冲击声的固有结构建模及目标识别

将统计数据驱动方法应用于冲击声的固有结构建模,研究了单个冲击信号及冲击声组的时域和频域特征提取方法,并将所提特征用于圆柱壳冲击声和公路空洞检测冲击声分类,获得了良好效果,证实了该方法用于冲击声目标分类的有效程度。     

基于板块元的水面舰船远场声目标强度预报方法

提出了一种基于板块元的水面舰船水下远场声目标强度数值预报方法,首先根据水面舰船水下船体及附体的型线进行等效建模,采用板块元方法进行网格划分,建立了水面舰船特有的复杂附体二次反射、海面散射效应的数值模型,将各板块元的声散射视为一种"滤波",各板块元的散射声传输函数具有不同幅度、相位、时延,将其叠加之和进行反傅氏变换后,获得水面舰船波形级的远场声目标强度及方位分布特征。通过分析比较典型声呐探测信号下水面舰船的声目标强度,验证了该方法的有效性,为优化与控制水面舰船目标强度,分析水面舰艇水声对抗的作战效能提供了物理依据。     

基于稀疏非负矩阵分解的低空声目标识别

借鉴人耳听觉原理和特征学习的优势,提出了梅尔(Mel)频率谱提取和稀疏非负矩阵分解相结合的方法用于低空飞行目标声信号识别。首先,以不同目标的Mel频率谱为特征矩阵,利用稀疏非负矩阵分解方法学习得到各自的模板矩阵;然后,利用按列合并后的模板矩阵对训练/测试样本进行特征分解获得编码系数,该系数可作为分类特征;最后,结合不同目标的特点,采用分频段特征提取和顺序二类分类的方法进行多目标分类,并与Mel频率倒谱系数进行性能比较。结果显示,无论在单类目标辨识还是在多类目标分类中,稀疏非负矩阵分解方法均取得了更好的效果。     

基于激波信号的超音速弹丸识别技术探索

为了探索低空超音速目标的探测技术,提出了一种基于激波信号的超音速飞行弹丸的目标分类识别方法.通过5.56 mm,7.62 mm和12.7 mm三种枪弹实测分析,提取信号的时域特征.通过主成分分析方法,对原始信息进行了处理,用支持向量机方法进行学习训练,设计了两级SVM分类器,获得了很好的分类效果.研究表明,基于超音速飞行体产生的激波信息识别目标是可行的.     

基于EMD和能量比的战场声目标分类与识别

采用线性预测方法对信号进行边界延拓,改进EMD方法,应用EMD(经验模态分解)对战场声信号进行分解,对分解得到的有限个IMF(本征模态函数)进行FFT,求得其相应的幅值谱,进而得到其能量.选择每一个IMF的能量相对于原始信号总能量的能量比作为特征向量,并将其归一化.最后,设计神经网络分类器对不同类战场声目标进行分类与识别.实验结果表明,基于EMD和能量比的战场声目标分类与识别,分类效果显著,识别率较高.     

具有亮点和方位延展特征的线列阵声诱饵研究

分析了几种目标尺度识别方法的机理，针对其特性和传统声诱饵的不足，研究了一种基于潜艇亮点模型的线列阵声诱饵，并对其参数进行了选取．仿真结果表明，该声诱饵对基于目标尺度识别的鱼雷具有干扰能力．     

微传感器在执勤监控中的应用研究

文章通过分析MOEMS微型传感器节点,研究了执勤监控中信息获取的方法,通过红外、声、振动、磁等传感模块探测目标信号,建立目标信号发生模型,对目标信号特性进行分析,研究不同类型的目标信号在时域和频域上的特征表现,建立目标特征数据库,进而进行信息融合及处理,对目标进行分类和识别,进而为执勤决策提供依据。     

视频监控系统中的运动目标分类技术研究

基于视频的运动分析是近年来计算机视觉领域备受关注的研究方向.提出了一种用于视频监控系统的运动目标分类算法,可以将运动目标分类为几种事先定义好的类别:人、人群、汽车、自行车.定义了运动目标的几种简单有效的形状特征,并选择基于小样本学习理论的支持向量机对不同目标进行分类.最后,提出隔帧分类的思想并描述了几种提高分类效率的方法,以满足实时性要求.实验证明该方法能较好地区分人、人群、车、自行车等目标.     

极化分解与子孔径分析相结合的极化SAR图像分类

本文提出了一种极化SAR图像分类的新方法,该方法将传统极化分解与子孔径分析结合起来.首先将全分辨率极化SAR图像分解成几个子孔径图像,利用子孔径分析对两类非平稳目标进行检测,得到场景中的非平稳目标.然后对全分辨率图像的相干矩阵进行特征分解,得到熵(H)和α角两个参数,并在H-α平面上对地面目标进行分类;最后,将非平稳目标检测结果与H/α分类结果结合起来,对极化SAR图像进行更为精细的分类.仿真结果表明,本文提出的方法取得了更好的分类效果.     

低速目标宽带时延-尺度声成像的新方法

分析了宽带时延-时间伸缩声成像的基本理论,介绍了广义边缘CWD-Hough变换。根据目标回波的时频分布特点,提出了一种针对低速运动目标的基于广义边缘CWD-Hough变换的宽带时延一时间伸缩声成像方法。利用该方法能有效避免常用的WVD方法产生的交叉项影响,从而能对低速运动目标进行更好地检测及成像。计算机仿真结果表明了该声成像方法的有效性。     

基于小波包时频图特征和卷积神经网络的水声信号分类

水下声信号分类是水声学研究的一个重要方向.一个有效的特征提取和分类决策方法对水声信号分类技术至关重要.文章将鱼声、商船辐射噪声和风关噪声三类实测的水声信号在小波包分解的基础上提取时频图特征,并搭建了一个七层结构的卷积神经网络作为分类器.研究结果表明:三种水声信号的小波包时频图特征结合卷积神经网络在不同测试集可达到(98...     

模糊融合分类器在水雷识别中的应用

当目标的类别多时会使分类器的精度和稳健性大受影响,用神经网络分类器去完成复杂的目标分类任务是难以保证其可靠性的。引入信息融合条件下一种新型的分类器,即模糊融合分类器,该分类器可以自动“过滤”无效和冗余特征的负面影响,实现有效的特征层融合识别。采用4种特征提取方法,利用三个模糊融合神经网络作为分类器进行特征层的融合,再将分类器的输出作为决策层的融合,提高系统的分类性能。通过处理水雷实体回波数据得出的识别率表明,所选取的特征提取和分类器算法是有效的。     

Neural classification of Lamb wave ultrasonic weld testing signalsusing wavelet coefficients

This paper presents an ultrasonic nondestructive weld testing method based on the wavelet transform (WT) of inspection signals and their classification by a neural network (NN). The use of Lamb waves generated by an electromagnetic acoustic transducer (EMAT) as a probe allows us to test metallic welds. In this work, the case of an aluminum weld is treated. The feature extraction is made by using a method of analysis based on the WT of the ultrasonic testing signals; a classification process of the features based on a neural classifier to interpret the results in terms of weld quality concludes the process. The aim of this complete process of analysis and classification of the testing ultrasonic signals is to lead to an automated system of weld or structure testing. Results of real-world ultrasonic Lamb wave signal analysis and classifications for an aluminum weld are presented; these demonstrate the feasibility and efficiency of the proposed method     

局域判别基空间能量的水声目标特征提取

考虑水声信号的非平稳性及时变性,对信号进行小波包分解。不同的小波包基可以反映不同的信号特性,基于距离准则,求取小波包局域判别基,在局域判别基的基础上,提出通过求取局域判别基的各子空间的能量,形成特征矢量的特征提取方法。利用Fisher准则函数进行特征选择,得到识别特征矢量,针对识别特征矢量设计神经网络分类器,对三类目标进行分类,验证实验表明,基于这种方法提取的识别特征矢量在水声目标分类识别中是有效的。     

三种鱼类发声信号频带能量特征提取与分类研究

海洋渔业资源的开发和利用对经济鱼类的分类识别提出了迫切的技术需求.根据鱼类的不同发声特征,文章采用有监督机器学习方法实现了三个不同鱼种发声信号的分类.基于小波包分解技术提取了黄花鱼、大米鱼和黄姑鱼三种鱼类发声信号的频带能量特征,并利用不同的分类器进行分类.结果表明:三种鱼的发声信号频率主要集中在300～800 Hz之间...     

HHT在水雷目标特征提取中的应用

Hilbert-Huang变换（HHT）是近年来发展起来的一种处理非线性非平稳的时频分析方法。水声信号具有非线性非平稳的特点,把HHT方法应用于水声信号的分析中,将典型主动声纳信号的Hilbert边际谱和Hilbert谱分别与傅里叶幅度谱和传统的时频分析进行了比较。然后对水下目标回波的亮点模型作了仿真研究,并与小波变换作比较,最后用实际目标的回波作了分类研究。仿真与实际数据都证明了HHT在水下目标特征提取中的优越性。     

一种基于VGGish神经网络的水声目标识别方法

水声目标智能识别是水声装备智能化的重要组成部分,深度学习则是实现水声目标智能识别的重要技术手段之一。当前水声目标智能识别经常面临数据集较小带来的训练样本量不足的情况,针对小数据集识别中存在的因过拟合导致模型泛化能力不足,以及输入的水声信号二维谱图样式不统一的问题,文章提出了一种基于VGGish神经网络模型的水声目标识别方法。该方法以VGGish网络作为特征提取器,并在VGGish网络前部加入了信号预处理模块,同时设计了一种基于传统机器学习算法的联合分类器,通过以上措施解决了过拟合问题和二维谱图样式不统一问题。实验结果显示,该方法应用在ShipsEar数据集上得到了94.397%的识别准确率,高于传统预训练-微调法得到的最高90.977%的准确率,并且在相同条件下该方法的模型训练耗时仅为传统预训练-微调方法的0.5%左右,有效提高了识别准确率和模型训练速度。     

用于水声目标识别的自适应遗传样本选择算法

针对训练样本集中含有噪声样本、冗余样本以及无关样本,导致分类系统分类性能下降、不稳定的水声目标识别问题,提出了一种新的自适应遗传样本选择算法(Adaptive Genetic Instance Selection Algorithm, AGISA)。算法先随机生成初始种群,接着利用设计的遗传算子(跨代选择、自适应交叉和简化最近邻变异)指导种群进化,每代中对分类贡献大且选择样本数目少的个体适应度值高。提取了实测3类水声目标的多域特征,进行样本选择和分类识别仿真实验,结果表明：AGISA可以选出有效样本子集,在样本维数下降约73%的情况下,支持向量机分类器的正确分类率能提高约2.5%;并且AGISA具有较好的收敛性、稳定性,所得优化样本子集具有较好泛化能力且能明显减少分类的时间。     

基于EMD的胶合板损伤声发射信号特征提取及神经网络模式识别

摘要：针对胶合板损伤声发射信号的非平稳性和损伤类别特征相互重叠的实际情况,提出了基于经验模态分解(Empirical Mode Decomposition, EMD)和BP神经网络相结合的信号特征提取和识别方法。首先对损伤声发射信号进行EMD分解,筛选出包含主要信息的本征模态函数（Intrinsic Mode Function, IMF）分量;其次构建以各IMF分量的能量占比作为表征各损伤信号的特征向量;最后以提取的特征向量为输入样本,建立BP神经网络模式分类器对四类胶合板损伤信号进行识别。五层胶合板损伤的实测数据表明,该方法能够准确地提取出声发射信号特征并对其损伤类型进行有效地识别。     

分布式光纤入侵信号检测与识别

分布式光纤声波传感(DAS)技术通过接收相干瑞利散射光的相位信息来探测声波或振动信号,具有灵敏度高、动态范围广等特性,可利用线性定量测量实现对信号的高保真还原.随着实际应用的需求不断提高,光纤入侵检测领域对事件的定位和识别提出了更高的要求,表现为对入侵事件的准确分类,因此将分布式光纤声波传感技术与模式识别(PR)技术相...