船舶体积庞大、设备众多,在近场是一个十分复杂的体积声源,其声场具有时、空变化特性和指向性,在测量船舶水下辐射噪声时,为保证获得足够的信噪比,通常只能在近距离进行测量。因此开展船舶体积声源的建模研究,是十分重要和必要的。为了验证浅海波导条件下的船舶辐射噪声源模型,在某浅海海域,测量了一艘渔政船的辐射噪声。实测数据的处理结果验证了船舶辐射噪声源模型的有效性,即利用建立的船舶辐射噪声源模型可有效地描述体积声源的声场分布。本文的研究成果对于分析船舶目标的固有特性具有指导意义。     

相关噪声背景下加权高阶累积量的时延估计方法

时延估计是双基阵被动定位中的重要问题。在非相关噪声干扰下,应用广义互相关法进行时延估计可以取得良好的估计效果,但在相关噪声干扰情况下其估计性能严重下降。使用高阶累积量进行时延估计,可以有效地去除相关高斯噪声的干扰。采用类似广义互相关加权的方法对高阶累积量进行PHAT加权,进一步抑制噪声的影响,提高了高阶累积量法的估计性能。结果表明,在相关噪声背景下加权高阶累积量时延估计效果优于广义互相关法和高阶累积量法。