MVDR自适应波束形成的一种智能算法

最小方差无失真响应（MVDR）自适应波束形成方法在声纳阵列信号处理中得到了广泛的应用。当存在强干扰时,传统的MVDR算法的稳定性较差,在有限次快拍数条件下,会带来一定的信噪比损失。将粒子群优化算法（PSO）引入MVDR的求解过程,提出了一种MVDR的数值实现方法。该方法在保持信号能量不变、干扰和噪声能量最小的约束条件下,利用粒子群优化算法通过数值搜索的方法获得MVDR的最优权向量。在小快拍数条件下,较一般的MVDR具有更好的抑制干扰能力。计算机仿真结果验证了该方法的有效性。     

阶梯式气动钻杆卡瓦的研制

针对目前钻杆动力卡瓦存在的自动化程度低、卡瓦体工作高度高、国外卡瓦价格昂贵等问题，研制了新型气动钻杆卡瓦。该卡瓦利用气缸进行卡瓦体的升降，可设计较长的卡瓦体，保证卡瓦有较大的悬挂能力；气缸固定在大方瓦内，有效降低了卡瓦体的工作高度。经台架试验各项指标均达到SY5049—91标准要求。现场应用表明，该卡瓦可减轻工人劳动强度，提高工作效率，并具有安装操作简便、自动化程度高、悬挂能力大，卡瓦体工作高度低等特点。     

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。     

基于Mel倒谱和BP神经网络的船舶目标分类研究

Mel倒谱系数分析依据人耳听觉特性,可以提取有利于船舶目标分类的特征.前向神经网络的反向传播算法对类别数目小但分类困难的模式识别问题有良好的分类效果.针对Mel倒谱系数分析提取的船舶目标分类识别特征,采用前向神经网络的反向传播算法,可以有效对船舶目标进行分类.     

基于现代信号处理技术的舰船噪声信号DEMON分析

DEMON分析是舰船噪声目标识别的重要分析手段之一。通过DEMON分析可以获得诸如舰船螺旋桨转速、螺旋桨叶片甚至舰船的车数等不变的舰船物理特征。在过去的DEMON分析中,通常采用经典的周期图方法。本文采用了高阶谱分析、小波的子频带分析以及基于互相关函数矩阵奇异值分解等方法,对舰船噪声信号进行了分析。从对大量的舰船噪声信号的分析来看,在大多数情况下现代谱分析技术具有优势,但并不是所有情况下其性能均优于周期图方法。     

固定单基地被动声纳目标航向估计方法研究

针对匀速直线运动的目标,依据相对运动三角形,利用任意不同时刻的3个方位值计算得到目标初始舷角,进而求取目标航向;基于一元线性回归分析理论,充分利用所测目标时间方位序列,构造系统函数,依此提出一种精度较高的目标航向估计算法;分析了不同运动态势下,观测数据的时间长度和方位精度对估计结果的影响。仿真结果表明,提出的算法精度较高,在观测方位误差相对较大时也同样适用,且随着观测数据时长增加、方位变化率增大以及观测方位精度增高,目标航向的估计结果越稳定。     

基于噪声抑制门的两级自适应线谱增强算法

针对低信噪比下,自适应线谱增强(ALE)算法在低信噪比时性能急剧下降的问题,该文提出2级ALE算法,该算法在普通的ALE算法的基础上,将输出信号和误差信号的傅里叶变换作为第2级ALE的输入,对线谱作进一步增强。并利用噪声抑制门对信号进行降噪预处理,然后结合提出的2级ALE算法,提出一种基于噪声抑制门的2级ALE算法,进一步提高信噪比,增强线谱。仿真和海试数据表明,算法性能较普通ALE算法有较大提升。     

基于噪声抑制门的两级自适应线谱增强算法

针对低信噪比下,自适应线谱增强(ALE)算法在低信噪比时性能急剧下降的问题,该文提出2级ALE算法,该算法在普通的ALE算法的基础上,将输出信号和误差信号的傅里叶变换作为第2级ALE的输入,对线谱作进一步增强.并利用噪声抑制门对信号进行降噪预处理,然后结合提出的2级ALE算法,提出一种基于噪声抑制门的2级ALE算法,进一步提高信噪比,增强线谱.仿真和海试数据表明,算法性能较普通ALE算法有较大提升.     

舰船辐射噪声节拍功率增率特征提取

舰船辐射噪声节拍的音色特征是水下目标识别的重要依据,其与节拍能量的变化相关。首先采用短时傅立叶变换对舰船辐射噪声进行时频分析,然后根据时频能量分布图,分别计算节拍能量最强和最弱处累积功率谱,功率增大率反映了节拍的音色特征,是舰船辐射噪声的重要特征。通过实验证明:与以往的功率谱特征相比,节拍功率增率特征和功率谱特征联合识别能有效的提高识别率。     

混响背景下基于分数阶傅里叶变换的自适应LMS滤波算法

针对强混响背景下经典的最小均方误差(Least Mean Square,LMS)滤波算法难以有效地实现信混分离的问题,提出一种基于分数阶傅里叶变换的自适应LMS算法。首先将混响信号和自适应LMS滤波算法中的参考信号进行分数阶傅里叶变换,寻找最优变换域,并在分数阶域进行带通滤波,然后将得到的信号进行分数阶傅里叶反变换,最后将基于正态分布曲线的变步长LMS算法应用于此混响条件下进行滤波。仿真和海试数据验证结果表明,在信混比为0 dB的情况下,算法仍可以有效地滤除混响,使信混比提高6dB。