舰船辐射噪声超混沌现象研究

水下弱目标探测和识别一直是水声信号处理领域中研究的难点。从Lyapunov指数谱、吸引子相空间轨迹的演化、分形维数等方面，对船舶辐射噪声是否存在超混沌现象进行了研究。实验结果表明，船舶辐射噪声信号确实存在至少两个正的Lyapunov指数，即存在超混沌现象。辐射噪声吸引子在相空间中的轨迹具有多方向伸展的趋势，且不同类型目标的吸引子具有不同的分形维数。研究结果为建立精确描述辐射噪声信号的非线性模型、为水下弱目标信号探测和识别提供一定的理论依据。     

船舶水下辐射噪声信号理论模型及仿真

分析典型船舶水下辐射噪声实验数据,获取船舶水下辐射噪声功率谱特征,阐明了准周期随机声脉冲序列信号模型作为船舶水下辐射噪声模型的合理性和普适性,在此基础上,引入爆炸衰减型余弦脉冲信号作为该模型的基本组成单元,给予理论分析,据以数值构建船舶辐射噪声,并与海上试验获取的商船辐射噪声数据进行对比,结果明显一致,证明了该方法的有效性和实用性.     

船舶辐射噪声的自然尺度特征

船舶辐射噪声是非常复杂的,寻找新的特征是目前水下目标识别中的一项非常迫切而艰巨的任务。本文在研究了相空间重构技术的基础上,基于混沌信号的自然尺度提出了一种新的船舶辐射噪声的特征提取算法,此特征在分类识别实验中获得了比较好的效果。实践证明,船舶辐射噪声的自然尺度特征是一种比较有效的特征,它不仅具有较好的实时性,而且具有较高的识别率。     

水声被动目标识别技术挑战与展望

低频水声探测和船舶减振降噪技术发展,使得传统水声目标识别技术性能逐渐下降。该文分析了声呐工作带宽、探测频率、船舶减振降噪给识别技术带来的挑战。针对低频声呐广泛使用的低频线谱识别,研究了低频线谱的识别能力问题;针对智能识别技术发展,研究了深度学习技术在船舶辐射噪声识别中的应用问题,并给出了数据试验结果,文章最后指出了水声被动目标识别技术亟需开展的研究内容和方向。     

水下目标辐射噪声时间序列的非线性降噪处理

噪声是信号检测和目标识别的障碍．对水下目标辐射噪声降噪,过去常用线性的方法来对信号进行滤波。对于线性系统产生的信号,用线性滤波方法可以达到较好的效果但对非线性系统产生的信号或受非线性因素影响较大的信号,用线性滤波万法不能很好地滤除噪声,已经证明,水下目标辐射噪声信号中具有明显的非线性成分。因此,本文提出运用非线性方法对水下目标辐射噪声时间序列进行降噪处理。通过降噪前后重构吸引子、关联积分曲线斜率及信噪比的比较,表明该方法对去除水下目标辐射噪声时间序列中的噪声干扰十分有效。     

水声目标辐射噪声的低维动力学成分提取及应用

基于非线性动力学理论的水声信号相空间处理,是水声信号处理的一种新途径。实际水声信号在相空间中分析时的首要问题是降噪。本文应用局部几何投影法提取不同目标辐射噪声的低维成分,输出相图呈现出较明显的低维吸引子。在此基础上,用吸引子维数和反映动力学模型差异的交叉预测误差对样本进行了分类研究,结果表明,综合这两种分别反映几何性质和动力学性质的特征,可达到一定的分类效果。     

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。     

水声信号处理领域新进展

本文介绍近30年来水声信号处理领域理论研究的新进展和在声纳设计中的应用。包括水声信号建模、声场匹配、海洋波导和内波现象的探索和研究、声矢量场信息获取和处理,低频水声信道的时/空相关特性,水下目标辐射噪声的不变特征量提取和检测技术,水下语音、图像传输和抗干扰技术。同时概述,声纳设计的前沿领域:大孔径拖曳线列阵声纳、高分辨力合成孔径声纳、深海传呼机等的发展情况。     

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。