灰关联分析法在坦克声目标识别系统中的应用

提出了一种基于灰关联分析的坦克声目标识别算法。该算法提取坦克声信号线性预测系数特征作为关联参数,通过比较坦克声信号的灰关联值实现目标识别。仿真结果表明：该算法可以从信息不完全、关系不明确的坦克声信号中提炼主要因素进行识别,其实现方法简单,无噪背景下,平均识别率可达到90%。因此该算法在声目标识别系统中具有普适性和可行性。     

水下目标声图像分块自适应降噪方法

通过对水下目标声图像机理及统计特性的分析,提出了分块自适应的降噪方法。设置适当的区域图像方差阈值将水下声图像划分信息区及非信息区。在信息区,制成图像序列经过表面波(Surfacelet)变换三维去噪;在非信息区,进行非下采样轮廓波变换去噪。结果表明:去噪后图像峰值信噪比大幅度提高,具有较高分辨率的基础上细节信息也得到保护。此方法不仅充分利用了像素点间的相关性等声图像统计特性,又利用了2种变换的移不变性,去噪后声图像为进一步的图像分割、识别工作提供了必要的前提条件。     

基于HMM与K-均值聚类的声目标识别

提出一种隐马尔可夫模型和K-均值聚类混合模型的声目标识别方法.在该方法中,建立声信号的HMM,提取了声信号的线性预测系数（LPC）作为目标识别的参数,用K-均值算法对参数进行聚类,产生了训练和识别所用的特征向量.最后根据混合模型的识别算法判断声目标的类别.仿真结果表明：新的混合模型识别系统在声目标识别中具有可行性.     

基于复无下采样轮廓波和Gaussian小波支持向量回归的红外目标图像背景抑制

针对存在背景干扰和噪声情况下的红外目标图像背景抑制问题,提出了一种基于复无下采样轮廓波变换（NSCCT）和Gaussian小波支持向量回归（SVR）的背景抑制方法。该方法对红外目标图像进行NSCCT,然后根据其系数的相关特性去噪,从而抑制了大部分背景杂波;采用Gaussian小波SVR对去噪后的红外目标图像进行处理得到预测图像,并用去噪后图像减去预测图像得到残差图像,即背景抑制结果。针对红外目标图像进行了大量实验,并与近年来提出的3种背景预测方法,即基于最小二乘支持向量回归（LS-SVR）、基于SVR及基于最小二乘的红外目标图像背景抑制方法进行了比较,结果表明所提出的方法去噪效果好,背景抑制性能更优。针对存在背景干扰和噪声情况下的红外目标图像背景抑制问题,提出了一种基于复无下采样轮廓波变换（NSCCT）和Gaussian小波支持向量回归（SVR）的背景抑制方法。该方法对红外目标图像进行NSCCT,然后根据其系数的相关特性去噪,从而抑制了大部分背景杂波;采用Gaussian小波SVR对去噪后的红外目标图像进行处理得到预测图像,并用去噪后图像减去预测图像得到残差图像,即背景抑制结果。针对红外目标图像进行了大量实验,并与近年来提出的3种背景预测方法,即基于最小二乘支持向量回归（LS-SVR）、基于SVR及基于最小二乘的红外目标图像背景抑制方法进行了比较,结果表明所提出的方法去噪效果好,背景抑制性能更优。     

声目标识别技术及其在坦克目标识别中的应用

根据随机信号理论、模式识别理论和人工神经网络技术，设计出一种以相关函数和数学期望为基本特片的声目标识别系统。将此系统用于现场实测的坦克信号识别，实现了坦克目标的自动识别。该方法具有快速及较好的识别性能。     

基于SVD-TLS的AR谱估计方法在声目标识别中的应用

为提高 AR谱估计方法的抗噪性能 ,提出采用 SVD-TLS算法。文中对该算法作了介绍 ,并用一简单例子将 SVD-TLS与其它算法作了比较 ,最后应用 SVD-TLS对几组实测的直升机声信号进行了 AR参数估计和谐波频率提取。仿真结果表明 SVD-TL S较之其它算法可在更低的信噪比情况下准确地提取信号的频率信息 ,具有良好的抗噪性能和数值稳定性 ,将其用于声目标识别对改善系统的抗噪性能是十分有意义的。     

子波变换去噪的一种快速算法

根据受噪声污染信号的子波变换系数中对信号有贡献的仅占其很小一部分的这个事实,提出了一种基于系数门限值去噪的方法。对不同信号的仿真结果表明该方法去噪效果明显,运算量小,易于实现,适合近炸引信信号处理中对噪声的去除。这对于改善近炸引信的抗噪性能是十分有意义的。     

基于ICA和HMM的战场混叠声目标识别

为识别战场混叠声目标,提出一种基于独立分量分析(ICA)的声目标盲分离和隐马尔可夫(HMM)识别的混合声识别方法.建立已知声目标的HMM,实现混叠声目标盲分离,提取的线性预测系数作为声目标识别参数,通过K均值聚类得到训练和识别特征向量,通过Viterbi解码判断声目标的类别.仿真结果表明,ICA分析能有效地分离混叠声目标信号,基于线性预测系数的HMM识别率较高,混合模型识别系统在混叠声目标识别中具有可行性.     

多普勒信号的小波域维纳滤波方法

针对多普勒信号检测的小波变换法阈值去噪方法对低频噪声的抑制不理想的缺点,提出一种小波变换阈值处理和维纳滤波联合的多普勒信号去噪方法。该方法在小波阈值法去噪的基础上,对信号的低频小波系数进行维纳平滑处理,然后系数重构得到多普勒信号。仿真验证结果表明,通过小波变换下对小波分解系数进行进一步的维纳滤波,在多普勒回波信号处理过程中得到了比较理想的结果,获得了更好的目标检测性能。     

双树复小波和独立分量分析的红外小目标检测

针对存在背景干扰和噪声情况下的红外弱小目标检测问题,提出一种基于双树复小波变换和独立分量分析(ICA)的检测方法。对图像作预处理:利用双树复小波对原始图像进行去噪,再利用Top-hat算子抑制背景;从原始图像减去通过快速独立分量分析(FastICA)分离出的背景图像,用双树复小波去噪;上述2方面得到的图像求和即为预处理图像。采用模糊Tsallis-Havrda-Charvat熵选取阈值来分割预处理图像。针对红外小目标图像进行了大量实验,并和基于快速独立分量分析的目标检测方法、基于形态滤波的目标检测方法进行了比较。结果表明,本文方法抗噪性强,具有更为优越的检测性能。     

多传感器声目标识别的研究

介绍了声目标的各种识别方法，将Dempster-Shafer证据推理的基本理论应用到声目标的识别中。用质量函数构造基本概率赋值函数，给出了在n次扫描情况下，累积质量函数的融合公式并给出了识别目标的决策方法。通过实例计算可以看出，该方法可以提高对声目标识别的准确性。     

水下目标的Gammatone子带降噪和希尔伯特-黄变换特征提取

水下目标识别是水声探测中的关键技术,具有重要的应用价值。海洋环境的复杂性导致水下目标识别中存在不可回避的噪声干扰。以人耳听觉机理为基础,提出了一种结合Gammatone滤波器、小波阈值降噪和希尔伯特-黄变换(HHT)的水下目标识别方法。采用Gammatone滤波器实现人耳听觉机理的模拟,并在此基础上进行小波阈值降噪,提高系统的噪声鲁棒性,然后利用HHT进行时频分析和特征提取。利用实际水下目标数据进行识别实验,对提出的方法进行了验证。实验结果表明,提出的方法在低信噪比条件下具有良好的鲁棒性,并具有较好的识别效果。     

五元十字阵被动声定位算法及其性能研究

四元十字阵的测向和测距精度受目标方位角的影响，而五元十字阵就可以克服这一缺点。文中研究了基于五元十字阵的低空目标被动声定位算法及其性能。分别就目标测向和测距的精度进行了理论分析和计算．讨论了阵列尺寸和时延估计等诸因素对五元十字阵定位性能的影响。对空中运动目标被动声定位的实际工程应用有重要的参考意义。     

水中目标自由场声辐射特性还原及远场声辐射热区识别

获取水中目标的声特性对目标识别和分析十分重要。为解决水中目标声特性测试中自由场条件难以实现的问题,消除结构表面能量流对远场声辐射热区识别的干扰,提出结合基于边界元自由场还原技术和表面贡献法的声场分离技术,实现水中近场非自由场环境中获取水中目标的声特性和识别远场声辐射热区。数值模拟结果表明：非自由环境下基于边界元的声场还原方法还原得到的声场声压、声功率等特性,与直接在自由场获取的结果基本相同;进一步利用表面贡献法过滤掉循环于振动结构表面的能量流,能够在近场识别远场辐射热区。该方法突破了测试环境限制,可大幅降低测试费用,具有一定的工程应用价值。     

水下目标回波亮点高分辨方位估计与仿真

水下目标回波亮点识别技术是现代声纳系统与水声对抗的一个极为重要的组成部分。基于单源方位精估的短脉冲切割方法,对于发射信号为长脉冲以及正横中轴方位下的目标回波亮点方位估计效果较差。因此研究基于多源的水下目标回波亮点高分辨方位估计方法具有重要的应用价值。本文重点研究了水下目标回波亮点高分辨方位估计方法,首先采用基于共轭倒序阵盖氏圆准则的方法对目标回波进行解相干和亮点数估计,然后在此基础上进行目标回波空间谱估计以获得目标亮点的方位。在具体仿真过程中,采用板块元散射方法仿真目标回波,并在此基础上进行高分辨方位估计,取得了较好的仿真效果。结果表明,本文的研究对于正横中轴方位的潜艇目标识别具有一定的应用价值。     

基于高阶谱的战场声目标特征提取

由于高阶谱对于高斯噪声不敏感的特性，在战场噪声环境中。提取被动声目标的双谱、双谱切片和相位耦合特征，通过建立声目标的高斯混合模型（GMM），进行声目标信号的识别。将基于此模型的识别结果与功率谱方法比较。仿真结果证明：基于高阶谱特征提取方法优于AR功率谱特征，该方法在抑制背景干扰中具有优越性。     

基于局部异常因子算法的三维声纳单帧重建研究

海洋环境的复杂性会使三维声纳获取到的点云中存在异常点,从而影响点云的后期处理和可视化。将获取到的声纳数据依次进行三维波束成像、最大值滤波和坐标系转换,进而得到原始点云。提出将局部异常因子(LOF)算法应用到点云去噪、剔除干扰的异常点,并用一种改进三角网生长方法进行单帧重建。改进三角网生长法简化了三角网生成中关键的“第三点”搜寻过程,通过实际数据处理分析得知：相比于传统阈值去噪方式,基于LOF算法的去噪方式能够在保持目标真实轮廓的前提下有效剔除非目标点;经过所提去噪方式的声纳数据能够得到更贴合实际目标轮廓的三维重建结果。     

正态分布转换算法在声纳图像处理中的应用

根据声纳图像匹配处理的实时性需求,研究了正态分布转换算法。该方法基于对图像中目标点的概率分布进行匹配,不需要提取图像的几何特征或灰度特征,可有效缩短匹配时间。通过对均值滤波法、中值滤波法、小波去噪法、形态学平滑法4种图像去噪和迭代阈值法、最大熵法、一维Otsu法和二维Otsu法4种分割算法,进行仿真并对比,选出符合实时性处理的方法,即中值滤波法和一维Otsui法。基于美国德州仪器公司的数字信号处理芯片,将图像去噪、分割和匹配算法在硬件上实现,硬件实现结果和仿真结果一致,实现了声纳图像匹配的实时处理。     

基于声信号多重分形和支持向量机的目标识别研究

为提高智能地雷对地面装甲目标的识别率,针对地面装甲目标辐射的噪声信号具有非线性的特性,建立了一种基于多重分形和支持向量机(SVM)相结合的分类识别模型。通过野外场地实验,采集到两种装甲目标在不同工况（运行速度）下的各40组样本信号;利用多重分形分析计算得到两种目标信号的广义分形维数谱(GFDS),分析了两种目标信号在不同工况下多重分形谱的特征;将GFDS值作为目标特征向量输入SVM分类模型,经训练得到最优分类结果,并与小波包能量(WPE)法提取样本特征后输入SVM的识别效果进行了对比,结果表明前者的识别率达到92.5%,高于后者的85%的识别率。