一种基于谱估计的被动声呐目标识别方法

为解决被动声呐目标的特征提取与识别问题,通过对被动声呐目标噪声频谱特性的深入分析,给出了一种基于Welch谱估计的目标特征提取方法.对提取出来的特征采用动态规划的方法进行特征选择,得到用于识别的特征向量.对海上实录的多种型号和多种工况的大量噪声样本进行了特征提取和特征选择.采用BP神经网络和最近邻法对噪声样本进行了分类识别实验,结果证实了所提方法的可行性和有效性.研究结果可以用于被动声呐目标识别.

基于调制线谱特征提取的被动声呐目标识别技术研究

目标噪声特征提取和目标分类器设计是被动声呐目标识别系统的关键技术。本文针对被动声呐目标识别 ,首先着重研究了调制线谱特征提取方法 ,然后为了训练神经网络目标分类器 ,本文将遗传算法和BP算法相结合 ,提出了一种新的自适应遗传BP算法。最后 ,对海上实录的三类目标噪声进行了分类识别 ,实验结果表明本文设计的被动声呐目标识别系统具有很好的分类效果。

基于BPSO-KNN算法的被动声呐目标分类识别技术研究

以提取得到的被动声呐目标功率谱特征为基础,采用二进制粒子群(Binary Particle Swarm Optimization, BPSO)优化算法和k最近邻(k-Nearest Neighbor, KNN)分类算法相结合的BPSO-KNN算法进行特征选择和参数优化,分别用KNN分类算法和BPSO-KNN分类算法对实际得到的四类海上被动声呐目标进行分类识别。结果表明,BPSO-KNN算法可对提取的功率谱特征进行特征优化选择,并对KNN分类器进行参数优化,提高了对四类目标的分类精度。该算法在被动声呐目标分类识别方面有参考价值。

基于模糊贴近度的舰船辐射噪声分类

误差反传神经网络在被动声呐目标分类中得到了广泛的应用,但该算法在搜索过程中容易陷入局部最小值,同时使用赢者独活的识别决策策略,导致识别率的下降。针对BP网络的弱点,提出了基于模糊非对称贴近度的舰船辐射噪声分类方法,该方法能在对BP网络不作大改动的前提下,解决神经网络陷入局部最小值的问题和使用赢者独活决策策略导致误识的弱点。实验结果证明了该方法是有效的。

基于模糊贴近度的舰船辐射噪声分类

误差反传神经网络在被动声呐目标分类中得到了广泛的应用 ,但该算法在搜索过程中容易陷入局部最小值 ,同时使用赢者独活的识别决策策略 ,导致识别率的下降。针对BP网络的弱点 ,提出了基于模糊贴近度的舰船辐射噪声分类方法 ,该方法能够在不对BP网络作大的改动的前提下 ,解决神经网络陷入局部最小值 ,同时使用赢者独活决策策略导致误识的弱点。实验结果证明了该方法的有效性。

听觉外周计算模型研究进展

在简单介绍听觉外周特性之后,对近30年听觉外周计算模型的研究及其在语音识别领域的应用进行了评述,针对未来语音信号处理领域中听觉外周的建模,提出了一些设想；讨论了在被动声呐目标识别任务中应用听觉模型的可能性,同时,结合声呐目标识别的特点,对听觉外周模型的适用性建模研究,提出了若干建议。

浅海环境中的匹配模态空间检测器

将水下声传播规律融入到算法设计中可以有效提高被动声呐目标检测性能。当声源位置未知时,广义似然比检测器和贝叶斯检测器分别通过搜索和积分的方式来消除声源位置不确定性的影响。但是,基于有限个信号波前实现的广义似然比检测器和贝叶斯检测器在某些声源位置上存在性能大幅下降的问题。为此,利用水下声传播的物理特性,提出了一种稳健的子空间检测器——匹配模态空间检测器,稳健的意义在于：当阵列获取到的辐射声信号能量给定时,检测器可以在不同声源位置情况下提供相同的检测性能。该检测器通过模态空间一定程度上利用了海洋环境知识,获得了比具有相同稳健性的能量检测器更好的检测性能。典型浅海环境中的仿真实验对比结果表明：匹配模态空间检测器相比广义似然比检测器和贝叶斯检测器的峰值性能下降较小、所需的计算量更少、对环境失配的宽容性更好。