用单个矢量水听器基于DEMON线谱的双目标分辨

不同目标的解调线谱频率是不同的。本文提出了一种在DEMON谱域内对双目标测向的方法,它具有较好的抗相干及非相干干扰能力,表明单个矢量水听器也能分辨多目标。文中叙述了利用DEMON线谱测向的原理,给出了轴频提取及双目标DEMON线谱分离的方法,对DEMON线谱区分双目标的能力做了仿真分析。     

舰船螺旋桨轴频估计中线谱要素提取算法

舰船辐射噪声DEMON谱(调制解调谱)线谱要素提取是舰船螺旋桨轴频估计中的关键步骤。现有的线谱提取技术主要用于功率谱线谱检测,侧重于线谱频率的确定,不能满足舰船螺旋桨轴频估计需求。本文根据DEMON谱线谱的特点及人工提取线谱的过程,设计了一种新的线谱要素提取算法,改进了谱峰筛选技术,将多时刻的DEMON线谱基于最大似然估计和谱峰序列相似度加以融合决策,最终确定了线谱频率和幅值(峰值)及边界。通过实际数据验证,此线谱要素提取算法更适用于螺旋桨轴频估计,可提高轴频估计的准确率。     

矢量线阵目标调制谱提取及模板生成方法

针对矢量线阵跟踪目标DEMON谱提取问题,提出了一种矢量线阵DEMON谱提取及其模板生成方法.该方法可以有效提取DEMON谱成分,利用DEMON谱互谱可剔除干扰DEMON线谱,较有效解决矢量线阵左右舷目标DEMON谱特征混淆的问题.通过海试数据初步验证了该方法的有效性.     

水声目标识别中一种轴频提取方法

针对水声目标解调谱轴频提取中信噪比低和本舰干扰的问题,分析了最大似然比准则下的本舰干扰和目标的轴频检测问题,提出了基于模糊系统的采用累加处理改善信噪比和利用Doppler扩展抑制本舰干扰的轴频提取方法,对实录海上数据进行的试验表明本处理方法有效提高了检测性能。     

基于多分类支持向量机的船舶桨叶数识别研究

分析了目前常用的支持向量机多分类方法以及存在的不足,本文提出了一种混合纠错输出编码的多分类支持向量机改进算法,并应用于利用船舶目标辐射噪声DEMON谱进行船舶桨叶数分类的实验。理论分析与实验结果表明,该改进算法编码明确、具备纠错能力,是一种有效的多分类支持向量机方法,在船舶桨叶数识别中,其分类性能优于一对余、一对一及最小输出编码支持向量机等多分类方法,可适用于船舶桨叶数的分类识别。     

基于DEMON谱和LSTM网络的水下运动目标噪声基频检测*

传统的船舶辐射噪声基频检测方法不仅依赖大量的先验知识,而且对背景噪声非常敏感。为了提高目标识别的稳定性和精确性,本文提出了一种基于深度神经网络的基频检测算法。首先从多通道水听器信号中提取DEMON谱,然后直接将二维谱特征矩阵输入由CNN和LSTM构成的级联网络,最后通过稠密层输出实现对基频的估计。从仿真和外场试验数据得到如下结论：（1）深度网络能够实现无先验知识和不同信噪比条件下的基频检测,具有良好的泛化性能。（2）LSTM网络能够高效地从时序DEMON谱中提取统计特征,提高基频估计精度。（3）输入信号的时间长短会影响网络的检测精度,更长时间的信号能够获得更好的检测结果。     

遗传算法优化变分模态分解提取舰船辐射噪声特征线谱方法

特征线谱提取是舰船目标识别的一个重要研究环节,常采用传统的DEMON谱分析方法,处理过程中,一般对舰船噪声时域信号未予抑噪,低信噪比情况下,传统DEMON谱分析性能差。对此,提出一种采用遗传算法优化变分模态分解方法,用于分解舰船噪声原时域信号,获得抑制噪声后的舰船噪声重构信号,进而有效提取了舰船目标噪声幅度调制特征线谱。该方法首先采用遗传算法优化变分模态分解的两个关键输入参数(分解所取模态个数和惩罚因子),对变分模态分解得到的各阶固有模态分量加以判别,去除噪声主导分量,保留信号主导分量,使重构舰船噪声信号显著抑制了干扰噪声,然后对降噪后的重构信号进行频谱分析,获得目标噪声调制特征线谱。理论分析、仿真和实验数据处理结果表明,相比传统DEMON谱分析法,基于遗传算法优化变分模态分解的舰船噪声特征线谱提取方法具有更好的噪声抑制能力,所获取的舰船噪声幅度调制特征线谱信噪比明显高于传统DEMON方法,具有一定优势,前景良好。     

基于频谱Sevcik维数的目标运动速度估计*

在声目标无源估计应用中,目标与接收器存在相对运动时,接收的目标辐射的噪声信号存在多普勒频移。多普勒频移中包含目标的运动参数信息。针对线谱信号多普勒频移目标运动参数获取问题,提出一种基于频谱Sevcik维数的目标运动速度获取方法。首先利用Doppler-warping变换对接收信号进行重采样,然后对重采样后的频谱信号求Sevcik维数,最后通过寻找Sevcik最小值来实现速度估计。仿真证实了所提方法的有效性,在相同仿真条件下,所提方法相较于频谱求熵算法,速度搜索结果不仅具有更窄的主瓣宽度,而且可提高抗噪性5dB左右。两组实验数据的速度估计误差小于5%,证明了本文算法的有效性。     

基于压缩感知理论的大规模MIMO系统下行信道估计中的导频优化理论分析与算法设计

针对大规模多输入多输出(multiple input multiple output, MIMO)系统信道估计中的导频设计问题,在压缩感知理论框架下,提出了一种基于信道重构错误率最小化的自适应自相关矩阵缩减参数导频优化算法.首先以信道重构错误率最小化为目标,推导了正交匹配追踪(orthogonal matching pursuit, OMP)算法下信道重构错误率与导频矩阵列相关性之间的关系,并得出优化导频矩阵的两点准则,即导频矩阵列相关性期望和方差最小化;然后研究了优化导频矩阵的方法,并提出相应的自适应自相关矩阵缩减参数导频矩阵优化算法,即在每次迭代过程中,以待优化矩阵平均列相关程度是否减小作为判断条件,调整自相关矩阵缩减参数值,使参数不断趋近于理论最优.仿真结果表明,与采用Gaussian矩阵、Elad方法、低幂平均列相关方法得到的导频矩阵相比,本文所提方法具有更好的列相关性,且具有更低的信道重构错误率.     

相干光正交频分复用传输系统中的 无导频相位纠偏方法

提出了一种适用于16-QAM的新型相位纠偏方法,克服了基于M次方算法的传统相位纠错方法不适用于高阶正交振幅调制的缺点.该方法结合正交频分复用调制方式,无需导频即可完成相位盲估计,且计算量较少.本文基于112 Gb/s 1 040 km的相干光正交频分复用传输系统进行了算法验证,并与传统的4次方纠偏方法进行了比较,实验证明该算法适用于正交频分复用和16-QAM调制平台,相位纠偏结果显著优于基于导频的4次方算法.     

基于自适应变异果蝇优化算法和广义回归神经网络的布里渊散射谱特征提取

针对布里渊光时域反射光纤传感系统散射谱的高精度特征提取的要求,提出了一种基于自适应变异果蝇优化算法和广义回归神经网络的布里渊散射谱特征提取算法。不仅利用了广义回归神经网络在逼近能力、学习速度、模型的泛化等方面具有的优势,而且采用搜索能力较强的自适应变异果蝇优化算法进一步增强了神经网络的学习能力,从而提高了布里渊散射谱的拟合度和频移提取的准确度。在布里渊散射谱中心频率为11.213 GHz,线宽为40～50,30～60和20～70 MHz的散射谱白噪声实验模型中,将新算法分别与基于有限元分析的Levenberg-Marquardt拟合法、粒子群优化和拉凡格式混合拟合法、最小二乘法进行预测比较,新算法获得的最大拟合频移误差为0.4 MHz,平均拟合度为0.991 2,均方根误差为0.024 1。仿真结果表明所提出的算法拟合度较好,绝对误差小。因此,将此算法用于基于布里渊光时域反射的分布式光纤传感系统,可有效提高布里渊散射谱的拟合度和频移提取的准确度。     

基于L型延迟阵列调制宽带转换器的信号载频和二维到达角联合估计

针对现有的基于欠采样的频率和二维到达角的联合估计存在结构复杂问题,本文提出了一种基于调制宽带转换器技术的L型延迟阵列接收结构.利用延迟通道与未延迟通道采样值之间的相位差可直接估计载频,进而计算二维到达角,无需额外的参数配对操作,避免了配对步骤引入的误差和复杂度的提升.并结合所提L型延迟阵列结构的特点构造相关矩阵和三线性模型,提出了两种参数估计算法,一种基于旋转不变子空间算法,计算量小,适用于需要实时处理的场景;另一种基于正则分解技术,鲁棒性较好,适用于信噪比较低的应用场景.仿真实验表明该方法能较好地从欠奈奎斯特样本中估计目标的载频和二维到达角参数.     

支持向量机对舰船噪声DEMON谱的分类识别

本文采用径向基核函数的支持向量机的分类算法,实现了对舰船目标的分类识别。对两类不同类型的舰船的辐射噪声的DENOM谱建立了支持向量机模型,并进行了分类识别试验。试验结果表明,在结构风险最小的准则下,采用网格搜索法确定,径向基核函数的参数σ取值0.23、惩罚系数C值取13为最优的分类识别参数。并通过留一法验证,该模型具备良好的推广能力,总体正确识别率为91.2%。     

基于小波系数图和卷积神经网络的太赫兹光谱物质识别

许多太赫兹光谱物质识别方法依靠寻找该物质在太赫兹波段范围内不同光谱表现出的不同特征来识别特定物质。吸收峰提取法是常用的光谱特征提取算法,但当光谱无明显特征吸收峰或峰位、峰值相近或难以识别时,难以利用吸收峰特征辨别物质。将机器学习和统计学习技术用于太赫兹光谱的识别中虽减少了吸收峰的干扰,但常常需要人为定义特征而导致分类误差。深度学习法能自动提取特征,但在识别前往往需要进行复杂的预处理操作,并且在特征提取的过程中容易丢失部分特征从而导致分类误差。针对以上问题,提出了一种基于小波系数图和卷积神经网络的太赫兹光谱识别方法。利用太赫兹光谱信号进行小波变换时,由于小波系数矩阵的每一行系数与原始光谱信号存在着对应关系,因此将太赫兹光谱的吸收系数通过小波变换在频率域上展开,能得到不同的二维的频率-尺度分布图,又称小波系数图。然后构造一个卷积神经网络(CNN)对小波系数图进行分类,可得到太赫兹光谱物质的分类结果。为了验证所提出算法的有效性,将三组小波系数图数据与原始光谱数据分别输入CNN、Support Vector Machin (SVM)、Multilayer Perceptron (MLP)三种不同的分类器作对比,从实验结果可以发现本文算法在三组数据中的识别率均达到了100%,说明相比于传统方法,本文方法能准确分类没有明显特征吸收峰的光谱,证明了使用卷积神经网络识别小波系数图的有效性。为了体现本文算法的优势,与小波脊线寻峰识别算法作对比,实验结果表明本文算法几乎不受峰频、峰位、峰值的影响,无论是识别不存在吸收峰的淀粉,还是识别相似度高的蔗糖和葡萄糖,都具有较高的识别率,分类准确率达97.62%,证明了所提算法的优越性。该算法为太赫兹光谱数据识别提供了一种新思路,同时也可以推广运用到其他谱图物质的识别中。