基于深度学习的船舶辐射噪声识别研究

为了改善船舶辐射噪声识别系统的性能,进一步提高船舶辐射噪声识别的正确率,该文提出采用一种基于深度学习的船舶辐射噪声识别方法。该方法首先提取了船舶辐射噪声的频谱、梅尔倒谱系数等特征,将提取特征后的图像样本分别用于训练卷积神经网络和深度置信网络,再对船舶辐射噪声进行识别。通过文中所给实例,将深度学习和支持向量机两种识别方法的性能进行比较,得出深度学习方法可以有效地提高船舶辐射噪声识别正确率的初步结论。  

被动合成孔径的非对称双线阵相位校正方法研究

提出了一种基于被动合成孔径的相位校正方法,有效地解决了因为首阵元未对齐(非对称)而引起的双线阵左右舷误判问题。利用被动合成孔径的方法,将其中一个单阵通过相位校正合成为一个虚拟单线阵,新的虚拟单线阵和另一个实际的单线阵构成首阵元对齐的双线阵,恢复了双线阵的对称性,因此可以纠正非对称双线阵导致的左右舷误判。通过数值仿真和海试试验数据的对比分析,说明这种算法可以解决非对称双线阵左右舷误判问题,且方法简单易于实际应用。  

联合多站阵元域数据的水下目标检测与跟踪

为了提高复杂海洋环境中目标的检测、跟踪性能,提出一种联合多站阵元域数据的水下目标检测与跟踪方法.该方法采用序列马尔科夫链蒙特卡洛思想对目标进行采样更新,通过对接收概率中的后验概率以及采样函数进行分解展开,并根据多站阵元域数据计算采样粒子的联合似然,在迭代过程中实现目标数目和目标状态的联合估计.研究结果表明,该方法对单目标的平均定位误差在较高信噪比下能够稳定在50 m以内,对多目标随机出入场景中新生及消失目标实现有效检测,同时对强干扰下弱目标及交叉目标实现有效检测跟踪。仿真结果和海试数据均验证该方法具有良好的目标检测与跟踪性能。  

采用条件波数谱密度函数的宽带高分辨方位谱估计算法

针对宽带高分辨方位估计存在方位估计偏差大、算法复杂度高等问题,提出了一种基于条件波数谱密度(Conditional Wavenumber Spectral Density based,CWSD-based)的宽带高分辨方位谱估计算法.该算法利用条件波数谱密度将阵列信号转换到频率-波数空间,宽带信号能量在该空间的坐标呈现与入射角相关的线性分布,通过借鉴直线检测原理,实现邻近目标的高分辨方位估计,且无需预估角度和信源数等信息。仿真结果表明,该算法理论分辨率与处理最高频率成反比,估计均方误差约为0.1°,对阵形畸变鲁棒,运算效率高。海上试验数据表明,本文方法在方位分辨率、弱目标检测、非目标向噪声抑制、稳健性等方面都优于宽带常规波束形成和最小方差无畸变算法,在实际海洋中可实现超低旁瓣高分辨波达方向估计。  

稀疏信道条件下正交多载波扩频水声通信无导频信道估计算法

提出了一种无导频信道估计算法,该算法首先利用水声信道的稀疏特性对扩频信号进行识别,再利用扩频信号识别结果对水声信道响应进行判决反馈估计,从而实现对稀疏水声信道响应的可靠重建。仿真和湖上试验结果证实:无导频信道估计算法可以在不降低通信质量的前提下,实现对水声通信信号的稳健均衡,提升水声通信速率。  

高速运动目标的自适应线谱增强算法研究

本文研究了低信噪比、目标高速运动情况下,多普勒频移较大时针对线谱信号的自适应增强算法。对海试数据的分析表明,常规自适应线谱增强算法对多普勒频移下的线谱增强效果明显,但要求信噪比较高,且实时性较差;基于高阶累积量对角切片的自适应线谱增强算法对非线性高斯色噪声下的线谱增强效果显著,但对低信噪比环境下变化线谱的跟踪性能较差;频域批处理自适应线谱增强算法对低信噪比下的线谱信号具有很好的增强效果,降低了运算量。  

基于亮点模型的典型水下目标回波信号仿真

本文对典型水下目标回波信号进行了仿真研究。此仿真基于声纳目标回波的亮点模型理论,通过成分及时序分析,针对具有球冠形头部和圆柱壳体的典型水下目标的结构特征,建立计算模型并仿真回波信号。仿真结果与湖海试实验结果的对比表明此仿真模型与实际情况基本一致,可以为声纳信号处理、目标识别等方面的研究提供支持。