水声目标的MFCC特征提取与分类识别

水声目标识别技术在水下信息处理中起着非常重要的作用,从辐射噪声中提取水声目标的有效特征一直都是水声目标识别技术的难点所在。提出了一种利用水声目标辐射噪声的梅尔频率倒谱系数(Mel-Frequency Cepstral Coefficients, MFCC)作为目标特征提取的方法。通过对辐射噪声信号进行梅尔频率滤波得到目标噪声信号的MFCC特征,它模拟了人耳对不同频率的声音具有不同感知能力的听觉非线性效应,因此具有良好的识别效果。通过对实际水声目标的辐射噪声进行测试实验,提取目标噪声信号的MFCC特征向量,并运用K近邻算法对其进行分类识别,实验结果显示MFCC特征提取与分类识别算法对水声目标的识别率达到85%以上。     

基于小波包与PCA方法对水下目标识别研究

水下目标信号的分类识别一直是信号处理工程领域的研究难点.针对水下信号发声机理十分复杂与成分多样,导致表征其特征的数据量较大且维数较高,目标识别率低.要解决上述问题,需要很大的计算成本,并影响识别特性量的效率,提出了一种采用小波包与主分量分析(Principal Component Analysis,PCA)相结合的特征提取方法.通过小波包分解与重构得到水下目标辐射噪声的初始特征;用PCA方法实现对高维特征向量的优化处理.采用BP神经网络作为分类器对三类目标进行识别仿真.结果表明,减少计算量的同时,水下目标信号得到了较好的优化提取.     

水下目标信号的Lofar谱图特征的主分量分析研究

研究一种基于Lofar谱图特征和主分量分析的水下目标信号的特征处理方法。首先介绍了这种方法的应用背景．给出了舰船辐射噪声的结构和Lofar谱特征的提取方法。在简单介绍了主分量分析的有关基础知识和数学解法后，对于海上测量获得的舰船辐射噪声信号进行特征提取，利用主分量分析的方法对提取的特征向量进行降维处理。针对主分量分析处理前后的特征向量，采用结构自适应模糊聚类神经网络分类器分类，与直接对Lofar谱特征分类相比，主分量提取后的分类准确率有明显提高。     

一种基于组合核函数支持向量机的水下目标小波特征提取与识别方法

准确的模式识别要求提取出的特征尽可能反映分类本质的特征.本文利用同态分析理论对水下声信号进行预处理,从最终接收到经过噪声干扰的目标信号中复原出能反映目标传输特性的原始信号,并在此基础上对信号进行离散小波变换,提取小波变换系数在不同区间上的尺度—过零密度、尺度—平均幅度特征,最终利用组合核函数支持向量机对提取出的特征进行分类识别.实验表明,提取出的特征能反映目标类别特点,该方法能对水下目标进行有效的识别.     

优化的线谱特征在水下目标识别中的应用

水下目标舰船辐射噪声中有很强的线谱成份,这些成份对分类识别是非常有价值的,因此利用线谱特征射舰船目标进行识别是水声领域研究的重要内容。采用最小二乘曲线拟合方法提取了舰船辐射噪声的连续谱。在此基础上主要研究了线谱特征的提取方法,获得了线谱的4维特征,对所提取的4维线谱特征进行了优化处理。基于这些优化的线谱特征采用BP神经网络对海上实录的三类水下目标辐射噪声进行了分类识别,实验结果证明了方法的可行性和有效性,识别率达到90％以上,分类效果很好。     

小波包熵在水下目标识别中的应用研究

研究了基于小波包变换和Fisher线性分类器的水下目标识别方法。小波包是在小波变换的基础上发展起来的时频分析方法,能够对非平稳信号提供更丰富的时频信息。通过对水下目标辐射噪声信号进行小波包分解,提取小波包分解的终端节点的熵值作为特征矢量,应用Fisher线性分类器设计的分段线性分类器对水下目标进行分类识别。仿真结果表明,以小波包熵作为特征矢量的分类方法具有较高的识别正确率。     

用于人形机器人的声音降噪方法

用于人形机器人的实时多通道降噪方法使机器人能够在实际应用中精确地进行后续的音频分类或语音识别。引入人形机器人具有类似人体的头相关传输函数的性质,避免一般方法中在估计声传播信道模型时只考虑声达时廷,而忽略声散射和共振影响的局限性。该方法通过利用麦克风阵列阵元之间的声音传输信道的差异性,削弱参考噪声和目标信号之间的相关性,从而提升对消噪声后输出信号的信噪比。仿真表明,对目标信号的信噪比提升达到15dB。     

基于高阶谱和倒谱的舰船噪声特征提取研究

研究舰船目标识别问题,舰船辐射噪声的特征提取一直是信号处理工程领域的难点.原因是海洋环境的复杂性和水声信道的特殊性,导致从复杂背景噪声中获取舰船信号特征显得比较困难.针对上述情况,提出了高阶谱和倒谱等多种类型的提取方法.根据舰船辐射噪声不同的特性,选择合适的提取方法,获取更多的线谱特征和抑制干扰噪声的特征信号.最后,采用高阶统计量的双谱、三谱、11/2维谱和倒谱对实测信号和仿真信号进行了特征提取,并指出各种提取方法所具有的优越性.实验结果表明特征提取方法是可行的,从而为目标识别提供有效的特征量.     

舰船辐射噪声混沌特征提取方法研究

研究舰船辐射噪声信号影响目标识别,针对传统子空间降算法只适用于多通道信号处理,为了清楚识别目标,提出多次迭代降噪的思想,并根据定义的信噪比改善量控制迭代次数.用相空间重构进行特征提取,为了降低特征维数,引入K-L变换进行特征压缩,提出一个基于子空间降噪理论与相空间重构以及K-L变换相结合的完整的舰船辐射噪声特征提取方法,进行计算机仿真,结果表明对舰船辐射噪声特征有效提取和分类识别很有效,证明方法对三类目标舰船噪声信号具有较好的分类效果.     

基于递归图和近似熵的水下目标特征提取方法

为有效利用水下目标辐射噪声的非线性特征来对目标作分类识别,提出采用递归图分析和近似熵估计获取原时间序列的动力学行为的方法。在有效相空间重构的基础上,作目标样本时间序列的递归图,定性判断目标的可分性和原动力系统的确定性,在递归图算法的基础上,定量提取近似熵这一非线性特征。通过三类目标样本试验数据仿真表明,递归图分析能有效判断目标信号的周期性嵌入强度和目标信号的确定性,并能对目标作定性区分,近似熵能有效分类三类水下目标。     

被动声纳目标/背景建模与仿真

该文通过对舰船辐射噪声水声特性的分析，建立了舰船低频辐射噪声连续谱和线谱的数学模型，让迭加有线谱信号的白噪声通过一个有限冲激响应（FIR）数字滤波器，即可得到期望的目标舰船辐射噪声信号。该模型和海洋传播损失模型以及海洋环境噪声模型一起用于仿真被动声纳系统的接收信号。通过对仿真输出信号的处理和分析，给出了声场谱图，结果表明该方法能很好地再现被动声纳目标舰船辐射噪声的典型声学特征。该方法也可用于半实物仿真、系统测试以及水中兵器仿真等。     

基于神经网络方法的水声信号预测

由于海洋环境的复杂性和水声信道复杂的时变、空变特性，使得舰船辐射噪声是一种非平稳、非高斯过程。如能提前预测敌方舰船的辐射噪声，并有效地对敌进行水下对抗，先敌使用武器攻击，是克敌制胜的前提，也是我海军目前各型潜艇和水面舰艇急需解决的关键技术。文章根据水声信号的特点建立了预测模型和网络结构参数的设计。并分别采用BP神经网络和RBF神经网络对仿真信号和实际舰船水声信号进行预测。结果表明，利用神经网络预测水声信号达到了一定的效果，为今后进一步开展水声信号预测研究奠定了基础。     

基于多分主干外部注意力网络的水声信号识别

水声信号识别近年来备受关注,由于海洋信道具有时变空变性、信号传播的衰落特性和水下目标声源具有复杂多变性,水声信号识别任务面临巨大挑战.传统的水声信号识别方法难以充分获取目标的表征信息且不具备良好的抗噪声能力,识别效果有待提升.针对上述问题,本文提出一种基于多分支外部注意力网络(multi-branch external attention network, MEANet)的水声信号识别方法,可以在复杂海洋环境下充分获取水声信号的特征并进行识别. MEANet由多分支主干网络,通道、空间注意力模块和外部注意力模块组成.首先,输入数据通过多个并行的主干网络分支,提取水声信号不同层级的特征信息;其次,辅以通道、空间注意力模块对水声信号的通道和空间维度分别进行加权,调节不同通道和空间位置对特征表示的重要性;最后,整合外部注意力模块,以外部记忆单元和附加计算来引导网络的特征提取和预测,从而显著提高模型的识别率和鲁棒性.实验结果表明,本文提出的MEANet在ShipsEar数据集上的水声信号识别率达到98.84%,显著优于其他对比算法,证实了其有效性.     

基于子波变换的水下目标辐射噪声特征提取方法

将子波变换和多分辨分解算法，分别应用到水下目标辐射噪声的线谱和调制谱提取中。文中主要介绍了基于离散子波变换提取辐射噪声线谱的方法、基于多分辨分解算法提取辐射噪声调制谱的方法；在此基础上，以某型号水下航行器实测辐射噪声为例，进行了仿真研究，通过比较仿真结果与该水下航行器的相关数据，验证了该方法的正确性和可行性。     

基于改进视觉词袋模型的水声目标识别

水声目标识别的任务是通过采集到水声目标的信号来对目标进行分类,在海洋勘探,监听技术等领域有着非常重要和广泛的应用.由于海洋环境的复杂性,以及船只目标发动机的多样性以及噪声的存在,水声目标识别是一个困难的任务.传统的特征提取方法无法提取到足够有效的特征表示,充分地表示目标.为了解决这个问题,本文提出了一种基于改进的视觉化词袋模型的水声识别算法,通过使用视觉化词袋模型对频谱图进行高维的特征提取,然后使用了自然语言处理领域中常见的词频-逆文件频率(TF-IDF)算法来对得到的特征向量进行权重调整,然后输入到多层感知机中,对水声目标进行分类识别.实验结果表明,本文提出的识别算法取得了92.53％的正确率,相比于当前效果最好的深度玻尔兹曼机(DBM)算法有了明显的提升.     

基于泛化高斯模型infomax算法的水声信号盲分离

在信号盲分离领域中,信息最大化算法是一种比较成熟的算法,尤其在处理语音信号盲分离问题中,有着较好的效果.通过对水声信号幅值分布的研究,将基于概率密度函数估计的信息最大化算法运用到水声信号盲分离中,并通过仿真实验比较了基于不同概率密度函数的信息最大化算法对水声信号盲分离的效果.ICA算法的成功与否取决于它的概率密度模型是否能较好的拟合信号本身固有的统计分布.通过对船舶辐射噪声信号的盲分离实验证明了GGM能较好的拟合船舶辐射信号及海洋噪声信号这两种不同的概率分布.     

远程水声通信的MC-MPSK方法

远程水声信道是多途、时变、强环境噪声干扰的信道,声波在其中的传输行为十分复杂,加之水声传输的带宽有限以及通信载波频率较低,使得水声通信传输距离和数据率这一对矛盾尤为突出。如何在增大作用距离的同时提高传输数据率是水声通信的难点。该文在80km海上试验的基础上,提出了适合于远程水声通信的多载波-多相移键控（MC-MPSK）的编码调制解调方法。该方法采用多个载波同时进行多相位调制,即信号的频率和相位同时携带信息。该方法与梳状均衡器结合可在增大作用距离的同时提高传输数据率。对不同多径信道模型,相对运动速度10m／s,不同SNR下的误比特率进行的仿真结果表明,该编码调制解调方法可实现远程、多径水声信道的高数据率传输,并进行了湖试验证。     

基于VME总线的水声阵列信号数据采集系统设计

提出了一种基于VME总线的多通道水声阵列信号数据采集系统的设计方案,该方案中多达36个通道的水声阵列信号由一片Datel公司的ADS927来完成。单通道采样率为80KHz,分辨率为14比特。该系统可用于水下实时阵列信号处理。