一种人工神经网络方法在被动声纳目标识别中的应用研究

水下目标识别是水声信号处理领域中的一个重要课题。本文针对水下目标辐射噪声类别特征不明显的特点，提出了一种有监督的模糊ＡＲＴ神经网络（ＳＦＡＲＴ）分类器，通过对声纳目标信号的分类试验表明：该网络分类器具有迭代次数少，识别率高的优点，是一种很有实际应用价值的分类器模型。     

基于反对称高斯小波的水下目标回声信号检测

针对目标回声检测中信号背景的混响干扰问题,基于反对称连续高斯小波变换空间上的模极大值传播特性与信号奇异点的关系,提出用小波影响锥锥尖和最佳尺度的自动检索来实现目标回声检测的方法.通过大量海上现场数据验证该方法的有效性,结果表明,由于对目标信号头和尾位置的准确定位,基于W igner分布特征和模糊分类器的分类识别效果理想,显示本方法在实现目标回声的自动检测方面具有应用前景.     

目标识别中信息融合的准则和方法

本文用信息论的观点，给出了在设计单个分类器时使系统性能得以提高的条件，基于群组决策理论和模糊积分方法提出了一种多证据条件下进行信息融合的方法．该方法被用于被动声纳目标分类，数值模拟表明了该方法的有效性.     

舰船噪声波形结构特征提取及分类研究

本文系统深入地地分析研究了舰船噪声信号的时域波形结构特征,利用舰船器声信号的过零点,峰间幅值,波长差,波列面积分布以及时域特性提取技术,     

水下目标识别的特征融合分类器设计

本文对水下目标识别中的特征融合技术进行了研究,讨论了特征融合技术中的问题和解决途径,并给出了特征融合分类器的特性;设计了模糊融合分类器,给出了具体的算法.该分类器对样本在模式空间中的分布不做任何假定,注重类别间的相互约束,强调各个模式的独立作用,用类似于模糊并运算的方式综合这些作用.在实际应用中,通过与已有的分类器比较,表明模糊融合分类器能够综合多种信号特征,有效地提高了分类性能.     

基于高阶谱的LOFAR谱图特征在被动声纳信号自动识别中的应用

水下目标的特征提取一直是水声信号处理的难题。由于实际的声纳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,突破以往研究中关于信号平衡性的假设和高斯性的假设,本文在简要介绍了ＬＯＦＡＲ谱图和高阶谱（ＨＯＳ）估计方法之后,提出了一种基于高阶谱的ＬＦＡＲ谱图和高阶谱（ＨＯＳ）估计之后,提出了一种基于高阶谱的ＬＯＦＡＲ谱图特征