船舶辐射噪声分类卷积神经网络的可视化分析和卷积核剪枝

当前基于深度神经网络的船舶辐射噪声分类研究主要关注分类性能,对模型的解释性关注较少。本文首先采用导向反向传播和输入空间优化,基于DeepShip数据集,构建以对数谱为输入的船舶辐射噪声分类卷积神经网络(CNN),提出了一种船舶辐射噪声分类CNN的可视化分析方法。结果显示,多帧特征对齐算法改进了可视化效果,深层卷积核检测线谱和背景两类特征。其次,基于线谱是船舶分类的稳健特征这一知识,提出了一种卷积核剪枝方法,不仅提升了CNN分类性能,且训练过程更加稳定。导向反向传播可视化结果表明,卷积核剪枝后的CNN更加关注线谱信息。

利用盲反卷积和混沌振子增强船舶辐射噪声解调线谱

针对经典解调方法中心频率、带宽选择困难和解调线谱受带外噪声干扰难以分辨等问题,提出采用盲反卷积和混沌振子方法抑制带外噪声,增强船舶噪声解调线谱。该方法通过Duffing振子预检宽带船舶噪声低频弱周期信号,随后将相应频率作为最小噪声幅值比反卷积(MNAD)方法的先验参数,利用MNAD方法自适应搜索解调频带得到可清晰分辨的高信噪比解调线谱。仿真和实测数据分析表明,该方法较经典解调方法和其他盲反卷积方法,可获取更佳的中心频率和滤波带宽,所得解调线谱的窄带信噪比DF值最高。

基于经验模态分解的船舶辐射噪声特征提取研究

船舶辐射噪声中的线谱分量具有较高的强度和稳定度,通过测定并跟踪线谱,可以精确地估计目标的运动参数。为此,研究基于经验模态分解的船舶辐射噪声特征提取方法。首先,构建船舶辐射噪声数学模型,用于获取船舶辐射噪声信号;然后,运用经验模态分解方法提取船舶辐射噪声的7个经验模态分量和1个余项,并计算船舶辐射噪声经验模态分量的样本熵;最后,选择样本熵最大的船舶辐射噪声检验模态分量作为船舶辐射噪声的特征。实验结果表明,该方法可以准确获得船舶运行设备的辐射噪声,且具备较强的舰船辐射噪声分帧能力。该方法还可以有效地将舰船辐射噪声分解成不同经验模态分量,大大降低了船舶辐射噪声余项接近零。

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。

利用小波包分析和混沌特征提取进行船舶辐射噪声分类

基于船舶辐射噪声信号具有非线性、非平稳的特征 ,提出采用提取船舶辐射噪声信号的非线性混沌特征量和多尺度小波能量特征 ,并将两者综合作为特征参数输入神经网络分类器进行船舶分类识别。实验结果表明 ,该方法能较好地区分不同类型的船舶。

船舶辐射噪声解调谱相位耦合特性与应用

研究了船舶辐射噪声解调谱谐波线谱的相位特性,通过对实际船舶辐射噪声数据分析,指出船舶辐射噪声解调谱线谱中轴频线谱相位和部分谐波线谱相位之和,与叶频线谱相位的差值为零或为一常数,即存在相位耦合关系。给出了频率具有耦合关系、相位差为非零常数谐波信号的高阶累量,并对这种谐波信号的高阶谱进行了仿真计算。研究了船舶辐射噪声解调谱线谱相位耦合特性的利用方法,通过对部分典型弱调制噪声信号高阶谱分析,指出利用相位耦合关系可以提高弱解调谱船舶目标的螺旋桨参数特征提取能力。

短时能量分析及人耳的主观听觉在船舶辐射噪声特征提取中的研究

文章提出了利用短时能量分析与人的主观听觉相结合的方法进行船舶辐射噪声特征提取。通过对实际船舶辐射噪声信号的分析 ,结果表明将船舶辐射噪声的人耳听测特征与信号处理后的数字特征相结合 。

不同正则化方法在船舶辐射噪声计算中对比与试验研究

为研究不同背景下不同正则化参数方法在船舶辐射噪声评估中的适用性,降低辐射噪声计算误差,介绍了基于工况传递路径分析(OTPA)的船舶辐射噪声计算方法,讨论了奇异值分解(SVD)法、基于L-curve和广义交叉验证(GCV)的Tikhonov正则化方法在辐射噪声传递函数求解问题上的适用性,并进一步提出基于准最优(Q-O)判别准则的Tikhonov法。千岛湖舱段模型水下声辐射试验结果表明:在不同环境下,SVD方法性能最差;在正常环境下,L-curve、GCV和Q-O准则方法性能基本相同;随着背景噪声水平的升高,L-curve方法优于GCV方法,而Q-O准则方法优于L-curve方法,可较L-curve降低辐射噪声误差约0.42 dB,较SVD方法降低约1.19 dB。同时,Q-O准则鲁棒性分析表明该参数可近似视为最佳正则化参数,该方法可为后续实船工程应用提供指导。

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。

解调带宽对船舶辐射噪声调制谱的影响

利用傅里叶分解原理建立了幅度调制的船舶辐射宽带噪声信号数学模型，导出了基于平方解调算法船舶辐射噪声调制谱数学表达式。通过理论分析和仿真计算得到了关于调制谱分析两个新的结论：（1）解调性能与解调处理带宽关系：在声呐接收的船舶辐射噪声各频带调制度相同时，解调性能正比于解调所采用的带通滤波带宽，解调所采用的带通滤波带宽越宽，解调谱信噪比越高；（2）宽带解调谱和子频带解调谱之间关系：船舶辐射噪声宽带解调谱可以近似认为各子频带解调谱之和。为了验证以上两点结论，对实际船舶辐射噪声解调谱进行了相应处理，结果与仿真计算吻合较好。

船舶辐射噪声信号相似度评估方法研究

船舶辐射噪声的信号相似度评估结果,可为噪声信号来源判定、仿真信号置信度评价等应用提供一种判断依据。提出一种船舶辐射噪声的信号相似度评估方法,综合了船舶辐射噪声信号的听觉、连续谱、线谱和调制谱特征,针对每一特征选择了具体指标参数和特征相似度的计算方法,然后在各特征相似度基础上实现船舶辐射噪声信号之间总体相似度的计算。利用实测船舶辐射噪声信号进行了数据试验,并给出了详细的评估和数据分析过程。试验结果表明,采用该方法得出的相似度评估数据,与船舶辐射噪声信号的实际相似情况一致,且数值区间的可分性好,因而具有较高的可信度。

船舶辐射噪声盲分离技术仿真研究

基于盲分离的思想,船舶辐射噪声可通过盲源分离技术重构出相应的原始辐射源信号。仿真实验研究了两种情况的源分离:从单船舶辐射噪声信号谐波成分的分离;多船舶辐射混合信号中分离出每条船只对应的原始辐射信号。采用理论模型产生的模拟数据与实际录音数据进行的实验,得到了满意的结果。文中采用神经网络自适应在线学习算法,算法稳定性好、收敛速度快,在极低的信噪比下仍具有很好的分离效果。

复杂工况下船舶辐射噪声仿真

船舶辐射噪声是被动声呐工作的依据。船舶辐射噪声仿真解决了辐射噪声实际数据密级程度高、样本量小的问题。本文在已有辐射噪声原理和模型研究成果的基础上,深入研究辐射噪声连续谱和线谱谱级以及频率随着船舶航速、深度和方位角的变化,重新建立了三大噪声源连续谱的数学模型。针对匀减速、下潜、转向以及悬停后加速等几种复杂工况下的辐射噪声进行了仿真,对结果的理论分析表明,仿真船舶辐射噪声信号的时域和频域波形符合预先设定,符合变化规律。

船舶辐射噪声连续谱相似度评估方法及分析

评估船舶辐射噪声连续谱之间的相似度,首先需要对连续谱特征进行提取、量化,然后利用得到的特征数据进行相似度计算。特征提取和相似度计算方法决定相似度评估方法的有效性。对六种船舶辐射噪声连续谱相似度评估方法进行了算法实现,并使用实测船舶辐射噪声的连续谱对所实现算法的评估效果进行了比较、分析,分析结果可为船舶辐射噪声连续谱相似度评估的算法选用提供参考。

船舶辐射噪声信号的航行声特征仿真方法研究

在船舶辐射噪声信号静态仿真基础上,研究并给出一种通过声强和谱分布变化仿真船舶航行声特征的方法。对静态仿真得到的连续谱和线谱合成信号按时间进行分段,对每段信号的各频率点,依据船舶航行过程分别进行基于水声传播损失的强度调整,并对调整后的各段信号进行合并,再利用调制谱进行最后的信号调制。仿真结果显示,生成的船舶辐射噪声信号具有船舶航行引起的声强、频谱变化声特征,并在人耳听觉上平滑、自然。

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。

一种基于船舶辐射噪声信号改进Mel倒谱系数的目标识别方法

基于船舶辐射噪声信号Mel频率倒谱系数(MFCC)的目标类型识别是目前研究的一个热点。现有方法虽然在无噪声环境下具有较好的识别效果,但是在信噪比较低时其识别效果较差。基于此,文章提出了一种改进的提取MFCC特征参数的船舶目标识别方法,该方法在船舶辐射噪声信号的预处理阶段采用多正弦窗来代替传统使用的Hamming窗进行多窗频谱估计,经过计算得到改进的MFCC参数。试验结果表明,相比传统方法提取的MFCC参数,使用该方法提取的MFCC参数分别在不同信噪比的高斯白噪声干扰下,在BP神经网络分类器中的识别率更高,抗噪声的鲁棒性和稳定性更好。

基于DNN和改进K-means的船舶辐射噪声开集识别方法

为提高船舶噪声识别系统的性能,实现开集识别,提出了基于深度神经网络(Deep Neural Network,DNN)和改进K-means的船舶辐射噪声开集识别方法。首先,采用Welch功率谱估计方法提取船舶辐射噪声的特征;然后,设计并应用DNN模型进一步提取特征向量;最后,使用改进的K-means模型实现开集识别。在实测数据上进行了实验,结果表明,所提方法能实现船舶辐射噪声开集识别,对于实测数据的平均识别正确率为93.5%,较DNN+K-means++方法提高了6.2个百分点。对实测数据添加实验船发动机噪声或渔船噪声进行实验,结果表明,识别方法在其他船只噪声干扰下具有较好的鲁棒性。

基于双对数谱和卷积网络的船舶辐射噪声分类

卷积层平移等变性与线性谱不适配,卷积网络对高维特征的长距离依赖建模能力不足。该文提出一种双对数谱特征用于船舶辐射噪声分类。双对数谱通过重新排列对数谱频点,保证高频端分辨率的同时,规避使用太深的卷积网络。利用双对数谱各行表征同一目标的先验知识,构建卷积网络和目标函数。DeepShip数据集上的试验结果表明,特征维数相同情况下,提出的算法分类正确率比以线性谱为输入的卷积网络提高2.4%以上。

船舶辐射噪声主动模拟技术研究

本文在简要分析船舶辐射噪声时域特征与频域特征的基础上 ,指出了宽带随机声辐射的难点与解决办法 ,系统地论述了声场功率谱控制的原理、反馈控制方式和多频段控制技术 ,介绍了船舶辐射噪声特征提取与模型变换方法及参考谱建库要点 ,提出了模拟器的实现方案 ,并通过声场谱图验证了模拟效果。