水下蛙人呼吸声Mel倒谱特征的实验研究

为提高水下蛙人呼吸声识别的准确度,提出一种基于Mel频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)的蛙人呼吸声信号特征匹配方法。计算呼吸声信号之间、信号与环境噪声及舰船辐射噪声的MFCC夹角和MFCC距离并进行匹配比较,以进行分类识别。某湖试验数据的处理结果表明:蛙人呼吸声与舰船辐射噪声及环境噪声的MFCC参数有着明显的差异,能够对蛙人呼吸声信号与干扰噪声进行区分,证明了基于MFCC特征算法的有效性,对发展港口、码头等近海海域附近的水下蛙人探测声呐和预警系统具有实际意义。     

基于BPSO-KNN算法的被动声呐目标分类识别技术研究

以提取得到的被动声呐目标功率谱特征为基础,采用二进制粒子群(Binary Particle Swarm Optimization, BPSO)优化算法和k最近邻(k-Nearest Neighbor, KNN)分类算法相结合的BPSO-KNN算法进行特征选择和参数优化,分别用KNN分类算法和BPSO-KNN分类算法对实际得到的四类海上被动声呐目标进行分类识别。结果表明,BPSO-KNN算法可对提取的功率谱特征进行特征优化选择,并对KNN分类器进行参数优化,提高了对四类目标的分类精度。该算法在被动声呐目标分类识别方面有参考价值。     

粗糙集理论在水下目标识别中的应用

1引言 舰船目标辐射的水下噪声信号[1]包含有大量的目标信息,是被动声呐系统进行目标定位和识别的主要依据.本文从各类水下目标的辐射噪声中提取了四个有效的谱特征作为分类识别的依据,然后引入粗糙集(Rough Set)理论[2][3][4]的基本概念和理论,并将这些原理、算法运用到水下目标的融合识别中去,海上实录信号的分类实验结果令人满意.     

基于投影感知的水下声呐目标检测方法

现有基于深度学习的水下声呐图像目标检测方法受限于水下声呐图像噪声大、信噪比低,因而检测精度有限。针对该问题,本文提出了基于投影感知和声呐参数信息嵌入的水下声呐图像目标检测方法 SonarNet。提出的非参数化的投影感知对齐模块(PAA)在不引入额外的训练参数且无需额外标注的情况下,通过提取水下目标的投影区域特征与目标本身特征融合来提升目标检测精度。同时为了提升算法在不同声呐工作参数下的鲁棒性,本文设计了一个轻量级的声呐全连接网络SonarMLP,将声呐设备的工作参数信息以嵌入信息的形式引入到目标检测过程中。本文在声呐图像目标检测数据集上对算法的有效性进行了验证,在有效检测出水下目标的同时,比现有常用深度学习方法有更高的检测精度,能够提升3%以上的各类平均精确度(m AP)。     

基于粒子群最小二乘支持向量机的前视声呐目标识别

随着声成像技术的日益发展和广泛应用,利用图像声呐进行水下目标识别逐渐成为水声探测领域的重要研究方向之一。根据前视声呐图像的特性,提出了一种水下目标识别的方法。对声呐图像进行去噪和增强处理并分割图像,来获取目标所在区域、提取目标的区域形状特征;利用粒子群算法优化最小二乘支持向量机的正则化参数和核参数,构造出高性能的多分类器;输入待识别目标的特征实现分类。实验表明:优化后的最小二乘支持向量机能够准确、有效地识别出水下目标,并且具有较高的精度。     

基于改进小波阈值去噪的深度学习水下目标分类

由于海洋环境噪声复杂,噪声等级高,水下待识别目标信噪比低,从而造成了特征提取困难,目标识别率低的问题。基于此,文章提出了基于改进小波阈值的深度学习水下目标分类方法。此方法在传统小波阈值去噪的基础上提出了一种新的小波阈值函数,对于所采用的具体阈值将其与分解尺度相联系,从而实现降低背景噪声,提升水下目标分类识别率的目的。此方法对实测舰船辐射噪声信号进行小波分解,提取每一层的高频小波系数并对其进行处理;对处理完的信号再提取时频特征,最后将其输入后续的深度学习网络中。实验结果发现：在利用原有数据集情况下,利用基于改进小波阈值的深度学习进行水下目标的分类识别,采用卷积神经网络算法可达到88.56%的分类识别率。对前述实验结果进一步分析后,采用生成对抗网络的方法扩充数据样本,可达到96.673%的分类识别率。     

AN/BSY-1潜艇综合作战系统

BSY-1潜艇作战系统通过综合导航,声呐和武器系统数据.大大提高了潜艇水下目标探测,分类(识别),定位以及作战控制和武器使用能力,并在美海军潜艇上首先把声呐和火控系统综合在一起。它包括有主动声呐、被动旁侧阵声呐,被动拖线阵声呐、探雷/避撞冰下导航声,内以及作战控制系统(CCS),是一套规模大,技术先进的综合系统。     

水下小目标合成孔径声呐层析成像技术研究

水下小目标精细成像对于正确识别水下目标具有重要意义。目前,多波束成像声呐和条带合成孔径声呐是获取水下小目标图像的主要手段。水下目标的判别主要利用了目标图像的亮点特征,即使是同一目标从不同方位观测时得到的结果也可能差异较大,这给快速识别确认目标带来了困难。为解决该问题,提出了利用圆周合成孔径声呐对水下小目标进行水声层析成像信号处理方法,提高了声呐的多角度融合观测能力。仿真及试验数据处理结果表明,合成孔径声呐层析成像方法能够获得目标外形轮廓精细特征,有利于水下小目标的正确识别。     

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。     

瞬态回波边缘特征与水下目标分类

瞬态回波在水下目标探测方面具有比稳态回频谱宽、反隐身性能好的优点。本研究了利用小波变换提取水下目标瞬态回波的边缘特征并进行目标分类的可行性。对试验数据处理的结果表明，该方法有一定研究价值。     

基于小波包时频图特征和卷积神经网络的水声信号分类

水下声信号分类是水声学研究的一个重要方向。一个有效的特征提取和分类决策方法对水声信号分类技术至关重要。文章将鱼声、商船辐射噪声和风关噪声三类实测的水声信号在小波包分解的基础上提取时频图特征,并搭建了一个七层结构的卷积神经网络作为分类器。研究结果表明：三种水声信号的小波包时频图特征结合卷积神经网络在不同测试集可达到（98±1）%的总体准确率。因此,小波包时频图特征结合卷积神经网络的水声分类方法可望推广至更多水声信号分类。该研究结果可为水声信号的分类识别研究提供应用参考。     

基于小波变换的主动水声信号检测

信号检测是水声信号处理领域的研究重点之一。文章通过对水下航行器自噪声特性的研究，发现其具有1／f衰减特性，同时利用小波变换对1/f信号有类似K—L展开的作用，提出了一种基于小波变换的信号检测方法，对1/f噪声背景下的主动水声信号进行了检测；文中详细推导了相应的检验统计量及其统计分布特性；同时，将该方法与匹配滤波器、能量检测器的检测性能进行了比较，仿真试验结果表明了本方法的有效性。     

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。     

嵌入注意力机制的卷积神经网络水声目标识别

针对低信噪比水声目标单一特征识别率低,稳健性差的问题,提出一种基于注意力机制和多尺度残差卷积神经网络（Multi-scale Residual CNN with Attention,MR-CNN-A）进行特征融合的识别方法。该方法根据多尺度卷积核与特征图形成多分辨率分析关系,并以此通过注意力机制实现优势特征权值提取与融合,从而提高模型在文中水声数据集上提取目标噪声特征和分类识别的稳健性与抗噪能力。开展了4类舰船噪声和海洋环境噪声的识别试验、水下和水面自主式水下航行器的识别试验,以及不同信噪比条件下目标噪声的识别试验。结果表明：对于文中所涉及的水声目标噪声和人工高斯白噪声干扰,该网络模型识别正确率明显高于支持矢量机与简单卷积神经网络,且对高斯白噪声的抑制能力远强于支持矢量机与简单卷积神经网络,稳健性好,模型复杂度小。     

语音识别方法在水下目标识别中的应用

水下目标识别是潜艇在海战中,先敌发现并有效进行水声对抗的关键技术。然而,如何根据声纳接收到的舰船辐射噪声对三类目标进行分类识别是长期困扰人们的问题。研究了四种语音识别中常用的方法——线性预测系数（LPC）,线性预测倒谱系数（LPCC）,美尔倒谱系数（MFCC）和最小均方无失真响应（MVDR）,在水下目标识别中的应用效果,并比较了这四种方法在无噪声情况下的识别概率,以及在不同信噪比下的识别概率,并通过比较找到在无噪声和有噪声情况下的最佳方法。实验表明,在无噪声的情况下,MFCC方法总体识别率最高,第一类目标MFCC方法的识别率最高,第二类目标MFCC和MVDR方法识别率相似,好于其他两者,第三类目标MVDR方法识别率最高。在加入噪声的情况下,MVDR方法对三类目标的识别和抗噪声性能明显好于其余三者。     

水声信号动态阈值正交匹配追踪降噪方法

为了对实时采集的水声信号进行数据压缩的同时实现信号降噪,提出了一种动态阈值正交匹配追踪方法(Dynamic Threshold Orthogonal Matching Pursuit,DTOMP)。该方法将稀疏分解原理应用于水声信号的预处理,通过在正交匹配追踪算法中引入阈值约束,并根据噪声分布特性将其分为两部分,用以控制预设置的参数。通过对加噪正弦信号、实测鲸鱼叫声和舰船辐射噪声信号的降噪实验,表明该方法能够在对原始水声信号进行压缩的同时提高信噪比,且在较宽的信噪比变化范围内比小波方法具有更好的降噪性能。     

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.     

Robust Acoustical Gas Leak Detection in the Presence of Correlated,Uncorrelated and Impulsive Noises,Using Wavelet-Based Optimized Residual Complexity

Leak detection based on acoustic emission needs robust time delay estimation in the presence of various types of noise. Considering several aspects of leakage signal and noise, the present work introduces wavelet based optimized residual complexity (WORC), in order to minimize the probability of false alarms in the presence of correlated, uncorrelated, and impulsive noise. The proposed method utilizes two approaches simultaneously. First, it optimizes residual complexity “for robustness against both correlated and uncorrelated noise”, then it employs wavelet basis in order to reduce the complexity of mixture of correlated and impulsive noise. In order to compare the resolution and percentage of false alarms of WORC with those of optimized residual complexity and cross correlation, we used both experimental and simulated leakage signals of a gas pipe. The results demonstrate the superiority of WORC in term of robustness in the presence of correlated, uncorrelated, and impulsive noise.     

基于Gabor-Hough变换二值积累的空中声源过顶检测研究

从航空声源水下声场建模出发,提出了对运动声源过顶信号检测的Gabor-Hough变换二值积累检测算法.声源激发的水下过顶信号在短时间内可以用线性调频信号提供良好的近似,采用Gabor-Hough变换将过顶信号的检测转化为参数空间中的局部峰值检测,而Gabor-Hough变换对强分量杂波掩盖下的弱分量检测能力有限,针对空中声源辐射噪声能量差别较大的特点,提出了二值积累方法检测声源激发的水下信号,仿真实验结果验证了该算法的有效性.