水下目标的Gammatone子带降噪和希尔伯特-黄变换特征提取

水下目标识别是水声探测中的关键技术,具有重要的应用价值。海洋环境的复杂性导致水下目标识别中存在不可回避的噪声干扰。以人耳听觉机理为基础,提出了一种结合Gammatone滤波器、小波阈值降噪和希尔伯特-黄变换(HHT)的水下目标识别方法。采用Gammatone滤波器实现人耳听觉机理的模拟,并在此基础上进行小波阈值降噪,提高系统的噪声鲁棒性,然后利用HHT进行时频分析和特征提取。利用实际水下目标数据进行识别实验,对提出的方法进行了验证。实验结果表明,提出的方法在低信噪比条件下具有良好的鲁棒性,并具有较好的识别效果。

EMD在目标声信号特征提取中的应用研究

研究在车型识别中基于经验模式分解(EMD)的特征提取算法.针对地面运动目标产生的声信号,长期以来主要是通过假定信号短时平稳来提取特征参数的,提取得到的是目标信号的短时静态特征.以适用于非线性时变信号分析的经验模式分解法(EMD)为基础,提出了一种基于EMD的能量比率系数提取方法.并在BP神经网络下,对三类车辆样本数据,测试验证了提取特征的有效性.实验证明,该方法利用EMD分解后信号动态频率组成,能准确表征声目标频带-能量特征,为识别系统提供更丰富的目标信息.

基于知识的声目标探测识别系统

被动声目标探测广泛应用于战场目标识别或自动设备的故障探测;通过对声目标的短时信号处理,使用现场可编程门阵列器件的可重构技术对声目标探测识别系统设计;提出通过提取子带Mel倒谱系数(MFCC)参数特征构建声目标信息的知识库,并使用0阶Mel倒谱系数(MFCC0)进行频谱能量分析,找寻信号起止端点,将声目标Mel倒谱系数(MFCC)特征参数映射为二值图像进行模板匹配识别;将声目标识别输出的控制指令传送给工控机或直接输出控制相关的智能系统,实现战场声目标识别或自动设备的声故障探测。

基于稀疏非负矩阵分解的低空声目标识别

借鉴人耳听觉原理和特征学习的优势,提出了梅尔(Mel)频率谱提取和稀疏非负矩阵分解相结合的方法用于低空飞行目标声信号识别。首先,以不同目标的Mel频率谱为特征矩阵,利用稀疏非负矩阵分解方法学习得到各自的模板矩阵;然后,利用按列合并后的模板矩阵对训练/测试样本进行特征分解获得编码系数,该系数可作为分类特征;最后,结合不同目标的特点,采用分频段特征提取和顺序二类分类的方法进行多目标分类,并与Mel频率倒谱系数进行性能比较。结果显示,无论在单类目标辨识还是在多类目标分类中,稀疏非负矩阵分解方法均取得了更好的效果。

基于组合支持向量机的水声目标智能识别研究

为解决水声目标小样本模式识别问题,有效地提高复杂海洋环境中的识别精度,提出了一种基于经验模式分解(EMD)、特征距离评估技术(FDET)和组合支持向量机(CSVMs)的水声目标智能识别方法。首先,将滤波、Hilbert包络解调和EMD等信号处理方法对水声目标的辐射噪声信号进行预处理,提取7个包含原始信号和预处理信号的时域和频域统计特征的特征集。然后,通过FDET从原始特征集中选择出7个敏感特征集。最后,将7个敏感特征集输入到7个支持向量机分类器中,利用遗传算法对7个分类器的结果进行合并,构成CSVMs分类器,从而实现对水声目标的智能识别。将该方法应用于舰船等水声目标的识别中,研究结果表明,该方法的识别性能优于单一SVMs分类器:同时,经过FDET得到的敏感特征集能明显地提高识别精度。

听觉模型倒谱系数及其在声目标识别中的应用

针对目前广泛采用的美尔倒谱系数(MFCC)鲁棒性不足的问题,基于人类听觉模型提出了一种可用于战场声目标识别的倒谱系数.用小波包变换代替了传统的傅里叶变换,克服了傅里叶变换在频域上单分辨率的缺陷和对噪声的敏感性.用指数压缩替换固定的对数压缩,较好地模拟了人耳处理信号的非线性能力.在SensIT实验数据和外场实际采集的低空目标数据上的实验结果表明:相对于经典的美尔倒谱系数,本文提出的倒谱系数在识别准确性和抗噪声能力方面都有较明显的提高.

低空飞行目标声音优化识别研究

针对战场环境噪声下的低空目标声音识别问题,首先用阈值EMD对典型环境噪声进行去除,其次提取基于离散小波变换的Mel频率倒谱系数(WMFCC)的特征参数,最后利用支持向量机(SVM)分类识别,利用含噪声音提取的MFCC和WMFCC以及经过阈值EMD去噪后的声音再提取的MFCC和WMFCC作为特征向量进行分类识别。不同噪声不同信噪比条件下的对比实验结果表明,SVM分类器利用阈值EMD去噪后提取的WMFCC特征参数进行分类,可以有效去除噪声,提高识别率,并且在低信噪比环境噪声下,分类性能明显优于其它方法。

听觉外周计算模型在水中目标分类识别中的应用

听觉外周的理论和建模已取得长足的发展,并已广泛应用于语音信号处理.本文集成Gammatone听觉滤波器和Meddis内毛细胞模型来模拟耳蜗的处理机制,并根据水中目标辐射噪声信号的特点对Meddis模型的参数进行了修正.提出基于Gammatone-Meddis听觉外周计算模型的水中目标特征提取方法,得到一个23维的特征向量.对大量海上实测数据的分析表明该特征具有以下优点:(1)分类识别效果好,对测试集识别率达到94%以上;(2)抗卷积噪声能力强,对原始信号加入卷积噪声,识别能力没有下降.最后通过实验证明基底膜对频率的非线性选取和内毛细胞都能够很好地抑制噪声.

基于深度学习的低空声目标识别

本文提出采用人耳听觉特征和深度神经网络(Deep Neural Network,DNN)相结合的方式对低空飞行目标进行分类。首先,以不同目标的梅尔频率谱(Mel-Frequency Cepstrum Coefficients,MFCC)和伽玛通功率谱(Gammatone Filterbank spectra,GF)为静态特征,并以它们的差分谱作为动态特征;其次,利用谐波处理技术获得具有谐波保护的上述静态特征和动态特征;最后,将上述特征进行组合,作为深度神经网络的输入参数进行网络训练,来进行不同低空声目标的鉴别。试验结果表明,基于深度学习的方法在低空飞行目标识别方面可以取得较好的识别效果。