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     

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DEMON谱信息提取算法的目标识别方法研究

宽带噪声解调(Detection of Envelope Modulation on Noise,DEMON)谱中的轴频叶频,对应螺旋桨转速和叶片数等舰船自身相对特征,这些特征可以作为目标识别的依据。综合运用改进的最大公约数算法和余数门限算法提取DEMON谱中的轴频和叶频,解决了传统最大公约数算法提取轴频叶频误差较大的问题。仿真数据与实测数据的实验结果均验证了DEMON谱信息提取算法的有效性。     

单矢量传感器DEMON谱检测技术研究

水声目标辐射噪声的包络谱中包含调制线谱(DEMON),不同类型的水声目标其DEMON谱不同,研究单矢量传感器利用DEMON谱检测目标信号的能力。采用文中定义的解析声强流方法,将单矢量传感器拾取的同一点的多信号源的振速矢量叠加统一描述在解析声强流的相位中,目标方位可以通过计算解析声强流的相位得到。仿真计算结果表明,这一方法对不同基频调制的宽带信号的检测能力可达-20dB,方位分辨能力在信噪比为-15dB时约为10°。对湖试数据的处理结果已证明本方法的可行性。     

HHT与神经网络在舰船目标特征提取中的应用

目标识别一直是水声领域的关键技术之一。将高阶累积量用于希尔伯特变换特征提取中,通过对舰船目标辐射噪声信号进行采集,得到舰船目标噪声信号,进而提取目标辐射信号各阶模态的相邻平均瞬时频率比、相对标准差、中心频率、平均强度、高阶矩和高阶累积量等作为特征,最终利用BP神经网络来实现对两类舰船目标的分类识别。通过对实际舰船目标噪声进行识别,验证了该舰船目标识别系统具有较好的识别效果。     

船舶辐射噪声节拍音色特征研究

从人的主观感觉入手,利用心理声学方法,对船舶辐射噪声节拍音色特征进行了探讨研究。发现了节拍音色DEMON谱轴频谐波结构之间的关系,并利用仿真噪声和实际噪声进行了验证,不同类别目标之间,谐波结构存在差异,不同的谐波结构就会导致不同的节拍音色;提取了一种反映船舶噪声节拍音色的新特征——调制度特征,描述DEMON谱轴频、叶频和轴频其他谐波相对于周围干扰线谱的突出程度,并依据轴频、叶频和轴频其他谐波的调制度大小关系,作为目标分类的重要依据;最后分析了噪声频段对节拍音色的影响,噪声频段不影响节拍音色,仅因信号能量频段分布的差异导致噪声整体音色存在不同。     

MUSIC算法用于低信噪比下的包络分析

1引言 可将水卢目标螺旋桨噪卢建模为一个受窄带调制的宽带随机过程[1],其窄带调制信号(又称包络信号)是本文的分析对象.在声纳信号处理中把通过对接收的宽带信号进行解调(常采用平方律解调)以计算低频解调谱的算法称为DEMON(Detection of Envelope Modulation On Noise)分析,解调后的低频时域信号称为包络信号,其功率谱称为DEMON谱(又称包络谱).实际情况下,我们所期望的包络信号可能会淹没在噪声中而无法检测出来.     

螺旋桨空化噪声的小波多尺度调制谱分析

1引言 舰船螺旋桨辐射空化噪声是舰船辐射噪声高频端的主要部分,其频谱为高频连续谱.螺旋桨节拍对其辐射的空化噪声有明显的振幅调制作用,其调制频率及调制深度与螺旋桨转速、桨叶数及舰船航速等指标有关.可见,螺旋桨辐射空化噪声调制谱蕴含着重要的目标信息.多尺度分析从空间概念上形象的说明了小波的多尺度特性,给出了正交小波的构造方法及正交小波变换的快速算法,即Mallat算法.多频段调制谱分析由于要对信号进行多通带滤波,导致计算机计算开销太大,实时性较差而不能得到充分利用,而小波多尺度分析为基础的多尺度调制谱分析极大的提高了滤波速度和质量,能够最大限度的反映包络信息,提高识别率,具有很高的实用价值.     

复音音调提取及其在目标识别中的应用

提出了基于自相关原理提取音调的具体方法和步骤,以乐音和舰船辐射噪声为例,采用3层BP神经网络目标分类器进行仿真实验。仿真结果证明音调是有效的识别特征,且音调的识别率与目标辐射声信号的频率特性的可分性有关。频率特性的可分性越高,则目标识别率越高;当可分性不高时,可以将音调和其他主观量结合共同作为识别特征。实验表明,将特性响度作为目标特征,与音调特征结合起来,目标识别率得到进一步提高。     

基于EEMD的舰船辐射噪声特征提取方法研究

为了解决复杂海洋环境中水声信号的特征提取问题,提出了一种利用集合经验模态分解(EEMD)研究舰船辐射噪声特征提取的方法。对经验模态分解后的不同类别三类舰船辐射噪声信号各阶固有模态函数(IMF)中心频率可分性进行分析,并讨论了最强IMF中心频率特征参数。通过比较一定数量不同类别的舰船辐射噪声的最强IMF中心频率及高低频能量差特征参数发现,同类舰船的特征参数基本处于同一水平,不同类型的舰船存在一定差异。实验结果表明,采用EEMD的舰船辐射噪声信号的最强IMF中心频率作为特征参数相比高低频能量差特征参数对舰船具有较好的可分性。     

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。     

一种基于色彩处理的被动声呐宽带目标检测显示方法

针对被动声呐传统宽带能量检测方式难以解决强干扰存在时的弱目标检测问题,着眼于目标、干扰及背景噪声频谱特征差异,提出了一种划分子带,利用颜色合成理论进行宽带融合检测的显示方法。针对弱目标存在稳定线谱或在部分频点能量相对较强的情况,可有效提升对弱目标的检测能力,并增强不同目标方位历程的区分度。     

舰船噪声听觉特征增强方法

为改善新声呐兵听音训练效果,强化噪声样本中与目标属性紧密相关的听觉特征,将处理后的舰船噪声用于听音训练,提高舰船噪声样本利用率。提出的舰船噪声听觉特征增强模型及其实现方法主要包括四个步骤:噪声分解、子带分析、子带加权、噪声重建。首先采用多分辨分解将舰船噪声信号划分为若干子带,对子带进行逐个地听音分析和各种谱分析,选择特征信息稳定且丰富的子带进行强化,选取并微调各子带加权系数,采用多分辨分析理论重建舰船噪声,并根据重建噪声的功率谱、包络谱分析和听音分析结果调整加权系数,进而用于听音训练。仿真分析中,采用听音分析和谱分析比对原始噪声和重建噪声,验证了该方法的合理性和实用价值。