基于非线性动力学的声呐回波特征提取

文章介绍了以多项式拟合的方法进行信号重构的非线性动力学模型，选取少量的拟合系数作为衡量信号与干扰的特征差异的表征量，构成“动力学分类器”。在完善了用于相空间重构的动力学模型基础上，确定了用于目标回波的主要非线性系数。数据分析结果表明了该方法的有效性，得出的结论表明主动声纳回波具有与混响不同的非线性动力学特征，且不同目标之间的非线性动力学特征也不相同，这为回波的非线性动力学建模及其用于检测与分类奠定了基础。  

一种用于水声测量的宽带声脉冲产生方法

提出了一种用于水声测量的宽带声脉冲信号的产生方法,克服了系统瞬态响应的影响,通过试验验证了该方法具有简单、方便和实用的特点,可用于水声材料的声性能、近场声反演等水声测量。  

水下声全息近场测量中阵元位置误差的校正方法研究

研究了水下近场扫描测量用的均匀水听器线阵各阵元位置误差的校正方法.该方法使用事先设置的校正源,在校正过程中将垂直悬挂的水听器线阵相对于支架轴以己知角度旋转两次,利用不同位置阵元的观测数据就能准确地估计各阵元位置.然后与理想的测量点位置进行比较,得到各阵元的位置误差,根据泰勒级数展开,将理想测量点处的声场值表示为实际测量值与一个误差因子组合的形式,迭代修正计算后可以得到精确的近场数据.计算机模拟的结果验证了本文方法的有效性.  

基于Gram—Schmidt正交化算法的水下目标回波检测

提出了一种基于Gram-Schmidt正变化算法的水下目标回波检测方法．该方法利用Gram—Schmidt正变化算法实现对干扰背景的预白化，通过归一化匹配滤波器可完成对水下目标回渡的检测．对仿真数据和实验数据的处理验证了该方法的有效性．  

混合高斯概率密度模型动态簇算法参数估计

混合高斯概率密度模型可以很好地拟合样本的概率密度。在各高斯分量概率密度互不重叠的条件下，使用动态簇算法可以快速而精确地估计出混合高斯概率密度模型参数。这是一种基于最小均方差原则的递推算法，在正向推导出各种可能簇边界后，再根据确定的最末边界值逆向推定各前导簇边界，从而得到混合高斯概率密度模型参数估计值。算法介绍之后，给出了两个拥有不同概率密度分布的仿真建模实例．最后总结分析了该算法的优劣，并简介了算法的推广．  

基于PCA和BP神经网络的水下目标识别方法研究

针对被动声纳信号的特点，提出了基于信号线谱特征的主成分分析(PCA)特征选择方法，其优点是从复杂的目标信号中提取目标的特有信息，降低了目标特征维数．将此方法用于实录的三类水下目标数据，采用BP神经网络对目标进行识别分类，仿真结果说明了所提出的方法的正确性和有效性．  

基于匹配场和长项积分混合处理的多模式检测跟踪一体化算法

提出多模式贝叶斯准则下的概率数据关联滤波新概念,并将该方法与基于匹配场-长项积分混合处理相结合,建立了基于Bayes框架的检测跟踪一体化算法,较好地实现了对机动目标的被动定位和跟踪.  

气流激励下弹性圆柱腔壳振动的实验研究

对风洞中弹性圆柱腔壳的流激振动及声进行了研究。对腔口流体自持振荡和腔内声振荡的压力及壳的振动加速度作了测量和谱分析，并对三者之间的相互影响进行了综合研究。研究结果表明，一般情况下，流体自持振荡对腔壳振动影响不大，但是，当自持振荡与腔内驻声发生耦合并形成共振时，对壳体的振动可产生重要的影响。此外，文中还给出了流激壳体各阶模振动的加速度均方根随流速的变化曲线。均方根值随流速大约是２．４次方线性关系。但  

遗传特征选择方法在水下目标识别中的应用

为了改善分类器的性能,提高水下目标识别的正确率,文中研究了遗传特征选择方法在水下目标识别中的应用,设计了一个新的合适度函数作为评价特征子集的准则。对wine数据集和海上实测的舰船辐射噪声数据集的仿真实验之结果表明,该方法可以选择出描述目标的有效特征子集,降低了特征集的维数,从而改善了分类器的性能。  

混响背景下基于MTI技术的目标检测

研究了一种基于MTI技术的水下目标检测方法。该方法无需混响干扰的先验知识,利用MTI技术在线性估计并及时跟踪混响功率谱的变化,通过归一化匹配滤波器检测水下目标的回波。仿真数据和实验数据的处理结果验证了本方法的有效性,在信混比较低的情况下检测器仍具有很好的检测性能。