基于相关特性船舶辐射噪声DEMON谱信噪比增强算法

基于实测船舶辐射噪声信号的非均匀调制特性,通过时域延时和频域子带2种方式对同一船舶噪声信号进行不同DEMON谱函数的划分。定义不同DEMON谱函数间的平均相关系数和最优DEMON谱函数,提出一种基于不同DEMON谱函数的调制线谱与干扰的统计学相关特性差异来提高所得信号信噪比的算法。实验结果表明,该算法可以提高DEMON谱信噪比,有利于对目标的特征提取和分类识别。

基于线谱和DEMON谱的水声目标分类

为提高水声目标分类准确率,提出了一种基于线谱和DEMON谱的水声目标分类方法。首先,利用线谱提取技术提取目标辐射噪声功率谱的线谱分布特征;然后,利用DEMON谱处理技术提取目标的轴频特征和螺旋桨桨叶数特征;最后,利用BP神经网络技术设计了水声目标分类器,并使用水面和水下2类水声目标的海上实测数据进行了试验验证。试验结果表明,该方法分类准确率较高,特征量物理意义明显,具有工程实用价值。

船舶噪声DEMON谱质量评估方法

针对船舶噪声DEMON谱在技术研究、识别应用和噪声整理中缺乏有效的质量评估方法,提取前12阶轴频谐波线谱信噪比、第一组谐波簇中轴频及其谐波清晰度和叶频清晰度、强干扰线谱强度3种关键特征,设计了一套DEMON谱质量综合评估框架。通过海上实测噪声数据分析表明,该质量评估方法可靠,与实际情况吻合较好。

用单个矢量水听器基于DEMON线谱的双目标分辨

不同目标的解调线谱频率是不同的。本文提出了一种在DEMON谱域内对双目标测向的方法,它具有较好的抗相干及非相干干扰能力,表明单个矢量水听器也能分辨多目标。文中叙述了利用DEMON线谱测向的原理,给出了轴频提取及双目标DEMON线谱分离的方法,对DEMON线谱区分双目标的能力做了仿真分析。

基于DEMON谱信息提取算法的目标识别方法研究

宽带噪声解调(Detection of Envelope Modulation on Noise,DEMON)谱中的轴频叶频,对应螺旋桨转速和叶片数等舰船自身相对特征,这些特征可以作为目标识别的依据。综合运用改进的最大公约数算法和余数门限算法提取DEMON谱中的轴频和叶频,解决了传统最大公约数算法提取轴频叶频误差较大的问题。仿真数据与实测数据的实验结果均验证了DEMON谱信息提取算法的有效性。

基于深度神经网络的水下目标识别技术研究

水下目标的分类识别对国防建设和海洋资源开发有重要意义。该文对水下目标辐射噪声进行处理,通过深度神经网络实现目标的自动分类识别;对水下目标辐射噪声建模,生成水下目标样本,辅助真实数据,对网络模型进行训练和测试;对水下目标辐射噪声进行DEMON谱处理,提取目标特征。该文设计了深度神经网络对水下目标DEMON谱进行分类识别,并给出了网络模型的结构。实验表明:该文提出的深度神经网络能够对5种不同的水下目标进行准确识别,达到设计预期。

对转桨和单桨空泡水筒噪声测量对比试验研究

为了研究对转桨和单桨的目标特性差异,在大型空泡水筒中针对单桨和对转桨的非空泡和空泡工况进行了噪声测量试验,采集了单桨和对转桨在空化条件和非空化条件下的噪声信号。首先针对空泡水筒自身特性进行了分析研究,发现空泡水筒在1.8 kHz和3.8 kHz附近易产生混响干扰。其次,借助数字信号处理技术对测量的声信号进行谱分析,对比研究了单桨和对转桨在空化条件和非空化条件下噪声信号在频域上的差异和规律,并采用频闪仪和高速摄像机对桨叶空泡进行了观察。试验表明,在非空化条件下,相同工况时对转桨噪声级比单桨高6 d B以上,对转桨倍频程衰减值要小于单桨,对转桨和单桨的三分之一倍频程谱在1.8 kHz和3.8 kHz附近会出现峰值,单桨8 kHz附近峰值是由唱音引起;在空化条件下,相同工况时对转桨和单桨三分之一倍频程谱变化趋势基本一致,对转桨噪声级比单桨高3~20 d B。在空化和非空化条件下,对转桨的调制谱特征比单桨复杂,对转桨的调制频段要远大于单桨,对转桨前后桨一阶叶频组合的调制作用最强,而单桨一阶叶频调制作用最强。

利用射线模型快速预报海洋信道对包络谱的影响

包络谱是舰船辐射噪声的特征之一,可作为目标识别的重要依据。快速预报海洋信道对包络谱传播的影响,可对目标识别提供帮助。提出并从理论上分析了用射线模型快速预报海洋信道对包络谱影响的方法,利用这种方法计算了几种典型海洋信道中包络谱随接收距离的变化,分析了声速剖面、海底参数、声源和接收深度对包络谱传播的影响。

基于调制统计量的水下高速目标分类算法

针对DEMON谱调制频率的可分性进行研究。利用高速目标与非高速目标在调制频率成分上的差异性,对目标DEMON谱历程矩阵进行梯度差分和量化处理,定义了目标辐射噪声的量化矩阵和调制统计量,提出了一种基于目标辐射噪声调制统计量的水下高速目标分类识别算法,比较了不同门限情况下高速目标与非高速目标随调制统计量的分布情况。大量实测数据分析表明,此算法可以可靠地对高速目标进行分类识别。

自适应线谱增强器在舰船噪声提取中的应用

舰船辐射噪声的功率谱由连续谱和线谱组成,其中线谱分量常用于目标的检测和识别。对自适应线谱增强器的原理和滤波性能进行了分析,从仿真分析和湖试数据分析两方面得出结论:自适应线谱增强器能够有效地提高输出信噪比,有利于线谱的净化。

低信噪比下的螺旋桨轴频估计方法

螺旋桨轴频是被动声纳极其重要的目标识别特征之一。为了能在低信噪比下正确估计出螺旋桨的轴频,本文模拟人类专家通过分析DEMON图确定螺旋桨轴频的过程,给出了一个自动估计螺旋桨轴频方法。该方法包含两个阶段:第一阶段利用双门限线谱检测方法提高螺旋桨轴频及其谐波对应的线谱的检测性能;第二阶段利用处理后的线谱之间的间隔估计轴频。试验结果表明,本文提出的方法在低信噪比下能够正确估计螺旋桨轴频,明显取得了较好的分析结果。

常规声压与声矢量信号非整数维谱性能比较研究

为解决高阶谱算法复杂、计算量大和声压信号有限的抗干扰能力问题,提出了声矢量信号非整数维谱分析方法.利用可抑制高斯和对称分布噪声的高阶累积量非整数维谱对目标辐射噪声声压信号和声矢量信号进行了特征分析.分别采用功率谱图和三维动态谱图方法对常规声压和声矢量信号非整数维谱性能进行了直观比对.为获得定量分析结果,分别对不同背景噪声环境条件下,不同输入信噪比的常规声压与声矢量信号非整数维谱的轴频PBR及PD进行了详细计算.结果表明,声矢量信号非整数维谱特征提取与轴频检测能力优于常规声压信号,为高阶统计量应用于声矢量信号处理提供了一条途径.

基于Zoom-FFT频谱细化的水声目标螺旋桨轴数提取技术

基于对水声目标调制谱结构特征的分析,在传统包络信号探测(DEMON)谱分析方法基础上,采用细化-快速傅里叶变换(Zoom-FFT)算法,提高轴频位置带宽内的频率分辨率,实现频谱细化处理,从而提取到水声目标螺旋桨轴数。利用实测信号数据及仿真试验数据进行了分析验证。试验结果表明,该算法对于水声目标螺旋桨轴数的识别准确率可达80%以上,具有工程实用价值。

一种基于频谱细化技术的水下目标识别方法

被动声纳目标识别主要是根据目标辐射噪声的不同实现的,如何从水下目标辐射噪声中提取有效的识别特征,是实现水下目标识别的关键环节。文中在分析目标辐射噪声特点的基础上,利用一种改进的高频噪声解调分析(DEMON)方法进行目标线谱提取,在提取线谱的过程中,利用小波变换进行DEMON谱融合得到明显的DEMON线谱,再通过频域周期图法对DEMON谱进行净化,以便可靠地提取线谱。仿真及试验结果验证了所提方法的有效性和可行性。

矢量线阵目标调制谱提取及模板生成方法

针对矢量线阵跟踪目标DEMON谱提取问题,提出了一种矢量线阵DEMON谱提取及其模板生成方法。该方法可以有效提取DEMON谱成分,利用DEMON谱互谱可剔除干扰DEMON线谱,较有效解决矢量线阵左右舷目标DEMON谱特征混淆的问题。通过海试数据初步验证了该方法的有效性。

1(1/2)维谱在舰船辐射噪声线谱提取中的应用

舰船辐射噪声的线谱成分包含有大量的舰船特征信息,是被动声呐识别目标和估计目标速度的依据。本文对1(1/2)维谱的抑制高斯噪声、增强信号基频分量和剔除非耦合相位的谐波分量等特性进行仿真,通过对2种船型的舰船辐射噪声实测数据进行处理,得出结论,1(1/2)维谱对线谱基频具有增强作用,并且能够有效地抑制高斯背景噪声,相比于传统的功率谱方法,1(1/2)维谱更有利于舰船辐射噪声线谱的提取。

基于神经网络的舰船目标识别研究

为了实现对水下目标的识别,在现有特征提取方法的基础上,提出了一种从DEMON谱线谱和DEMON谱连续谱提取的特征方法,并设计了一个基于BP神经网络和多神经网络分类识别器的舰船目标识别系统。通过对实际舰船噪声目标进行识别,识别效果比较满意。这对舰船目标识别的发展具有一定的参考价值。

基于高阶谱净化的水声目标宽带调制信号检测

针对水声目标解调谱轴频提取中低信噪比和低频信号干扰严重的问题,给出了一种检测水声目标辐射噪声宽带调制信号的方法。首先利用希尔波特变换解调出信号包络,进而计算出解调谱;根据螺旋桨桨叶旋转产生的调制线谱存在明显的谐波关系,利用高阶累计量对角切片对解调谱进行净化;根据线谱波形特征进行线谱检测识别得到比较干净的线谱成分。通过实际舰船噪声检验分析,该调制信号检测方法能够较好的检测出水下目标辐射噪声中调制线谱的基频以及谐波成分。

小样本水下目标识别的孪生网络的设计

由于水下目标获取困难,小样本水声目标识别一直是水声领域的难题。传统网络训练时需要大量的训练样本,并且对样本库外的目标识别率较低。针对这一问题文中提出一种深度卷积孪生网络用于对水下目标的DEMON(Detection of Envelope Modulation on Noise)谱的线谱进行识别。同时,为了适应真实水下识别环境,在训练的同时评估不同多普勒频偏、信噪比和干扰对网络识别性能的影响,进而得到一种具有较高多普勒容限和具有抗噪能力的网络模型。试验结果表明,与传统的神经网络相比,深度卷积孪生网络能够利用交叉熵对比损失函数与设置阈值的方式,判断输入样本对之间的差异,进而实现对新目标的识别。

舰船辐射噪声线谱检测与分析

结合经典功率谱和DEMON谱分析各自的特点,对舰船辐射噪声线谱进行综合分析。基于周期图谱法进行舰船辐射噪声功率谱估计,通过线谱与连续谱分离、取除虚警及归并线谱,有效地对辐射噪声功率谱中的特征线谱进行了提取,并结合DEMON谱分析了舰船辐射噪声的调制效应和调制周期,获得诸如舰船螺旋桨转速、螺旋桨叶片数等不变的舰船物理特性,从而得到舰船辐射噪声线谱比较全面的特性,为舰船的识别和线谱辐射噪声的控制具有重要提供参考价值。