干扰抑制门在线谱提取中的应用

由于舰船辐射噪声和海洋环境噪声的复杂性,直接从舰船辐射噪声解调信号中提取线谱比较困难。为了降低线谱提取过程中宽带噪声干扰的影响,设计了一个干扰抑制门。对单频输入信号和谐波输入信号的仿真,验证了抑制算法的有效性,同时对干扰抑制门的信噪比增益进行了统计分析。对实测舰船辐射噪声数据处理,结果表明干扰抑制门的应用能有效降低信号中的宽带干扰,为线谱提取提供便利。从线谱中提取的螺旋桨轴频可作为舰船目标分类和识别的特征量。干扰抑制门算法亦可用于线谱检测。     

强干扰背景下的鱼雷辐射噪声信号检测方法

常规被动声纳利用宽带波束能量进行目标检测,在低信噪比、强目标干扰情况下,宽带能量检测的性能迅速降低。利用鱼雷辐射噪声信号中含有丰富线谱成分的特点,提出了一种针对鱼雷辐射噪声信号的窄带和宽带联合检测方法。通过对预成波束方向信号的窄带处理和线谱提取,利用特定频段的线谱能量对宽带波束输出进行加权,提高了线谱目标的检测能力。该方法能够有效地抑制非线谱强干扰目标,提高低信噪比信号的检测能力。仿真和海试数据处理结果验证了该方法的有效性。     

基于VMD与共振稀疏分解的舰船辐射噪声窄带特征提取

为了获取实测舰船辐射噪声信号中有效的目标信息、提高低信噪比条件下目标信号的可分性,文章提出了结合变分模态分解(Variational Mode Decomposition,VMD)和共振稀疏分解(Resonance-based Sparsity Signal Decomposition,RSSD)的舰船辐射噪声信号特征提取方法。基于舰船辐射噪声信号具有一定的周期性而外界干扰具有随机性的特点,首先利用VMD自相关分析的方法重构信号,主要剔除带外噪声分量;然后采用RSSD算法基于信号共振属性的不同,进一步滤除带内噪声和瞬态干扰,实现对信号中周期性振荡成分的提取;最后提取信号的波形结构特征用于目标的分类识别。仿真信号与实测信号分析表明,该方法可以较好地滤除带内外噪声,增强舰船辐射噪声信号固有的窄带特征。多类舰船目标的分类实验结果表明,该方法可以有效提高低信噪比信号的可分性,有利于提高目标识别的性能。     

基于自相关特征的舰船大小识别方法

基于自相关处理方法,提出了一种利用舰船辐射噪声自相关曲线特征值对舰船大小进行识别的方法,并利用BP神经网络对两类海上实测舰船目标噪声信号进行了识别。实验结果表明,利用该方法对舰船目标大小具有较好的识别效果。该法与其他识别方法相比,在保证较高分类识别率的前提下,特征量提取方法简单,特征量维数少,运算量较低,更便于工程实现。     

拖船辐射噪声特性分析及实用抵消

拖船辐射噪声严重影响拖线阵声纳的探测性能,该噪声是成分复杂、多途传播的近程强干扰,如何抵消该噪声是拖线阵声纳面临的一个难题。在讨论了拖船噪声的成因、谱特性以及多途传播路径等问题后,通过对拖船辐射噪声的特性分析及逆波束形成(Inverse Beamforming,IBF)算法的理论研究,并经仿真表明:基于IBF算法的拖船噪声干扰抵消技术能够有效抵消拖船辐射噪声。海试数据验证了抵消后目标信号所在方位更清晰,且能识别出弱目标信号,其抗多途效果好。该方法易于实现,抵消效果显著,具有一定的实用性和可行性。     

基于双谱特征的被动声纳目标航迹关联

传统的目标航迹关联方法卡尔曼滤波法在实际应用时有局限性.本文对目标辐射噪声的原始信号进行分析和研究,利用双谱估计法,提取目标辐射噪声信号的非高斯成分,并通过径向基函数神经网络作关联实验.表明基于信号处理方法实现潜艇被动声纳目标航迹关联具有很大的发展潜力.     

基于听觉感知的不同航速稳态舰船噪声合成

声纳人员培训和人耳辨识舰船声实验中常需要完备的敌我舰船辐射噪声样本,但实录各国舰船噪声几乎是不可能的。因此,合成与真实水下声样本听觉感知相同的舰船辐射噪声十分必要。研究了舰船航速对其辐射噪声的影响及人耳听音的临界带通特性,通过已知的零散舰船噪声样本合成目标舰船在其它未知状态下的辐射噪声。采用临界带通滤波和线谱迭加方法,分别合成了目标舰船在低、中、高三种不同航速下的稳态辐射噪声。为了验证合成声的有效性,进行了主观评价实验,采用成对比较法验证了15组不同航速状态下的合成舰船噪声样本。结果表明,合成舰船噪声样本能够被人耳有效识别,准确率达93%。     

基于小波包分解和PCA-Attention-LSTM的舰船辐射噪声识别技术

为了改进舰船辐射噪声分类系统的性能,进一步提高识别准确率,文章提出了一种基于多特征的小波包分解在长短期记忆(LongShort-TermMemory,LSTM)网络中分类的方法。该方法首先通过小波包分解技术,分频段提取舰船辐射噪声的多种特征,将提取的特征利用主成分分析法(Principal Component Analysis, PCA)进行数据降维,通过添加注意力机制(Attention Mechanism)算法的LSTM网络,对辐射噪声结果分类,提高了学习效率和识别准确率。为了更精细地提取特征,分频段提取了舰船辐射噪声的时频域特征、小波变换特征和梅尔倒谱系数等特征,并将分频段与不分频段的特征、多特征与单一特征、不同信噪比间的算法性能进行对比。实验结果表明,基于小波包分解和PCA-Attention-LSTM的模型可以有效地提高舰船辐射噪声分类的性能,是一种可行的分类方法。     

粗糙集理论在水下目标识别中的应用

1引言 舰船目标辐射的水下噪声信号[1]包含有大量的目标信息,是被动声呐系统进行目标定位和识别的主要依据.本文从各类水下目标的辐射噪声中提取了四个有效的谱特征作为分类识别的依据,然后引入粗糙集(Rough Set)理论[2][3][4]的基本概念和理论,并将这些原理、算法运用到水下目标的融合识别中去,海上实录信号的分类实验结果令人满意.     

舰船辐射噪声广义多尺度数学形态学特征提取与应用研究

为稳定提取复杂水声环境下舰船辐射噪声的有效特征,在数学形态学方法的基础上提出一种广义多尺度数学形态腐蚀谱熵(generalized multiscale pattern erosion spectrum entropy, GMPESE)的舰船辐射噪声非线性特征提取方法。通过对千岛湖及东海实测舰船辐射噪声处理,验证了不同环境下该特征提取方法的可行性,分析了相关参数选取对特征区分度的影响,并比较了该特征提取方法与多尺度熵(multiscale sample entropy, MSE)特征的识别性能。数据处理结果表明,综合比较运算耗时、提取稳定的特征所需信号时长及复杂环境下目标识别准确率,GMPESE特征提取方法具有更大的优势。     

HHT与神经网络在舰船目标特征提取中的应用

目标识别一直是水声领域的关键技术之一。将高阶累积量用于希尔伯特变换特征提取中,通过对舰船目标辐射噪声信号进行采集,得到舰船目标噪声信号,进而提取目标辐射信号各阶模态的相邻平均瞬时频率比、相对标准差、中心频率、平均强度、高阶矩和高阶累积量等作为特征,最终利用BP神经网络来实现对两类舰船目标的分类识别。通过对实际舰船目标噪声进行识别,验证了该舰船目标识别系统具有较好的识别效果。     

一种估计船舶辐射噪声线谱的联合分析法

线谱的提取为舰船的检测识别和方位跟踪提供了依据,研究线谱的提取具有实际的应用意义.采用Welch算法和Chirp-Z变换联合处理舰船的辐射噪声信号能够有效地提取线谱.根据对仿真信号和某实船的辐射噪声信号分析的结果表明,该方法原理简单,能够精确地提取特征线谱,其中频率分辨力可达0.36 Hz;根据所提取的船只的特征线谱,设定滤波区间对船辐射的噪声信号进行滤波,可以更准确地跟踪船的航迹.     

水声信号动态阈值正交匹配追踪降噪方法

为了对实时采集的水声信号进行数据压缩的同时实现信号降噪,提出了一种动态阈值正交匹配追踪方法(Dynamic Threshold Orthogonal Matching Pursuit,DTOMP)。该方法将稀疏分解原理应用于水声信号的预处理,通过在正交匹配追踪算法中引入阈值约束,并根据噪声分布特性将其分为两部分,用以控制预设置的参数。通过对加噪正弦信号、实测鲸鱼叫声和舰船辐射噪声信号的降噪实验,表明该方法能够在对原始水声信号进行压缩的同时提高信噪比,且在较宽的信噪比变化范围内比小波方法具有更好的降噪性能。     

论舰船论证,设计阶段中的噪声控制工作

论舰船论证、设计阶段中的噪声控制工作龚三，刘权（海军装备论证研究中心标准规范所）一、前言对于现代舰船特别是对作战舰艇来说，噪声问题是海军和舰船设计师必须予以重视和解决的重要技术问题。从现代舰船的作战使用来看：舰船的水下辐射噪声特性涉及到被敌方被动声纳...     

局域波分解在被动测向声纳中的应用

局域波分解可以把复杂信号分解为有限个内蕴模式函数和一个趋势项,这个过程相当于在时间域上对不同的频率信号进行分类。不同的内蕴模式函数分量代表了不同频率分量的信号成分,利用海洋环境噪声与目标信号频域特征或相关函数的不同,滤除被动测向声纳接收信号中的海洋环境噪声,提高输入信号的信噪比,进而提高被动测向声纳的检测性能。提出了基于局域波分解的被动测向声纳信号检测模型。计算机仿真结果表明,相对于传统的二元被动测向声纳检测模型,基于局域波分解的信号检测模型可以有效提高被动测向声纳的检测性能。     

水下蛙人呼吸声Mel倒谱特征的实验研究

为提高水下蛙人呼吸声识别的准确度,提出一种基于Mel频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)的蛙人呼吸声信号特征匹配方法。计算呼吸声信号之间、信号与环境噪声及舰船辐射噪声的MFCC夹角和MFCC距离并进行匹配比较,以进行分类识别。某湖试验数据的处理结果表明:蛙人呼吸声与舰船辐射噪声及环境噪声的MFCC参数有着明显的差异,能够对蛙人呼吸声信号与干扰噪声进行区分,证明了基于MFCC特征算法的有效性,对发展港口、码头等近海海域附近的水下蛙人探测声呐和预警系统具有实际意义。     

一种被动拖曳声纳阵列信号模拟器设计

声纳基阵信号模拟器是一种实用的可仿真实际检测目标及使用环境的阵元级信号发生器。设计的被动拖曳声纳阵列信号模拟器,仿真了拖曳阵的拖船干扰时域信号和空间传播特性、目标辐射信号以及环境噪声。通过预设定拖船干扰宽带功率谱,以AR模型拟合该功率谱,利用海底、海面对声场的一次反射作用仿真了拖船干扰的空间多途信道。采用插值滤波器,解决了宽带信号阵元间延时的时延精确控制问题。     

基于改进小波阈值去噪的深度学习水下目标分类

由于海洋环境噪声复杂,噪声等级高,水下待识别目标信噪比低,从而造成了特征提取困难,目标识别率低的问题。基于此,文章提出了基于改进小波阈值的深度学习水下目标分类方法。此方法在传统小波阈值去噪的基础上提出了一种新的小波阈值函数,对于所采用的具体阈值将其与分解尺度相联系,从而实现降低背景噪声,提升水下目标分类识别率的目的。此方法对实测舰船辐射噪声信号进行小波分解,提取每一层的高频小波系数并对其进行处理;对处理完的信号再提取时频特征,最后将其输入后续的深度学习网络中。实验结果发现：在利用原有数据集情况下,利用基于改进小波阈值的深度学习进行水下目标的分类识别,采用卷积神经网络算法可达到88.56%的分类识别率。对前述实验结果进一步分析后,采用生成对抗网络的方法扩充数据样本,可达到96.673%的分类识别率。     

新的联合三角形法和经验模态分解的水下目标回波检测

水下目标回波信号的自动检测和识别是水声装备自动化的关键任务之一。大量的混响干扰,一个脉冲周期内有多个目标或没有目标,以及目标边界的模糊性和位置的随机性,是目标检测的难点。对回波信号进行经验模态分解,目标信号的绝大部分信息将集中在某个固有模态函数上,且产生明显的边界,而各种噪声和干扰成分被分解到其他固有模态函数上。基于此,提出在固有模态函数包络上用三角形法定位目标及双阈值检测精确的目标边界的算法;提出目标回波的固有模态函数瞬时幅度方差谱特征。海上实测回波数据的实验,从检测目标个数和识别率两方面来验证算法的性能,并与其它方法进行对比。实验表明该算法能任意定位和准确检测回波中的目标,且不受脉冲噪声的影响,检测效率高。     

基于多尺度排列熵的舰船辐射噪声复杂度特征提取研究

针对复杂海洋环境中舰船辐射噪声的特征提取问题,提出了一种基于多尺度排列熵的舰船辐射噪声复杂度特征提取方法。分别利用基于EEMD的最强固有模态中心频率法、高低频能量差法和基于复杂度的排列熵与多尺度排列熵提取了五种不同类别、一定样本数量的舰船辐射噪声特征,并将四种特征提取方法所提取的舰船特征分别输入概率神经网络进行分类识别。研究发现,多尺度排列熵是一种一致性好、稳定性强的非线性特征参数,能够从多个维度描述信号的复杂度。实验结果表明,多尺度排列熵特征具有很好的可分性,以多尺度排列熵为特征进行舰船分类识别,识别率显著高于其他舰船辐射噪声特征提取算法。