基于小波包分解的舰船辐射噪声特征提取方法研究

由于舰船辐射噪声有其自身的非高斯、非线性和非白噪声的非平稳特性,传统时域或频域的信号处理方法不能满足对这类信号的处理.而小波包变换对信号的非平稳特性有适应性.本文通过利用小波包变换分解舰船的辐射噪声,统计噪声在各个频段上的能量分布,将统计的分频段能量作为舰船的目标特征,实现舰船目分类识别标的目的.结合Matlab对舰船辐射噪声进行仿真,提取的目标一和目标二的特征,实现了舰船的分类识别的目的,验证的方法的有效性.     

基于独立成分分析的舰船气泡尾流后向散射光信号处理

光尾流自导鱼雷激光探测系统所获取的信号是水体和舰船气泡尾流共同产生的后向散射光信号,从该信号中提取出舰船气泡尾流的信息是光尾流自导鱼雷的关键技术。由于水体所产生的后向散射光信号强度大于舰船气泡尾流所产生的后向散射光信号,两个信号在时域和频域里的特征又十分接近,因此难以用传统滤波方法将其分离以提取有用的尾流信息。提出了采用盲源分离和独立成分分析的方法来处理激光探测系统所获取的信号,研究了盲源分离的算法,编制程序对课题组在激光探测舰船尾流海上试验所获取的数据进行了计算,结果表明:该方法可在不同探测条件下有效地将舰船气泡尾流场所产生的后向散射光信号从原始信号中提取出来,有利于系统正确判别舰船尾流及其特征。     

一种基于子波变换的水声被动信号去噪方法

根据水声被动信号的特点,采用二进子波变换理论,对水声被动信号进行多尺度分解,在子波变换的时频域对各分量进行分时分频相关分析和加权处理,然后通过子波反变换算恢复出目标信号的时域分布。最后经舰船辐射噪声信号的去噪实验验证,表明该方法对水声被动信号的去噪具有良好的效果。     

用前向光散射测量气泡特征参数

根据光对水中气泡的前向散射信号的时域波形特点,提出了一种测量舰船尾流中气泡分布特征和运动状态的新方法,可以准确解算出气泡的尺度和运动速率。该方法具有精度高、方法简单、容易实现等优点。     

某型舰船电磁环境仿真预测研究

为了开展舰船电磁环境效应研究及防护,以某型舰船为对象,提出了适用于电大尺寸复杂平台电磁环境仿真的高低频(时域有限积分法和高频弹跳射线法)混合求解计算方法.通过CST仿真软件,对短波天线和搜索雷达天线采用时域有限积分法仿真计算得到精确的天线电磁特性;对电大尺寸舰船采用高频弹跳射线法仿真计算甲板上和舱室内电磁环境.与实船测试对比,仿真预测精度误差小于6dB,满足某型舰船电磁环境仿真应用需求,同时也为舰船电磁防护设计提供依据.     

基于极化分解的舰船和角反射器鉴别方法

使用角反射器是舰船电子对抗中常用的一种无源干扰方式,它在时域、频域和空域上与舰船的雷达回波都没有显著差异,因此传统单极化雷达很难有效鉴别舰船和角反射器。分析了舰船和角反射器在极化回波上的特性差异,并基于Krogager极化分解提取了单频点和多频点情况下的特征矢量,通过支持矢量机对舰船和角反射器进行了鉴别。电磁计算数据表明：该方法可以较好地对二者进行鉴别,且对单角反射器和阵列角反射器都有效,为解决舰船和角反射器的鉴别问题提供了一个可行的思路。     

基于波形结构特征和支持向量机的水面目标识别

借鉴语音声学的研究成果,音色可作为区分不同目标的依据。由于舰船辐射噪声的音色信息包含在其信号的波形结构特征中,可以通过提取舰船辐射噪声的波形结构特征判断目标类型。该文对水面目标信号时域波形结构特征提取进行了研究,构建了基于信号统计特性的特征矢量,包括过零点波长、峰峰幅度、过零点波长差分以及波列面积等。应用支持向量机(Support Vector Machine, SVM)作为分类器识别两类水面目标信号,核函数为径向基函数(RBF)。提出了差分进化和粒子群算法的混合算法,优化了惩罚因子和径向基函数参数的选取,两类目标的识别率较常规的网格搜索法有显著提高。     

一种基于时域滤波的BOC无模糊捕获算法设计

针对二进制偏移载波(BOC)信号进行相关运算时存在多峰的特殊性,设计了一种基于时域滤波的BOC无模糊捕获算法。通过频域分析得到时域滤波器的频率响应,再反推出时域滤波器的系数,构建有限脉冲响应(FIR)滤波器。对不同算法进行仿真,结果证明该时域滤波器能很好地消除BOC信号自相关副峰。降低滤波器阶数,并设计可实现的基于时域滤波和多段匹配滤波器(MMF)－傅里叶变化(FFT)的BOC无模糊捕获算法,仿真分析表明该算法能很好地消除副峰,正确捕获信号。     

基于梯度阈值的太赫兹时域信号自适应稀疏算法

胶接结构广泛应用于航空航天等国防领域,但在工艺制作及使用过程可能会产生胶接界面脱粘缺陷和损伤,由于太赫兹无损检测技术对非金属材料良好的穿透性能,已被广泛应用于复合材料的无损检测中,太赫兹无损检测技术在多层胶接结构样件胶层内部缺陷的无损检测方面具有较大优势。利用反射式太赫兹时域光谱系统检测多层胶接结构样件,得到的具有样件内部材料信息的太赫兹时域信号,但信号中还包含了大量的冗余特征和噪声等无效信息,这些无效信息大大降低了信号处理和分析效率。针对这一问题,文中提出了基于二阶梯度法提取太赫兹时域信号有效特征,以飞行时间误差为限制条件基于信号的时域特征自适应确定阈值,稀疏太赫兹时域信号,减少信号中冗余无效信息,实现太赫兹时域信号的有效压缩。然后,通过二值化图像分割识别多高斯恢复信号和太赫兹时域光谱系统检测信号的太赫兹图像缺陷区域。最后,制备具有脱粘缺陷的多层胶接结构样件,开展太赫兹无损检测实验。结果表明：文中算法的数据压缩率达到了81%,相比传统压缩算法离散余弦变换提高了59%,相比主成分分析算法提高了75%,相比K-SVD字典学习算法提高了26%,缩短了约80%的数据计算时间,减小了约95%数...     

雷达回波稀疏性分析及其在舰船与箔条云鉴别中的应用

箔条是舰船对抗反舰导弹末制导雷达最常用的一种无源干扰方式,对反舰导弹的作战效能构成了严重威胁.本文首先从机理上分析了舰船和箔条云雷达回波在时域和频域上各自的稀疏特性,得出结论:舰船回波在时域上是稀疏的,在频域上是稠密的;箔条云回波在时域上是稠密的,在频域上是稀疏的.为刻画目标雷达回波的稀疏性,本文建立了雷达回波稀疏性的度量指标,并推导了最优二值化门限的选取准则,得出结论:最优门限是目标回波幅度的中值.以反舰末制导雷达鉴别舰船和箔条云为背景,本文依据二者回波的稀疏性差异设计了算法,实现了二者的鉴别,并通过仿真验证了该方法的有效性.     

Recognition of the Communication Signals Using Particle Swarm Optimization and Support Vector Machine Based on the Multi-Resolution Wavelet Analysis

Automatic recognition of the communication signals plays an important role for various applications. This paper presents a novel intelligent system for recognition of digital communication signals. This system includes three main modules: feature extraction module, classifier module and optimization module. In the feature extraction module, multi-resolution wavelet analysis is proposed for extraction the suitable features. In the classifier module, a multi-class support vector machine (SVM) based classifier is proposed as the multi-class classifier. For optimization module, a particle swarm optimization algorithm is proposed to improve the generalization performance of the recognizer. In this module, it is optimized the SVM classifier design by searching for the best value of the parameters that tune its discriminant function, and upstream by looking for the best subset of features that feed the classifier. Simulation results show that the proposed hybrid intelligent system has high performance even at very low signal to noise ratios (SNRs).     

基于极化SAR图像分类的海上舰船检测

本文针对极化熵类检测方法的不足,在极化特征分解以及Touzi等人工作的基础上,提出了能够更全面的表征舰船和杂波差别的特征矢量,并提出了一种基于特征矢量的非监督分类方法。使用该方法进行海上舰船的检测,不仅取得了很好的舰船和海面的分离效果,而且也得到了较好的舰船与其他人造目标的区分效果。实测数据的检测结果证明该分类方法具有很好的收敛性,是一种有效的舰船检测方法。     

基于1（1/2）维谱与K-L变换的被动声纳目标识别

采用基于1（1/2）维谱分析与K-L变换相结合的特征提取方法,获取被动声纳噪声信号的有效识别信息,对被动声纳的目标信号进行分类。首先对被动声纳噪声进行1（1/2）维谱子带能量的特征提取,然后运用K-L变换实现高维特征向量的降维,剔除冗余特征,并以BP神经网络作为分类器对三类目标进行识别与分类。计算机仿真结果表明,该方法具有较好的分类效果和稳健性。     

幅度谱差分子空间雷达自动目标识别

雷达高分辨距离像是目标的重要结构特征,其维数通常很高,造成数据可分性表达差,识别过程计算复杂度高,识别率低。为降低距离像的维数,提出一种新的距离像特征提取方法,即采用直接线性判别分析(dLDA)在距离像幅度谱差分空间进行特征提取,得dLDA幅度谱差分子空间。目标识别即在所得dLDA幅度谱差分子空间中进行。采用外场实测数据,分别训练了最小距离分类器和one-against-all支撑向量机分类器,2种分类器的识别结果均表明,该方法可显著地降低数据维数并提高识别率。     

Effect of Multiscale PCA De-noising in ECG Beat Classification for Diagnosis of Cardiovascular Diseases

Current trends in clinical applications demand automation in electrocardiogram (ECG) signal processing and heart beat classification. This paper examines the design of an effective recognition method to diagnose heart diseases. The proposed method consists of three main modules: de-noising module, feature extraction module, and classifier module. In the de-noising module, multiscale principal component analysis (MSPCA) is used for noise reduction of the ECG signals. In the feature extraction module, autoregressive (AR) modeling is used for extracting features. In the classifier module, different classifiers are examined such as simple logistic, k-nearest neighbor, multilayer perceptron, radial basis function networks, and support vector machines. Different experiments are carried out using the MIT-BIH arrhythmia database to classify different ECG heart beats and the performance of the proposed method is evaluated in terms of several standard metrics. The experimental results show that the proposed method is able to reduce noise from the noisy ECG signals more accurately in comparison to previous methods. The numerical results indicated that the proposed algorithm achieved 99.93 % of the classification accuracy using MSPCA de-noising and AR modeling.     

纹理图像的特征提取和分类

文章提出了一种纹理图像特征提取的有效算法.该算法利用纹理信息的频域分布以及尺度特性,并在此基础上进行纹理分类.这里采用了分类性能良好的支撑矢量机作为分类器,实验结果表明该方法提取的特征向量稳定,在类别数目比较大时也能得到较高的分类精度.     

基于LSTM网络和特征融合的通信干扰识别

针对现有通信干扰信号识别方法识别效果不佳的问题,提出了一种基于长短时记忆网络(Long Short-Term Memory,LSTM)和特征融合的通信干扰识别方法.该方法利用LSTM网络提取干扰信号的特征,通过LSTM强大的序列特征提取能力提升干扰信号特征提取的性能;通过提取信号的时域和频域特征后进行特征融合,使用全连...     

一种基于时频原子特征的雷达辐射源信号识别方法

提出了一种全新的基于时频原子特征的雷达辐射源信号识别方法.训练阶段,在过完备时频原子库的基础上,以类区分度为度量,提取少数最能区分不同类别信号的时频原子作为一组固定的特征;识别阶段,以原子和信号的内积的绝对值作为分类器的输入特征,采用有监督模糊自适应共振网络进行辐射源的自动识别.对5类典型雷达辐射源信号的实验结果表明,...     

Beamforming‐based feature extraction and RVM‐based method for attacker node classification in CRN

Cognitive radio is a promising technology for the future wireless spectrum allocation to improve the utilization rate of the licensed bands. However, the cognitive radio network is susceptible to various attacks. Hence, there arises a need to develop a highly efficient security measure against the attacks. This paper presents a beamforming‐based feature extraction and relevance vector machine (RVM)‐based method for the classification of the attacker nodes in the cognitive radio network. Initially, the allocation of the Rayleigh channel is performed for the communication. The quaternary phase shift keying method is used for modulating the signals. After obtaining the modulated signal, the extraction of the beamforming‐based features is performed. The RVM classifier is used for predicting the normal nodes and attacker nodes. If the node is detected as an attacker node, then communication with that node is neglected. Particle swarm optimization is applied for predicting the optimal channel, based on the beamforming feature values. Then, signal communication with the normal nodes is started. Finally, the signal is demodulated. The signal‐to‐noise ratio and bit‐error rate values are computed to evaluate the performance of the proposed approach. The accuracy, sensitivity, and specificity of the RVM classifier method are higher than the support vector machine classifier. The proposed method achieves better performance in terms of throughput, channel sensing/probing rate, and channel access delay. Copyright © 2016 John Wiley & Sons, Ltd.