舰船噪声识别(Ⅰ)──总体框架、线谱分析和提取

本系列文章的工作是在舰船噪声谱图的基础上，利用模糊神经网络对舰船进行分类识别。文章Ⅰ叙述了舰船噪声的谱特征由可分离的平稳谱和非平稳谱组成，介绍了既利用有效识别特征（有类别共性和异性的特征）又对特定舰船特征作专门记忆的工作路线及识别框架，对特定舰船的记忆具体体现在特定舰船特征模库一包含有线谱模板库、双重频率谱模板库和平均功率谱模板库。文章Ⅰ又具体讨论了特征提取和建立线谱模板时所碰到的理论、模型、分析参数及线谱提取方法，舰船噪声实际情况和理论之间的差异等问题。文章最后介绍了用机器自动提取线谱的一种方法。系列文章Ⅱ将讨论线谱稳定性、唯一性和线谱模板图；文章Ⅲ将讨论双重谱和平均功率谱的特征提取和模板建立；文章Ⅳ将讨论模糊神经网络和识别。

舰船噪声识别(Ⅱ)──线谱稳定性和唯一性

本系列文章的工作是在舰船噪声谱图的基础上，利用模糊神经网络对舰船进行分类识别．本文是系列文章的第二篇，研究如何用线谱模板来记忆特定舰船的稳定线谱特征和涉及的一些问题．首先调查线谱分析参数──平均时间、平均次数对线谱稳定出现的影响，比较了两个不同平均次数对线谱稳定出现的影响，稳定线谱（出现率＞70%）和不稳定线谱的比例，说明了利用稳定线谱作识别时需作长时间的平均．研究了利用稳定线谱建立舰船线谱特征模库时所用的统计方法，稳定性的限定和有关参数的定义．在43条舰船65种情况1000多个样本（原始记录时间总长约为3．5小时）中调查了线谱稳定性和稳定线谱的唯一性，调查结果说明唯一性在统计意义下成立，其平均重叠率为5％，无稳定线谱的舰船占8％．对于线谱数量丰富程度的特征，不存在甲类舰船线谱丰富，而乙类舰船线谱不丰富的规律．

舰船噪声识别(Ⅲ)──双重谱和平均功率谱的特征提取和模板图

本系列文章的工作是在舰船噪声谱图的基础上，利用模糊神经网络对舰船进行分类识别。本文是系列文章的第三篇，研究提取双重频率功率谱中调制信息的方法及建立双重谱和平均功率谱模板图。对双重谱，在每个频道中利用最小二乘法消除趋势项，对高频调制作适当补偿。包络线谱的强弱用谱线低于零频谱强度的调制深度和诺线跳出基线的相对高度来表示，并通过隶属函数转换为模糊度量。双重谱模板图记忆了稳定出现的调制线谱和相对应的调制强度。平均功率谱的模板图记忆了多个典型样本的谱均值和对应的标准离差。

舰船噪声不同窄带包络间相关

给出了舰船噪声不同中心频率窄带包络间相关系数（频间包络相关）R和滤波中心频率差值（频差）△fni、起始滤波中心频率fn的值、滤波带宽△f以及时延τ的关系,并和海洋环境噪声的R～△fni曲线进行了比较。结果表明,舰船噪声频间包络相关和海洋环境噪声频间包络相关有显著差异。

舰船噪声识别(Ⅳ)──模糊神经网络识别

本系列文章的工作是在舰船噪声谱图的基础上，利用模糊神经网络对舰船进行分类识别。本文是系列文章的第四篇，研究模糊神经网络用于识别分类．选用了多层前馈神经网络和BP学习算法，推导了学习过程中模糊器参数的调整公式，最后给出1049个样本（41条舰船，63种工况，原始记录长约3．5小时）的识别分类结果，识别正确率大于92％。

舰船噪声调制谱谐波族结构特性理论分析

通过理论推导和样本分析,研究了舰船噪声调制谱谐波族特征蕴含的结构特性和应用于识别的相关问题。针对螺旋桨叶片数识别问题,建立了螺旋桨空化噪声信号模型。进而根据模型理论上推导了谐波族结构特性的表达式,并对叶片数类空间进行了分析,分析结果可作为专家知识应用于识别。然后,以采用小波包分析提取的大量海上实测目标特征样本为基础对结构特性进行了验证,结果表明:统计平均结果与结构特性表达式完全一致,且78．6％的样本基本符合结构特性。

基于多重分形的舰船噪声特征提取

提出了舰船噪声功率谱的多重分形特征 ,研究了多重分形的小波变换分析方法 ,给出了康托三分集上多重分形分析结果 ,并进一步用于舰船噪声功率谱 ,在功率谱子带划分的基础上定义了舰船噪声的奇异测度 。

舰船噪声信号的混沌特性研究

以 Takens定理为基础 ,研究了延迟坐标法用于舰船噪声信号的重构。采用 FNN( falsenearest neighbors)法得到了三类目标舰船噪声信号的最小嵌入维数。通过相空间重构 ,得到了它们的奇怪吸引子。

基于耳蜗模型的舰船噪声谱分析

为提取舰船噪声听觉特征,应用被动长波模型对舰船噪声进行了分析,得到噪声信号的二维时空分布。给出了4种一维特征,它们能够分别从不同侧面反映舰船噪声时频幅特征,同时简化了特征的描述方式。大量实验表明:基于听觉模型特征分析结果,较全面地反映了舰船噪声的听觉特征,为被动声纳目标识别提供了新的特征分析方法。

海洋环境噪声与舰船噪声的频间相关与群延迟特性

本文研究海洋环境噪声与舰船噪声的频间相关与群延迟特性。理论与实验结果表明，舰船辐射噪声的频间相关远大于海洋环境噪声的频间相关，远距离舰船噪声的频间相关存在显著的群延迟。

基于听觉感知的不同航速稳态舰船噪声合成

声纳人员培训和人耳辨识舰船声实验中常需要完备的敌我舰船辐射噪声样本,但实录各国舰船噪声几乎是不可能的。因此,合成与真实水下声样本听觉感知相同的舰船辐射噪声十分必要。研究了舰船航速对其辐射噪声的影响及人耳听音的临界带通特性,通过已知的零散舰船噪声样本合成目标舰船在其它未知状态下的辐射噪声。采用临界带通滤波和线谱迭加方法,分别合成了目标舰船在低、中、高三种不同航速下的稳态辐射噪声。为了验证合成声的有效性,进行了主观评价实验,采用成对比较法验证了15组不同航速状态下的合成舰船噪声样本。结果表明,合成舰船噪声样本能够被人耳有效识别,准确率达93%。

特征相似的舰船噪声模型可信性分析

舰船噪声建模是研究水声信号处理和声纳系统的关键技术。从舰船噪声的时频域特性出发建立适应性广的舰船目标噪声模型,提出基于特征相似的模型可信性评估方法,并对舰船噪声模型进行可信性分析。

舰船噪声听觉节奏特征

舰船噪声调制包络能反映舰船噪声听觉节奏特征,但在对其进行谱分析和特征提取过程中会损失部分信息。直接将舰船噪声包络可视化,并采用简单的人机交互提取特征量,对噪声分析和识别是有利的。包络分析采用多子带融合方法,将"最优"调制包络看作一种随机过程,并将舰船噪声的多子带检波信号看作是对"最优"调制包络的一次观测,对其作循环相关,用有限次观测的集种平均作为"最优"包络的估计,从而得到多子带融合包络,舰船噪声实测数据验证了该方法的有效性。

舰船噪声的状态空间重构与特征压缩

介绍了以Takens的嵌入定理为基础的状态空间重构混沌信号处理方法,为了降低特征维数、减小特征成分的相关性、突出特征的差异性,同时引入了K-L(Karhunen-Loeve)变换。利用舰船噪声信号的混沌特性,提出了一种基于状态空间重构与K-L变换相结合的特征提取方法,并用此方法对舰船噪声信号进行特征压缩。计算机仿真结果表明该方法具有较好的分类效果。

基于分段拟合的舰船噪声线谱特征提取

提出了一种基于分段拟合的提取舰船噪声信号功率谱中线谱特征的方法。该方法利用分段拟合方法拟合出信号功率谱的连续部分,从原始功率谱中减去连续谱得到拉平的线谱分布,然后进行线谱特征提取。实验证明了该方法的有效性,而且分类效果很好。

舰船噪声听觉特征增强方法

为改善新声呐兵听音训练效果,强化噪声样本中与目标属性紧密相关的听觉特征,将处理后的舰船噪声用于听音训练,提高舰船噪声样本利用率。提出的舰船噪声听觉特征增强模型及其实现方法主要包括四个步骤:噪声分解、子带分析、子带加权、噪声重建。首先采用多分辨分解将舰船噪声信号划分为若干子带,对子带进行逐个地听音分析和各种谱分析,选择特征信息稳定且丰富的子带进行强化,选取并微调各子带加权系数,采用多分辨分析理论重建舰船噪声,并根据重建噪声的功率谱、包络谱分析和听音分析结果调整加权系数,进而用于听音训练。仿真分析中,采用听音分析和谱分析比对原始噪声和重建噪声,验证了该方法的合理性和实用价值。

舰船噪声包络谱分析

用希尔伯特变换求舰船噪声信号的包络谱 ,通过对实测舰船信号的分析 ,讨论了舰船信号包络谱和功率谱之间的关系。

浅海舰船噪声声强流的垂直方向性

浅海环境中,确定性声源的多途声信号干涉使得接收点处声强流的方向发生改变,不再与声源位置处的声强流方向一致。只测量声场的标量声强时,无法得到接收点处声强流的垂直方向性,而基于简正波矢量场建模和仿真,可获得理想条件下宽带点声源激发声场声强流的垂直方向性。本文采用单矢量水听器进行海上实验,获得了海洋环境噪声和干扰条件下舰船噪声声强流的垂直方向性。仿真和实验结果表明:远场条件下,浅海干涉现象引起接收点处声强流的方向(极角)随频率和距离变化,其时间-频率分布呈现与LOFAR谱干涉条纹相似的条纹,声强流的极角值主要分布在70?～110?范围内。

基于现代信号处理技术的舰船噪声信号DEMON分析

DEMON分析是舰船噪声目标识别的重要分析手段之一。通过DEMON分析可以获得诸如舰船螺旋桨转速、螺旋桨叶片甚至舰船的车数等不变的舰船物理特征。在过去的DEMON分析中,通常采用经典的周期图方法。本文采用了高阶谱分析、小波的子频带分析以及基于互相关函数矩阵奇异值分解等方法,对舰船噪声信号进行了分析。从对大量的舰船噪声信号的分析来看,在大多数情况下现代谱分析技术具有优势,但并不是所有情况下其性能均优于周期图方法。

舰船噪声传递路径建模方法分析

本文以船艇为例,从船舶舱室噪声源及传递路径角度考虑,建立一种应用性广且可变的舰船噪声模型。采用模型识别的方法来提取舰船噪声有用信息。根据噪声贡献的大小,把船舶舱室分为若干个板块及子板块,基于Dijkstra算法,寻找船舶舱室噪声的主要传递路径,并给出相应的降噪措施,为船舶舱室噪声设计提供科学依据。