基于极限环的舰船噪声信号非线性特征分析及提取

特征分析及提取是目标分类识别的重要环节．首先应用非线性分析方法分析了舰船噪声的极限环现象,结果表明振动噪声作为舰船噪声的主要成份,其极限环在相空间上存在倍周期或混沌行为．其次,利用分形维数和分布密度比来描绘舰船噪声在相平面上极限环的奇异性和空间形状,并给出了一种新的分维数计算算法．最后,以此作为舰船目标的特征参数送入神经网络分类器用于分类识别水面和水下两大类目标．实验结果表明。从噪声极限环中提取的非线性特征能较准确地区分我们现有的水面和水下两大类目标．、为舰船噪声信号的特征提取提供了一条新的思路     

基于Hilbert-Huang变换的水声信号特征提取及分类技术

水下目标噪声信号是一种典型的非线性非平稳随机信号，Hilbert-Huang变换较传统方法在处理此类信号时具有很大优势，据此本文提出了一种基于Hilbert-Huang变换的水下目标噪声特征提取方法。本文将环境噪声当作一类目标，利用上述方法对涉及两种航行船舶、海洋生物和海洋环境噪声的四类目标信号的特征进行了详细分析，最后对各类目标噪声信号进行了分类识别实验。实验结果表明基于Hilbert-Huang变换提取的特征对各类目标具有较好的可分性，达到了较高的识别率。     

基于二级自适应滤波的水下目标动态谱线增强算法研究

为了从非高斯噪声环境中有效提取水下目标辐射的线谱信号,以提高水下探测系统检测水下目标的能力,提出了基于二级自适应滤波的水下目标动态谱线增强算法,该算法用基于高阶累积量能量幂函数变步长极性迭代的自适应谱线增强器作为第一级,用传统的自适应谱线增强器(ALE)作为第二级,实行串级联接。用输入信号的峭度定义了峭度信噪比,并用此分析了该算法的性能。用水下某目标辐射线谱的实测数据,对该算法的性能进行了仿真研究。结果表明:当环境噪声为瑞利噪声或混合噪声(包含均匀分布、瑞利分布和拉普拉斯分布的噪声成分)时,该算法与ALE算法相比,有良好的抑制抑高斯噪声或非高斯噪声、提高信噪比和跟踪时变信号的性能。     

量测噪声不确定情况下的水下多目标稳健方位跟踪

提出了使用Sage-Husa算法估计量测噪声的集势化概率假设密度(CPHD)滤波方位跟踪方法,实现了量测噪声不确定情况下多水下声学目标的稳健方位跟踪。首先,将水下目标方位的变化建模为Singer模型,利用传统目标方位估计方法的结果作为量测值,将方位估计误差看作量测噪声,建立了方位量测模型。然后,给出了CPHD滤波水下多目标方位跟踪算法,该算法利用上一时刻的方位跟踪结果和目标方位变化模型预测目标方位,并利用量测值和量测模型对预测值进行更新得到方位跟踪结果。最后,考虑到量测噪声方差为决定跟踪性能的重要参数,利用改进的Sage-Husa算法在跟踪过程中实时自适应地估计不确定量测噪声的方差,从而实现了多目标的稳健方位跟踪。经海试数据验证,所提出算法将目标方位测量的平均最优子模式分配(OSPA)误差从10°以上降低至2°,显著提高了方位测量精度。所提水下多目标稳健方位跟踪方法能够有效提高量测噪声不确定情况下的方位跟踪性能。     

感知线性预测在水下目标分类中的应用研究

提出了基于感知线性预测(PLP)的模仿人耳听觉特性来提取水声信号鲁棒特征的方法。运用听觉心理学的三个概念: (1)临界带谱分析、(2)等响度曲线、(3)强度响度听觉幂率,形成估计听觉谱的方法,可获得一个12阶全极点模型的鲁棒特征矢量。运用这一特征矢量进行训练和识别的实验结果表明:(1)在不同的频率段内,人耳对6类目标辐射噪声信号敏感程度是不同的。(2)提取的基于听觉感知水下目标特征具有鲁棒性。(3)通过此方法提取的特征维数较低,运算速度快,识别的正确率比以往有所提高。     

水下激光目标的统计对消分割法

水下激光目标的识别是一个崭新的研究领域,有许多问题需要解决,其中,目标分割是关键.水下激光图像中夹杂着严重的散斑噪声,受其影响,要识别水下激光目标,就要对图像进行有效的消噪,然后进行目标分割.本文依据具有相似统计特征的噪声可抵消图像中的相应噪声这一基理,结合小波变换和统计法,提出了一种水下激光目标的统计对消分割法,以去除噪声,提取目标.实验结果表明该方法是有效可行的.     

基于小波与三次样条插值的包迹谱的水下目标分类研究

研究了水下目标辐射噪声中包迹谱特征的提取。包迹波形由目标波形的极大值点连线构建而成。在对目标辐射噪声进行小波变换后,检索了波形极大值点,并采用三次样条插值算法,实现包迹波形的构建。根据构建波形提取包迹谱,最后把提取的特征送入模糊ART神经网络分类器进行识别。实验表明,这种方法对水下目标辐射噪声具有很好的分类效果,同时又能从其包迹谱中观察出原始波形不同程度的周期性。     

水下目标多模态深度学习分类识别研究

水下目标的分类识别对于水声探测具有重要意义。提出一种水下目标多模态深度学习分类识别方法。针对水声信号的一维时域模态和二维频域模态特征建立一种多模态特征融合的深度学习结构,结合长短时记忆网络和卷积神经网络的优点,对一维时域信号和二维频谱信号分别进行并行处理,对输出进行典型相关分析,形成特征融合表示,并利用相邻帧的相关性进行参数优化。利用实测水声信号对算法进行了验证。结果表明：提出的算法对于水下目标识别的精度有显著的提高。     

水下噪声音色属性回归模型及其在目标识别中的应用

通过对声音的主观评价与客观分析而建立的主观感受数学模型,在许多领域都有重要的应用. 本文采用多元线性回归分析手段对水下噪声音色属性建立回归模型,提取音色特征并改善水下目标的识别效果. 首先,在前期水下噪声音色属性主观评价实验的基础上,将构成音色属性空间的5个成分的评价分值作为回归分析中的因变量,提取大量与听觉感知相关的听觉特征作为自变量;然后,通过相关分析和改进的逐步筛选法,挑选出反映音色属性的“最优”自变量子集;最后,利用向后剔除回归分析和水下目标识别实验,确定适当的音色模型,并通过假设检验证明该线性模型不仅正确有效,而且能改善水下目标识别效果.     

频域单快拍压缩感知目标方位估计和信号恢复方法

方位估计和信号恢复分别是水下目标定位、跟踪和目标识别的前提。提出了一种阵列频域单快拍压缩感知的水下目标方位估计和信号恢复方法。首先将阵列接收数据变换到频域,取频域单快拍数据作为压缩感知的测量值,然后根据频域快拍对应的频率、搜索方位和阵列流形构造过完备的阵列流形矩阵作为压缩感知的感知矩阵,最后通过基追踪算法估计搜索方位上目标信号和功率,实现DOA估计与信号恢复。宽带仿真实验数据验证结果表明,同等条件下完成同样的目标方位分辨,提出的方法比最小方差无失真响应方法要求的阵元数和快拍数较少,要求的信噪比更低,恢复的目标信号更加准确,波形相关系数达到89%以上。海上实验数据处理结果表明,目标检测能力优于最小方差无失真响应方法,证明该方法可以适用于实际声呐系统。      

An auditory periphery model for improving narrow-band noise recognition rate of underwater targets

The recognition rate of the auditory periphery features decreases when the model is used to identify underwater targets in practice. To solve this problem, an improved method based on Gammatone filter bank is proposed. Firstly, after the reason of the decreasing of the recognition results is analyzed,the mechanism of multichannel data acquisition in acoustic engineering may narrow down signal frequency range, which leads to time-frequency features distortion. Secondly, the Gammatone filter bank is implemented to simulate frequency decomposition characteristics of human ear basilar membrane. Since the class information of the underwater noise signal is mostly contained in low frequency range, the auditory features of the conventional model are interpolated and the channel number of the filter bank and the central frequency of each frequency band are adjusted accordingly to obtain a 27-dimensional feature vector of the narrow-band target signal. The adjusted model may reflect the target's timefrequency feature more precisely. Finally, the performance of the auditory features is tested by a Neural Network classifier. The experiment results show that the modified auditory model is more effective than the conventional ones. The major information contained in broadband signals is reserved and the classification ability for real targets is further enhanced. The recognition results are increased from 82.59% to 88.80%. The modified auditory features effectively improve the recognition rate for underwater target radiated noise signals.     

基于时延神经网络模型的舰船辐射噪声目标识别*

水声目标被动识别是水声信号处理领域的研究热点之一。海洋环境中存在的不规则噪声干扰,使得基于传统方法的水声目标被动识别技术在实际的应用场景中效果不佳。本文采用一种基于时延网络(Time Delay Neural Network,TDNN)模型的舰船辐射噪声目标识别方法,该方法利用目标的短时平稳特性和长时关联特性对目标的声纹特征进行建模,使用梅尔谱图提取目标信号的初级特征,再通过融合注意力机制和时延神经网络的深度学习模型实现高级特性提取,最后再利用余弦相似度实现不同目标的类别划分。该方法在ShipsEar数据集和自行采集的数据进行测试验证,目标识别准确率分别达到79.2%和73.9%,可证明本文方法的有效性。     

使用深度学习的多通道水下目标识别

为解决低信噪比条件下水下目标识别率低的问题,提出一种适用于多通道水听器阵列的深度学习水下目标识别方法。首先是采用子通道特征级联的方法利用多通道信息;在特征提取方面,采用对信号的不同频率区间进行加权的特征提取器,并对提取的特征进行正则规整;最后采用深度神经网络(Deep Neural Network,DNN)实现目标识别。实验首先在仿真条件下对所提出方法的有效性进行验证,结果表明在-15 dB信噪比条件下的五目标识别任务中,使用多通道级联特征的深度神经网络的识别正确率达到96.7%,显著高于基于支持向量机(Support Vector Machine,SVM)的方法。在后续的湖上试验中,深度神经网络的平均正确率达到96.0%,进一步验证了所提出方法的有效性。      

水声JANUS信号的分数低阶时频谱迁移学习识别方法

非合作第三方水下标准协议信号识别在水声通信信号识别中具有重要研究意义。针对浅海水声JANUS信号的特征提取因易受脉冲噪声和多径效应等复杂水声环境影响而导致识别率低下的问题,提出一种分数低阶时频谱和ResNet18 （Residual Network 18）相结合的迁移学习识别方法。首先,选取JANUS固定前导作为识别对象,设计分数低阶傅里叶同步压缩变换（FLOFSST）,以分数低阶操作抑制脉冲噪声,以时频重排特性增强时频集中性。其次,将基于ImageNet的ResNet18预训练模型微调,迁移至JANUS信号和常见水声信号时频图集。仿真表明所提算法在信噪比为-10 dB时JANUS信号的识别率为96.15%,能够有效抑制脉冲噪声并减小多径效应影响,比传统算法识别性能好。海试中JANUS信号识别率达90.00%,证明算法识别准确率和网络的泛化性较高。      

水中目标窄带噪声识别的听觉外周模型

为解决听觉外周模型特征在具有工程背景的水中目标声信号分类研究中识别率下降问题,提出了一种外周模型Gammatone滤波器组修正方法,获得的窄带噪声特征可明显提高水中目标识别性能。首先,分析了识别率下降原因,发现声学工程应用中多通道数据采集,导致信号频率范围变窄,而引起声信号的时频特征发生变化。其次,根据听觉模型用Gammatone滤波器组模拟人耳基底膜频率分解特性、低频信息包含水中目标噪声信号的重要类别特征,对原有的听觉模型特征进行插值,对滤波器组的通道数与中心频率进行适应性修正,得到目标噪声在较窄频带的27维特征,修正后的模型能够更精细地反映出目标时频特性。最后,采用神经网络分类器进行实验。结果表明,修正后的听觉模型保留了原较宽频带特征的主要信息,而且进一步提高了对实际目标的分类能力,识别率由原来的82.59%提高到88.80%。本文提出根据工程应用平台的有效接收频带优化听觉外周模型Gammatone滤波器组的设计,采用阵元级的多通道数据进行分析,侧重于工程应用,解决了多通道数据采集中,由于频带变窄,导致信号的特征信息量下降,进而引起声特征识别性能下降的问题,修正后的听觉模型特征,有效地提高水中目标辐射噪声的识别效果。本文对从事无源声呐目标识别、有源声呐目标识别、带宽受限的多通道声数据采集的时频特性分析研究人员具有一定的参考价值。      

联合稀疏表示在水下目标分类中的应用

水下目标分类识别的性能受所选特征的限制,多特征往往可以获得更加稳定的结果,针对这一问题,提出了一种基于联合稀疏表示模型的水下目标分类识别方法。首先对水下目标回波信号提取3种具有信息互补性与关联性的特征:中心矩特征、小波包能量谱特征、梅尔频率倒谱系数特征,然后应用加速近端梯度法对联合稀疏表示模型进行优化,求解得到最优联合稀疏系数,最后根据最小误差准则确定目标类别。在消声水池开展模拟实验,对6类目标进行分类识别,结果表明:与传统算法相比,提出的算法具有更高识别准确率,并且其执行效率较传统算法有很大提升。      

连续隐马尔科夫模型在多基地目标识别中的应用

多基地声纳组网探测系统是目前大范围水下安保领域的研究热点。综合利用多基地系统中各个声纳节点的信息进行水下目标识别是亟待解决的问题。利用传统的多传感器融合的方法进行多基地水下目标识别,往往忽略了各声纳节点之间的相关性,效果并不理想。针对这一问题,本文提出了利用连续隐马尔科夫模型(CHMM)进行多基地水下目标识别的方法。首先利用RELAX算法提取了目标在不同分置角上回波的强散射点特征,组成观测向量,利用Baum-Welch方法对CHMM参数进行训练,然后计算待识别目标的特征值观测序列在不同模型下的似然概率。对所有目标重复此过程,取概率最大值对应的目标类别为最后的识别结果。在消声水池开展多基地模拟实验,对四类目标进行了识别,利用CHMM方法得到的多基地水下目标融合识别率比多基地声纳下单声纳节点的最高识别率提高了30%。     

基于形状特征的水声图像小目标识别方法

为了抑制背景噪声,提高目标识别准确率,该文提出一种基于形状特征的水声图像小目标识别方法。对含有目标的水声图像进行非局部均值去噪处理后,使用OTSU算法自适应选取阈值对去噪图像进行二值化分割,结合形态学处理获得分割后的目标区域;提取目标区域的矩形度、圆形度、几何不变矩等各项形状参数,将目标的特征向量输入随机森林分类器实现对目标形状的识别。在仿真和实测数据集上分别进行了实验,结果表明,该方法对水声图像中的目标具有较高的识别率,可以实现不同高斯噪声背景下的目标识别,相较于其他方法在识别率上有一定提高。     

时频谱图和数据增强的水声信号深度学习目标识别方法*

水声目标识别一直是水声领域研究的重点问题之一,深度学习方法可以有效地解决目标识别问题,然而,水声样本的稀少限制了该方法的应用。该文 提出一种基于数据增强的水声信号深度学习目标识别方法,该方法以Mel功率谱作为网络的输入特征,通过对原始信号在时域和时频域的拉伸和掩蔽等变换,实现数据扩展和增加泛化性能的目的,最后,利用改进的VGG网络模型实现目标分类。实验结果表明,该文方法得到的水下目标识别准确率(95.2%) 要优于其他4种对比方法,证明了该文提出的网络模型和数据增强方法均有助于提高目标分类性能。