双谱估计在直升机声信号特征提取中的应用

根据直升机信号在更多情况下表现为非高斯的随机过程,提出采用高阶统计量对直升机声信号进行建模与特征提取,导出基于三阶累积量的直升机声信号非高斯参数双谱模型,讨论了双频域内直升机声信号特征提取的方法,并结合实例给出说明,最后指出将高阶统计量分析方法用于直升机声目标识别具有十分有意义的应用前景。     

基于空中目标识别的特征提取与选择

为从冗杂的海量信息中提取出有效的特征数据和信息,对空中目标识别的目标特征进行研究。介绍目标跟踪识别系统,从搜索雷达的目标回波信号特征、目标光谱成像特征、目标姿态与运动特征、目标特征选择与融合等方面进行目标识别特征提取,生成图像与特征数据库,并对选取的目标特征进行多特征融合的识别精度验证。结果表明:提取与选择的目标特征在识别中取得较满意效果,能证明选取的空中目标特征在目标识别算法中的可靠性。     

直升机声信号谐波集及小波子空间能量特征提取与识别

对目标识别中的特征提取技术进行了研究，介绍了两种用于被动声信号特征提取的方法．分别将谐波集(HS）频率和不同尺度小波子空间能量作为特征矢量，给出相应的算法；并利用实测信号将这些技术运用到直升机目标的识别问题中，利用kNN分类器对直升机目标和非直升机目标进行分类。结果表明这两种方法都能达到较高的正确识别率。     

回归谱特征提取与识别效果分析

在战场目标噪声自回归参数统计特征分析的基础上,以战场四种车辆噪声为背景,在自回归谱上提取了１２ 个单项特征,并借助于直方图和模糊识别论域分布图,对它们的识别效果进行了分析。     

对称相关用于直升机声信号特征提取

针对直升机声信号中混有与信号不相关的随机噪声,提出了一种将对称相关函数法和MUSIC算法相结合的直升机声目标特征提取新方法。采用MUSIC算法提取直升机声信号的对称相关函数的谐波频率,从而可以得到直升机声信号的谐波频率,将其作为目标特征。计算机仿真结果表明:与传统方法相比,该方法可以抑制噪声,突出谱峰位置,准确地体现直升机声信号的谐波特性。     

基于DSP的低分辨率红外目标特征提取及识别

针对末敏子弹试验样机在某试验靶场的高塔上扫描，所获得的低分辨率红外目标图像，介绍了目标特征提取及识别方法。研究指出目标波形携带了与目标密切相关的信息，利用参数方法对目标波形进行分析并选取某些参数作为目标特征向量，可对目标进行粗略分类和识别。在对目标波形进行特征分析的基础上，用抽驭的特征向量构造了目标模板。用以DSP为图像微处理器的试验样机进行现场试验表明：该方法对低分辨率红外目标的识别有好的效果。     

基于小波变换的直升机声目标特征提取

简要地介绍了小波变换的原理和性质以及它在直升机声目标特征提取当中的应用。主要论述了利用小波变换进行信号分解与滤波、目标特征提取等方面的应用,最后给出了计算机模拟仿真结果,结果表明,利用本文所提出的信噪分离方法和目标特征提取方法可以在低信噪比情况下准确识别目标。     

声自导鱼雷目标特征分类与识别

本文探讨了声自导鱼雷目标特征提取技术和目标分类与识别技术,给出了目标与干扰的分类方法;为提高鱼雷目标分类和识别的可信度,本文还提出了多信息综合利用的观点。     

声引信目标识别技术的研究

对地雷声引信目标识别技术进行了研究。提出利用小波变换后声信号在不同尺度的能量值作为目标的特征矢量，并采用均方加权距离分类器来识别坦克和直升机。检验结果表明，该方法提取的特征稳定，并且，该技术具有高的识别率。     

声目标识别技术

该文阐述了有限时间采样的谱估计,时间自相关分析,倒频谱法及时间序列模型及谱估计法的原理及其在应用中需注意的问题,同时还阐述了声目标特征的抽取问题,给出了声目标模式识别技术的有关技术原理和途径。     

基于SVD-TLS的AR谱估计方法在声目标识别中的应用

为提高 AR谱估计方法的抗噪性能 ,提出采用 SVD-TLS算法。文中对该算法作了介绍 ,并用一简单例子将 SVD-TLS与其它算法作了比较 ,最后应用 SVD-TLS对几组实测的直升机声信号进行了 AR参数估计和谐波频率提取。仿真结果表明 SVD-TL S较之其它算法可在更低的信噪比情况下准确地提取信号的频率信息 ,具有良好的抗噪性能和数值稳定性 ,将其用于声目标识别对改善系统的抗噪性能是十分有意义的。     

基于高阶谱的战场声目标特征提取

由于高阶谱对于高斯噪声不敏感的特性，在战场噪声环境中。提取被动声目标的双谱、双谱切片和相位耦合特征，通过建立声目标的高斯混合模型（GMM），进行声目标信号的识别。将基于此模型的识别结果与功率谱方法比较。仿真结果证明：基于高阶谱特征提取方法优于AR功率谱特征，该方法在抑制背景干扰中具有优越性。     

小波变换去噪方法在声目标识别系统中的应用研究

简要介绍了小波变换的原理和常用的几种去噪方法，并对这些方法的去噪性能作了简单的比较。通过比较提出了一种适合于被动声目标识别系统的去噪方法。该方法运算量小，去噪效果明显，这对于改善声目标识别系统的抗噪性能是十分有意义的。     

基于小波包分析的战场被动声目标特征提取

针对战场环境存在噪声干扰的情况,提出了一种基于小波包分析的声目标特征参数提取方法.该方法将小波包分析和Mel倒谱分析相结合,提高了特征参数的鲁棒性.实验结果表明,在噪声条件下,基于小波包分析的平均识别率比MFCC参数提高6.78%,在信噪比为5dB时,识别率仍能达到94.5%.     

基于参数优化的支持向量机战场多目标声识别

针对网格搜索支持向量机(SVM)参数的方法存在复杂度高、运算量大等不足,提出了一种改进的网格搜索SVM分类器的最佳参数选择算法。将其应用于战场多目标SVM分类器中,对该分类器与KNN分类器和改进BP神经网络分类器进行的分类对比实验表明,改进的网格搜索SVM分类器参数选择算法可以有效地减少SVM分类器的运算量、改进学习性能并提高识别率。