基于多类别特征融合的水声目标噪声识别分类技术

目标噪声信号作为当前水声目标识别的主要信号源之一,由于目标信号来源单一,难以像多传感器探测不同角度表征目标特性,导致目标识别分类正确率低、虚警率高,严重制约水声探测系统功能的发挥。针对这一问题,采用长短时记忆网络,建立多层LSTM水声目标噪声特征提取模型,学习提取目标噪声时域包络、DEMON线谱、梅尔倒谱系数等信息特征,构建多类别特征子集;在此基础之上,建立了基于多类别特征子集的特征级融合识别分类模型和基于D-S证据理论的决策级融合识别分类模型;利用样本库数据对上述模型进行了测试,对比多类别特征融合判别与单一类别特征识别分类的差异,并使用港池相关试验数据对上述模型进行了测试验证。测试结果表明,提出的基于多类别特征融合的水声目标噪声智能识别分类方法判别效果更好,对水声目标噪声信号识别分类的正确率和虚警率等相关指标均优于单一类别特征判别方法。

基于稀疏降噪自编码器的水声目标噪声数值特征提取方法

为提高水下目标识别泛化能力,以水中目标辐射噪声功率谱作为处理对象,将深度学习中的稀疏降噪自编码器用于水声目标噪声数值特征提取,构建含多隐层的稀疏降噪自编码器模型,并以基于Fisher准则下的类内距离和类间距离作为数值特征评价准则,通过仿真和实际数据分析,对稀疏降噪自编码器的特征提取性能进行了检验和评价。结果表明,稀疏降噪自编码器是一种有效的水声目标噪声特征提取器,所提取的数值特征具有较好的可分性,可为水声目标识别提供依据。

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。