目标辐射声信号关联维提取研究

文中分析了目标辐射声信号关联维估计过程,提出了一种新的无标度区域判定方法.这一方法可以用来方便、快捷地判定关联维计算中的无标度区域,避免了人工判定无标度区域的随意性.研究结果表明,使用该方法可以得到有效的无标度区域,从而获得准确的噪声信号的关联维特征估计.     

混沌吸引子的维数研究

维数的分析与计算在混沌信号处理中有着重要的作用。而基于Hausdorff维数理论的G－P算法在计算混沌吸引子的关联维数时存在抗噪声干扰能力差，运算时间长等缺点，通过对重构空间引入奇异谱分析，将状态矢量变换到一组正交的坐标系，进而计算其关联维数。克服了原算法的不足，同时具有可靠性高，易于实现等优点。     

基于关联维数G—P算法的齿轮故障诊断

基于关联维数的齿轮故障诊断方法，通过研究关联维数的GP算法，确定嵌入维数这一重要参数，由此计算齿轮在不同状态下的振动信号的关联维数。最后发现嵌入维数逐渐增大时，关联维数趋于稳定，而且不同状态’下的关联维数明显不同。     

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。     

基于目标预测值模糊化的模糊数据关联算法

对传统模糊数据关联算法进行了分析,针对其利用最大隶属值赋值原则对目标进行跟踪时可能存在误跟或跟错的情况,提出了基于目标预测值模糊化的模糊数据关联算法.首先将预测航迹进行距离模糊化,建立联合关联区并舍去关联区以外的点迹,降低模糊数据关联分割矩阵的维数;然后对分割矩阵运用整体最优原则,将问题转化为0-1规划问题,实现数据的模糊关联;最后对算法进行仿真,结果表明:采用新算法能有效改进传统算法的缺陷,提高数据关联的可靠度.     

频谱弥散和切片组合欺骗式干扰的识别算法

针对频谱弥散(SMSP)和切片组合(CI)两种有源欺骗干扰检测识别算法计算量大,需要过采样等问题,提出了频谱弥散和切片组合欺骗式干扰的识别算法。该算法首先建立干扰的时、频域模型,在此基础上分析其时、频域特征,并进一步提取基于时域的盒维数与基于频域的指数熵作为干扰的本质特征参数,通过基于二叉树结构的支持向量机分类器(SVM)对干扰信号进行分类识别。仿真结果表明,在一定的信噪比要求下,该算法能够准确识别出干扰类型,为雷达抗干扰措施的选取提供先验知识,提高雷达在复杂电磁环境下工作的可靠性。     

基于1阶Minkowski度量的多重分形谱算法

针对目前广义维数多重分形谱算法运算量大,难以用于预警识别的现状,提出1阶Minkowski度量的多重分形谱算法,并将该算法用于坦克噪声预警识别试验。该方法根据广义维数定义本质,通过简化测度计算,减少运算量。试验表明,该算法在信噪比较低时,预警识别性能高于目前常用的过零率检测方法。     

灰关联分析法在坦克声目标识别中的应用

提出了一种基于灰关联分析的声目标识别算法.该算法提取坦克声信号的线性预测系数特征作为关联参数,通过比较声信号的灰关联值实现目标识别.在白噪声背景下,结合谱相减法,通过提取坦克声信号特征识别,仿真表明灰关联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,识别率较高.因此该算法在声目标识别中具有可行性.     

船摇时间序列的非线性检验方法

时间序列的非线性替代数据判定方法，依据原始时间序列的均值、方差等线性性质进行零假设，产生替代数据，计算关联维数并比较检验待验数据和替代数据的识别统计量，用数理统计方法检验零假设是否成立,以船舶惯导实测信号的非线性检验为例，进行关联维数计算和小样本统计检验结果表明，待检验数据符合零假设，船摇时间序列中含有非线性成份．     

带看门狗机制的仿真模型灰色关联验证

灰色关联结果注重数据序列的整体性能评价,从算法设计上忽略数据序列细节。将灰色关联分析应用于仿真模型验证时,存在部分阶段不准确模型被大量其余阶段准确模型淹没的风险,针对这一问题,提出一种带看门狗机制的灰色关联模型验证方法,看门狗识别、吠叫和记录大差距序列数据,记录的数据结果可为后续模型修正提供细节基础,提高了模型验证的可靠性和细节可辨识度。最后,通过实例分析验证了改进模型的合理性和有效性。