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。     

基于密集连接时延神经网络的说话人识别算法*

说话人识别技术是一项重要的生物特征识别技术。近年来,使用深度神经网络提取发声特征的说话人识别算法取得了突出成果。时延神经网络作为其中的典型代表之一已被证明具有出色的特征提取能力。为进一步提升识别准确率并节约计算资源,通过对现有的说话人识别算法进行研究,提出一种带有注意力机制的密集连接时延神经网络用于说话人识别。密集连接的网络结构在增强不同网络层之间的信息复用的同时能有效控制模型体积。通道注意力机制和帧注意力机制帮助网络聚焦于更关键的细节特征,使得通过统计池化提取出的说话人特征更具有代表性。实验结果表明,在VoxCeleb1测试数据集上取得了1.40%的等错误率（EER）和0.15的最小检测代价标准（DCF）,证明了在说话人识别任务上的有效性。     

主成分分析在舰船辐射噪声分类识别中的应用

主成分分析(PCA)是经典的多元统计分析方法,在处理多变量综合问题方面有比较突出的优势。本文主要探讨了主成分分析在舰船辐射噪声信号分类识别中的应用。在经典功率谱的基础上尝试将PCA技术运用在两种不同的方法中,对两种舰船辐射噪声进行了特征提取和分类识别,得到了较好的效果。     

基于多途信道的舰船辐射噪声功率谱密度估计*

针对低信噪比下利用单水听器估计辐射噪声功率谱密度精度较差的问题,提出一种基于多途信道传输函数估计的垂直阵测量估计1 m处舰船辐射噪声功率谱密度的方法。该方法将信道传输函数表示为多途路径近场阵列流形向量的叠加,较快地估计了信道传输函数,将其用于舰船辐射噪声功率谱密度估计,可较简便地估计距声中心1 m处辐射噪声的功率谱密度,即谱源级。分析了产生功率谱密度估计误差的原因,包括信道估计误差和环境噪声引起的误差,为降低估计误差提供了理论依据。仿真结果表明,该方法估计1 m处辐射噪声功率谱密度的性能良好。     

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。     

舰船辐射噪声模拟发射系统的设计研究

本文依据典型舰船噪声的频谱特性规律,设计研制了一套舰船辐射噪声发射系统实验样机,包括信号结构设计、换能器选择配置、系统构成设计等,本噪声模拟发射系统具有100Hz～16kHz频带噪声的模拟发射功能,包括线谱、连续谱成分,频谱分配和谱线形式可调可控,信号总声源级动态范围达60dB。     

匹配场处理舰船辐射噪声级估计方法

针对水声信道对舰船辐射噪声声传播的影响,进而导致声源级测量结果不准确的问题,提出了基于匹配场处理的舰船辐射噪声级估计方法。在海洋环境噪声为空间均匀高斯白噪声的假设下,当海洋环境参数已知、信噪比满足一定要求时,匹配场处理能有效地给出被测噪声源的位置信息及该位置处的能量响应。从能量估计角度出发,推导了声源位置处匹配场输出响应的能量修正因子计算公式,从理论上证明了匹配场处理在被测声源位置处输出响应与能量修正因子的乘积为真实声源级的最小方差无偏(MVU)估计。该方法首先选择合适的声场计算模型计算拷贝场向量,对接收到的辐射噪声信号进行匹配场处理,得出接收信号级和被测声源位置;其次利用该位置所对应的拷贝场向量替换能量修正因子公式中的真实信道传输函数以计算能量修正因子的估计值;最后由接收信号级与能量修正因子估计值相乘得出舰船辐射噪声声源级的MVU估计。针对典型的浅海水声信道,进行了计算机仿真试验,结果表明:该方法能有效地进行舰船辐射噪声测量,当信噪比满足一定要求时,测量得到的声源级与实际声源级相比,误差小于1 dB。     

基于LVQ神经网络的目标识别技术

通过对目标特征的分析比较,选取不变矩作为识别特征.为了达到很好的识别效果,对不变矩做了优化处理.采用LVQ神经网络技术建立了识别模型,提高了识别速度.运用有限的样本对目标识别技术进行了测试,结果表明采用此技术后的识别成功率较高,平均约为98%,识别速度快,每幅二值目标图像的识别时间约为16 ms.     

基于兴趣区域掩码卷积神经网络的红外-可见光图像融合与目标识别算法研究

建立权重独立的双通道残差卷积神经网络,对可见光与红外频段下的目标图像进行特征提取,生成多尺度复合频段特征图组.基于像点间的欧式距离计算双频段特征图显著性,根据目标在不同成像频段下的特征贡献值进行自适应融合.通过热源能量池化核与视觉注意力机制,分别生成目标在双频段下的兴趣区域逻辑掩码并叠加在融合图像上,凸显目标特征并抑制...     

机动目标的噪声识别和定位系统的研究

本文介绍了一种机动目标噪声识别和定位系统硬件组成，工作原理及系统的软件设计方法，对于在系统中解决的几个主要技术问题进行了论述。     

船舶辐射噪声信号仿真及评价

船舶辐射噪声信号仿真应尽可能多地仿真特定船舶辐射噪声的信号特征,达到具体应用对信号仿真度的要求。对船舶辐射噪声仿真信号进行评价,是调整仿真参数和判定仿真信号是否达到要求的必要步骤。该文给出了一套对实测船舶辐射噪声信号进行重构仿真及评价的方法,仿真过程考虑了信号的听觉、连续谱、调制谱和线谱特征,评价方法对各特征进行指标提取和量化,并通过实测与仿真信号之间的相似度计算评价仿真信号的仿真度。对实测船舶辐射噪声信号进行重构仿真的试验结果显示,仿真信号具有较高的特征仿真度,与计算的仿真度评价数值一致。     

基于变分模态分解和对称相关的目标舰船线谱检测

线谱检测是水下目标识别中的一个重要研究方向。针对舰船辐射噪声线谱信号检测与提取的需求,该文改进提出了一种基于变分模态分解和对称相关的降噪处理方法,研究了与目标线谱信号不相关的加性高斯噪声消除办法。假设舰船辐射噪声除线谱成分外均为高斯噪声,对舰船辐射噪声中线谱成分进行检测。理论推导、仿真计算与实验数据处理结果均表明,该文提出的方法能较好地检测加性高斯噪声背景下的线谱成分,较传统的相关方法更为有效。     

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。     

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。     

海面干涉对船舶水下辐射噪声测量的影响及其消减方法

针对海面干涉对船舶辐射噪声测量的影响,进而导致声源级测量不准确的问题,文章给出了利用时间平均、深度平均、1/3倍频程谱级3种数据处理方法减弱海面干涉的影响,通过模型仿真验证了以上方法的有效性。根据船舶水下辐射噪声测量的国际标准,在浅海测量了某新型科考船不同航速下的水下辐射噪声,并采用前述方法进行了数据处理与分析。计算了不同航速下被测船舶辐射噪声1/3倍频程频带声压级,并与挪威船级社发布的辐射噪声衡准值进行了对比。结果表明被测船舶噪声低频控制较好,高频控制较差,高航速(13 kn)被测船舶的2 kHz以上辐射噪声大于衡准值。     

基于听觉特性的舰船辐射噪声信号仿真

针对工程应用中对舰船辐射噪声信号仿真结果在听觉感受上模拟度欠佳的问题,建立了一种基于音色参量谱质心的辐射噪声仿真方法。采用基于实测谱的连续谱仿真模拟,并且通过整体对比实测信号的听觉特性来搜索符合特征样本音色的线谱族幅值参量,在一定程度上改善了仿真信号的听觉特征。通过仿真最优匹配度趋势来寻求最优搜索次数,用以缩短仿真时间,得到了符合工程应用的结果。     

基于组合支持向量机的水声目标智能识别研究

为解决水声目标小样本模式识别问题,有效地提高复杂海洋环境中的识别精度,提出了一种基于经验模式分解(EMD)、特征距离评估技术(FDET)和组合支持向量机(CSVMs)的水声目标智能识别方法。首先,将滤波、Hilbert包络解调和EMD等信号处理方法对水声目标的辐射噪声信号进行预处理,提取7个包含原始信号和预处理信号的时域和频域统计特征的特征集。然后,通过FDET从原始特征集中选择出7个敏感特征集。最后,将7个敏感特征集输入到7个支持向量机分类器中,利用遗传算法对7个分类器的结果进行合并,构成CSVMs分类器,从而实现对水声目标的智能识别。将该方法应用于舰船等水声目标的识别中,研究结果表明,该方法的识别性能优于单一SVMs分类器:同时,经过FDET得到的敏感特征集能明显地提高识别精度。     

基于核的k-最近邻在水下目标识别中的应用*

针对水中目标特征类型多、非线性强的特点,本文将K-KNN应用于水中目标识别。该方法采用PCA对特征矩阵进行降维,利用Kernel技巧将降维后的特征映射到高维空间进行KNN分类识别,并讨论了邻近点个数K对试验结果的影响。实际试验数据验证结果表明：与传统的KNN和BP神经网络分类器相比,K-KNN分类器的综合性能更优。     

Researches on the measurement of distribution image of radiated noise using focused beamforming

A method using focused beamforming to measure the distribution image （underwater image） of submarine and surface ship＇s noise sources is presented. Level linear array can measure the target image on water level, but the multi-path interference of underwater acoustic channel may affect the quality of it. Virtual time reversal mirror and virtual array can both solve the problem very well; they make the image with high resolution.