低空目标被动声识别关键技术研究

低空目标被动声探测技术在现代战争中发挥着越来越重要的作用。针对低空目标被动声识别的一些关键技术进行了研究。首先从低空目标声信号与语音信号特征的相似性出发,论证了低空目标被动声识别与语音识别可以采用同样的方法。然后对四旋翼飞行器的声音信号进行了时频分析,提出基于MFCC参数的低空目标识别方法。最后论述了低空目标声音识别技术中的关键技术,重点分析了特征提取中的MFCC技术以及使用动态时间规整(DTW)算法进行仿真识别实验,为低空目标声音识别系统的开发奠定了基础。

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。

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。

地雷智能声引信识别定位技术

本文研究地雷智能声引信识别和定位技术.首先讨论基于小波变换的声信号特征矢量提取技术,然后推导并给出时延估计的最大似然算法和圆阵定位算法,同时给出一些仿真实验结果,最后给出系统实现框图,并分析其工作原理.

基于神经网络的声目标识别融合方法研究

本文介绍了声目标的各种识别方法,将Dempster枛朣hafer证据推理的基本理论应用到声目标的识别中,并用BP神经网络构造出基本概率赋值函数,从而避开了建立质量函数的麻烦,大大拓宽了这种方法的应用范围。本文给出了改进后的BP神经网络算法并给出了识别目标的决策方法。通过实例计算可以看出,该方法可以提高对声目标识别的准确性。

一种新的四元阵列融合声源识别方法

针对声源识别中观测模型线性化误差,信号特征参数提取依赖于经验分析阈值判断而造成信息丢失的问题,从信号观测模型、预处理、特征提取与分类识别、半实物仿真试验等方面,提出了一种新的四元阵列融合声源识别方法。首先在系统坐标系下建立了四元阵列有色噪声环境下的观测模型;其次基于经验模态分解(empirical mode decomposition,EMD)理论,给出了四元阵列EMD融合算法,有效抑制了高频信号的干扰;再次基于梅尔频率倒谱系数-动态时间规整(Mel-frequency cepstrum coefficient-dynamic time warping,MFCC-DTW)方法,设计了阵列信号特征提取与分类识别算法;最后通过半实物仿真试验,并与相关研究基础对比,分别验证了提出的EMD融合算法及阵列信号特征提取与分类识别算法的有效性。

基于频谱动态特征和CS-SVM的装甲车辆识别

针对地面战场装甲车辆目标的被动声识别问题,为实现不同车型在不同工况下的声识别,以常见的3种坦克和4种履带式装甲车为识别对象,建立了一种以频谱动态特征DMFCC为特征提取方法,以布谷鸟搜索(CS)算法优化的支持向量机(CS-SVM)为分类器的装甲车辆声识别模型。采集不同工况下的装甲车辆噪声信号并进行频谱分析,证明DMFCC的有效性。在梅尔频率倒谱系数(MFCC)提取方法基础上,增加能够体现信号动态特征的差分系数,得到DMFCC。利用布谷鸟算法对支持向量机核心参数进行寻优求得全局最优解,得到具有最佳参数优化的支持向量机分类模型。对噪声信号分别进行特征提取和分类器识别实验,结果分析表明,DMFCC中的二阶差分组合系数优于传统MFCC以及一阶差分组合系数。布谷鸟算法得到的优化模型CS-SVM比引力搜索算法(GSA)、人工蜂群算法(ABC)等算法得到的模型具有更高的识别率,达到93%以上。

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。

基于VMD多尺度熵和ABC-SVM的装甲车辆识别

针对新型作战体系下以装甲车辆为主的地面目标的被动声识别问题,为实现不同车型在不同工况下的声识别,以常见的3种坦克和4种履带式装甲车为识别对象,提出了一种基于变分模态分解(Variational Mode Decomposition,VMD)和人工蜂群(Artificial Bee Colony,ABC)算法优化的支持向量机(Support Vector Machine,SVM)相结合的装甲车辆声识别模型。首先,采集不同工况下的车辆噪声信号并进行频谱分析,证明了VMD分解的可行性;其次,对样本信号进行VMD分解,得到不同尺度的本征模态函数(Intrinsic Mode Function,IMF)并进行多尺度模糊熵(Multi-scale Fuzzy Entropy,MFE)的计算,得到多尺度模糊熵特征(VMD-MFE);然后,利用优化算法对SVM进行优化,得到最优参数优化的分类器模型;最后,对噪声信号进行特征提取和分类实验。结果表明:VMD的分解效果优于经验模态分解(Empirical Made Decomposition,EMD)和集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD);与引力搜索算法(Gravitational Search Algorithm,GSA)和布谷鸟搜索(Cuckoo Search,CS)算法相比,ABC算法得到的优化模型ABC-SVM具有更高的识别率,可达94. 14%以上。