基于矢量水听器的目标特征提取与识别技术研究

论文摘要

水面及水下目标辐射噪声低频线谱特征提取是信号检测和目标识别的关键技术之一,它直接影响到信号检测和目标识别的效果,是水声领域的学者们长期关注的研究内容。近年来,由于矢量水听器的逐步推广应用,基于矢量水听器的信号处理技术也相继出现,并展示出优于声压信号处理的优势。基于矢量水听器的信号处理问题已成为令人瞩目的研究热点,一些成果相继被发表。声矢量信号处理技术的出现,为解决水面及水下目标特征提取、微弱信号检测、定位及噪声识别等诸多问题提供了一种新的方式和手段。本文根据声压和声矢量信号特征提取的研究现状、存在的主要问题以及工程实际应用的基本要求,结合基金项目“XX声矢量特征提取与分析研究”的内容,对目标特征提取及其分类识别进行了理论、算法与应用方面的探讨。论文的研究建立在单矢量水听器基础上,围绕矢量水听器信号处理方法,应用二阶和高阶统计量手段,将LOFAR、DEMON、非整数维谱和互双谱技术融入到其中,实现水面及水下目标辐射噪声特征提取与识别技术研究,从而扩大矢量水听器的应用领域。主要研究内容如下:(1)从水下目标辐射噪声的非平稳性出发,对矢量水听器目标辐射噪声的线谱特征采用高阶统计量的信号处理方法进行了研究。(2)通过借鉴标量信号双谱估计算法和互双谱定义,提出了声矢量信号双谱和互双谱估计算法,并将其应用于声矢量信号特征提取。探讨其增强基频信号抑制高斯噪声的能力。(3)探讨声压和声矢量信号非整数维DEMON谱特征提取方法,并对其性能进行研究。探讨高斯、对称和混合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峰值与背景噪声均值比及轴频检测概率。(4)利用以上研究所获得的声矢量信号组合特征,进一步探讨基于矢量水听器和LMBP神经网络的目标识别技术;探讨基于矢量水听器和RBF神经网络的目标识别技术;并对其识别效果进行了分析。(5)对上述研究进行了计算机仿真和实际试验数据处理,处理结果进一步验证了理论研究和所提出算法的有效性。本文旨在通过以上研究,能够对声矢量信号中的线谱成分有充分的认识和提取到尽可能多的特征,从而进一步提高舰船目标识别率。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 引言
• 1.2 矢量水听器简介
• 1.3 水声目标特征提取与识别技术
• 1.3.1 水声目标特征分析
• 1.3.2 水声目标特征选择和提取
• 1.3.2.1 时域波形结构特征提取
• 1.3.2.2 时间-频率分析特征提取
• 1.3.2.3 信号谱估计的特征提取
• 1.3.3 水声目标识别
• 1.4 水声目标特征提取与识别技术研究进展
• 1.5 论文研究的目的、意义与内容
• 第2章 声矢量信号理论模型及线谱判决方法
• 2.1 目标辐射噪声特性分析
• 2.2 声矢量信号时域测量模型
• 2.3 声矢量信号自谱与互谱
• 2.4 声矢量信号线谱判决方法
• 2.5 本章小结
• 第3章 声矢量信号线谱特征提取
• 3.1 声矢量信号LOFAR线谱特征提取
• 3.1.1 LOFAR谱图特征描述及预处理
• 3.1.2 声矢量信号LOFAR线谱特征提取仿真研究
• 3.1.3 声矢量信号LOFAR线谱特征提取湖试数据处理
• 3.2 声矢量信号DEMON线谱特征提取
• 3.2.1 声矢量信号调制谱理论模型
• 3.2.2 声矢量信号DEMON谱提取与净化
• 3.2.3 声矢量信号DEMON谱提取计算机仿真
• 3.2.4 声矢量信号DEMON谱提取湖试数据处理和结果分析
• 3.3 本章小结
• 第4章 基于高阶统计量的声矢量信号特征提取
• 4.1 高阶统计量理论
• 4.1.1 高阶矩和高阶累积量
• 4.1.2 高阶矩和高阶累积量的转换关系
• 4.1.3 高阶矩谱和高阶累积量谱的定义
• 4.2 声矢量信号高阶自谱特征提取
• 4.2.1 声矢量信号双谱估计算法
• 4.2.1.1 声矢量信号双谱估计直接法
• 4.2.1.2 声矢量信号双谱估计间接法
• 4.2.2 声矢量信号双谱特征提取试验数据分析
• 4.3 声矢量信号高阶互谱特征提取
• 4.3.1 三阶互累积量和互双谱
• 4.3.2 声矢量信号互双谱估计算法
• 4.3.3 声矢量信号互双谱特征提取试验数据分析
• 4.4 声矢量信号非整数维谱特征提取
• 4.4.1 非整数维谱定义
• 4.4.2 三阶非整数维谱抑制高斯和对称分布噪声的原理
• 4.4.3 声压和声矢量信号三阶非整数维谱仿真研究
• 4.4.4 声压和声矢量信号三阶非整数维谱性能比较研究
• 4.5 本章小结
• 第5章 基于矢量水听器的目标识别方法
• 5.1 基于矢量水听器和BP神经网络的目标识别
• 5.1.1 BP神经网络分类器结构与算法
• 5.1.2 LMBP神经网络
• 5.1.3 LMBP神经网络分类器对实测数据的训练与测试
• 5.1.3.1 基于声压信号组合特征的LMBP神经网络目标识别
• 5.1.3.2 基于声矢量信号组合特征的LMBP神经网络目标识别
• 5.1.4 不同组合特征的LMBP神经网络目标识别效果比较研究
• 5.2 基于矢量水听器和径向基函数网络的目标识别
• 5.2.1 RBF神经网络分类器结构
• 5.2.2 RBF神经网络分类器对实测数据的训练与测试
• 5.2.2.1 基于声压信号组合特征的RBF神经网络目标识别
• 5.2.2.2 基于声矢量信号组合特征的RBF神经网络目标识别
• 5.2.3 不同组合特征的RBF神经网络目标识别效果比较研究
• 5.3 本章小结
• 结论
• 参考文献
• 攻读博士学位期间发表的论文和取得的科研成果
• 致谢
• 个人简历