机动目标声信号分类识别技术

针对机动目标声信号识别问题,对比三种分类方法的性能.在固定输入特征向量的前提下,将多分类问题细化为多个二分类问题,并分别训练二分类模型,通过投票的方式决策出目标类型.试验结果显示,支持向量机(Support Vector Machine,SVM)方法的准确率受样本数量影响较为明显,在样本数量充足的情况下,基于SVM构建...     

战场背景下声信号的目标识别技术

综述了声信号目标识别技术在军事中的应用,并就战场背景下声信号目标识别的一些技术问题进行了讨论,预测了它的发展趋势。     

基于灰色模型的舰船声信号目标识别

深入研究了灰色模型在目标识别中的应用,给出了基于灰色模型的目标识别方案,利用舰船声场仿真数据,建立目标声信号的GM （1,1）模型,并用组合神经网络对两类目标的模型参数进行分类与识别。此外,还利用舰船声场实测数据,对识别结果进行了验证。研究表明灰建模方法在目标识别中是可行的和有效的。     

面向原始辐射噪声的水声目标识别研究

水声目标识别是一项利用目标辐射噪声特性对目标属性进行判别的模式识别技术,具有十分重要的经济价值和军事价值。传统水声目标识别方法依靠信号处理技术对目标辐射噪声进行特征提取,进而通过人工识别或设计分类器识别的方法实现目标类别的判别。通过设计特征进行特征提取的过程中,不可避免会造成目标辐射信号中信息的损失,而深度神经网络依靠其多层网络结构,具备强大的特征提取能力。文章以一维卷积神经网络作为构建水声目标识别的基本模型,利用梅尔频率倒谱系数特征的提取思路,创造性地设计了MFCC1D卷积神经网络。结果显示,在ShipsEar数据集与水下目标信号构成的混合数据集上,设计方法的识别准确率达到96.4%。     

雷达目标分类/识别技术

分析了雷达目标识别的特点、分类及方法,介绍了雷达目标识别的发展及国外现状,着重研究雷达目标的特征及特征的提取,提出了未来雷达目标识别需要研究的的课题。     

卷积神经网络在雷达自动目标识别中的研究进展

自动目标识别(ATR)是雷达信息处理领域的重要研究方向。由于卷积神经网络(CNN)无需进行特征工程,图像分类性能优越,因此在雷达自动目标识别领域研究中受到越来越多的关注。该文综合论述了CNN在雷达图像处理中的应用进展。首先介绍了雷达自动目标识别相关知识,包括雷达图像的特性,并指出了传统的雷达自动目标识别方法局限性。给出了CNN卷积神经网络原理、组成和在计算机视觉领域的发展历程。然后着重介绍了CNN在雷达自动目标识别中的研究现状,其中详细介绍了合成孔径雷达(SAR)图像目标的检测与识别方法。接下来对雷达自动目标识别面临的挑战进行了深入分析。最后对CNN新理论、新模型,以及雷达新成像技术和未来复杂环境下的应用进行了展望。

     

一种噪声环境下的雷达目标高分辨率距离像鲁棒识别方法

随着深度学习技术被应用于雷达目标识别领域,其自动提取目标特征的特性大大提高了识别的准确率和鲁棒性,但噪声环境下的鲁棒性有待进一步研究。该文提出了一种在噪声环境下基于卷积神经网络(CNN)的雷达高分辨率距离像(HRRP)数据识别方法,通过增强训练集和使用残差块、inception结构和降噪自编码层增强网络结构,实现了在较宽信噪比范围下的较高识别率,其中在信噪比为0 dB的瑞利噪声条件下,识别率达到96.14%,并分析了网络结构和噪声类型对结果的影响。      

改进的YOLO模型及其在舰船目标识别中的应用

针对传统目标识别方法资源消耗大、精度和可靠性低、泛化能力不强的问题,提出了一种基于改进YOLO（You Only Look Once）模型的舰船目标识别方法。通过精简YOLO模型,设计了一个10层的卷积神经网络用于舰船目标的自动特征提取和分类识别,模型训练过程中引入迁移学习的概念防止模型过拟合并加速模型参数的训练。在自建舰船目标图像测试集上的实验分析结果表明,该方法能够正确识别出航母、除航母外的其余军舰及民船三类舰船目标,识别精度达到93.7%且识别效率较高,验证了所提舰船目标识别方法的有效性。     

一种水下有源噪声抵消系统的设计

潜艇的自噪声是影响潜艇被动声纳系统性能的重要因素。对接收信号中的潜艇自噪声进行有源抵消,从而可提高被动声纳的作用距离。该文设计了一个针对舰艇艏端被动声纳平台的本艇自噪声有源抵消系统,并设计了其试验系统方案。采用直接-并联型结构的多通道有源陷波器和滤波最小均方误差算法(FXLMS)自适应滤波算法,有效地抑制了潜艇自噪声中的线谱分量,提高了接收端的输入信噪比,提高了被动声纳作用距离。     

宽带噪声抵消结构的噪声分析及优化

噪声抵消结构是一种应用于宽带低噪声放大器的有源匹配电路。噪声抵消的目的是将输入匹配器件引入的噪声在输出端消除。本文针对噪声抵消结构在高频的应用,依据噪声抵消的原理,提出了一种全频带噪声抵消条件。并给出了该条件下,噪声抵消结构的噪声系数随频率变化的解析表达式。通过与仿真结果对比,验证了该解析表达式的准确性。在此基础上,分析了匹配器件的高频噪声不能完全抵消时该结构的噪声系数。最后,提出了一种噪声抵消结构的优化设计方法。     

一种改进的LMS算法在噪声对消中的应用

给出了一种改进的LMS算法，该算法解决了算法收敛时间和稳态误差间的矛盾，为实际应用提供了更大的灵活性。它应用误差信号的相关值去调节步长，同时实现了均方误差小和收敛速度快，并且降低了LMS算法对噪声的敏感性。     

Noise Cancellation for Brainstem Auditory Evoked Potentials

A technique for cancelling background noise in sensory evoked potential recordings is described. Since sensory evoked potentials are generally much smaller than the background noise, a large number of individual responses must be averaged. The proposed technique uses a second recording channel to estimate the background noise; a cancellation filter function is derived for each individual response in the average. The filter can vary from response to response; however, it does not attempt to adapt to long-term changes in the noise. The technique is intended for situations where the noise is intermittent or rapidly varying, as is often found in the operating room and intensive care unit. The technique was evaluated by a simulation using a known brainstem auditory evoked potential signal plus EEG samples obtained from a patient in the intensive care unit during an evoked potential test. The results showed that the technique could provide improvements in signal-to-noise ratio of 3-6 when the dominant noise component was external electrical interference. The effect was less when the background noise was muscle activity or spontaneous EEG, but there was still significant improvement. It was also found that the improvement obtained was approximately equal to the improvement that could be predicted from the formulation of the filter function.     

应用于回声消除的精确背景噪声估计

The reconstruction of background noise from an error signal of an adaptive filter is a key is-sue for developing Variable Step-Size Normalized Least Mean Square (VSS-NLMS) algorithm in the context of Echo Cancellation (EC). The core param-eter in this algorithm is the Background Noise Pow-er (BNP ); in the estimation of BNP, the power difference between the desired signal and the filter output, statistically equaling to the error signal pow-er, has been widely used in a rough manner. In this study, a precise BNP estimate is implemented by multiplying the rough estimate with a corrective factor, taking into consideration the fact that the er-ror signal consists of background noise and mis-alignment noise. This corrective factor is obtained by subtracting half of the latest VSS value from 1 after analyzing the ratio of BNP to the misalignment noise. Based on the precise BNP estimate, the PVSS-NLMS algorithm suitable for the EC system is eventually proposed. In practice, the proposed al-gorithm exhibits a significant advantage of easier controllability application, as prior knowledge of the EC environment can be neglected. The simula-tion results support the preciseness of the BNP esti-mation and the effectiveness of the proposed algo-rithm.     

一种噪声雷达地杂波消除算法

噪声雷达因其优异的抗干扰性能和低截获概率,在军事和民用领域均具有着巨大的应用潜力。针对噪声雷达地杂波消除困难的问题,提出了一种基于杂波基向量正交化的算法,该算法通过将接收信号输入格形滤波器,并自适应地调整滤波器的参数,以适应地面杂波未知的或随时间变换的统计特性,从而实现最优滤波。仿真结果表明,所提算法不仅对地杂波具有很好的消除效果,与此同时也能够有效抑制直达波。     

一种低频有色噪声的自适应对消模型

文中讨论了使用自适应噪声对消抵制有色噪声的原理、特点,提出了在特定情况下 一种改进的对消模型及其原理,并结合ＬＭＳ（Ｌｅａｓｔ Ｍｅａｎ Ｓｑｕａｒｅｓ）和ＲＬＳ（Ｒｅｃｕｒｓｉｖｅ Ｌｅａｓｔ Ｓｑｕａｒｅｓ）滤波器的实现,给出了计算实例。     

VoIP通信中的回声消除方法研究

介绍了语音通信声学回声产生模型和自适应AEC回声消除算法原理,分析了AEC应用于VoIP语音通信中存在的问题,设计了一种基于短时能量的非线性回声消除方法,在NGN网络的VoIP通信中,使用该方法实现了极高的回声抑制比。测试结果表明该方法的消回声效果、算法稳定性和实现复杂度等指标明显优于自适应AEC算法,适合于嵌入式VoIP通信终端设备的开发。     

基于垂直声强流的水中目标深度分类方法

现有的基于声场干涉结构特征的目标深度分类方法的频率适用范围有限,仅适用于目标线谱频率激发前2阶简正波的情况。针对上述问题,该文提出基于匹配场处理的目标深度分类算法,该算法将垂直复声强无功分量作为匹配量进行目标深度的匹配估计,利用目标深度的粗略估计结果辅助进行目标深度的二元分类。算法适用于线谱频率激发前3阶简正波的情况,有效拓展了算法的频率适用范围。仿真结果验证了算法的可行性和稳健性。该文分析了环境失配情况对算法性能的影响。所提算法具有较高的准确性和稳健性。     

基于垂直声强流的水中目标深度分类方法

现有的基于声场干涉结构特征的目标深度分类方法的频率适用范围有限,仅适用于目标线谱频率激发前2阶简正波的情况.针对上述问题,该文提出基于匹配场处理的目标深度分类算法,该算法将垂直复声强无功分量作为匹配量进行目标深度的匹配估计,利用目标深度的粗略估计结果辅助进行目标深度的二元分类.算法适用于线谱频率激发前3阶简正波的情况,有效拓展了算法的频率适用范围.仿真结果验证了算法的可行性和稳健性.该文分析了环境失配情况对算法性能的影响.所提算法具有较高的准确性和稳健性.