CEEMD与蚁群算法在舰船目标识别中的应用研究

摘要

目标识别技术是高新技术条件下，潜艇及水面舰艇在海战中先敌发现、隐蔽攻击、克敌制胜的先决条件，也是鱼雷、水雷等水中武器系统实现智能化的关键技术之一，受到世界各个先进国家的高度重视。本文围绕互补的总体经验模态分解、对称相关函数、蚁群优化算法和神经网络在舰船辐射噪声的特征提取与分类识别技术中的应用进行了深入研究，通过仿真数据和实际舰船辐射噪声的处理，验证了算法的有效性。主要研究内容包括：
　　1、阐述了舰船辐射噪声的产生机理，分别给出其线谱、宽带连续谱以及噪声调制的数学模型以及实现方法，将仿真信号与真实噪声信号进行了对比。
　　2、对希尔伯特黄变换进行了系统的阐述，并采用互补的总体经验模态分解进行信号分解，有效克服了经验模态分解过程中的模态混叠现象，给出了详细的步骤和参数选取方法。
　　3、阐述了对称相关函数理论，分析了对称相关处理在抵消与信号不相关的加性噪声的机理，并将对称相关处理法应用于复杂背景噪声下的微弱信号检测中，通过实验验证了对称相关法抑制噪声的能力。
　　4、提出了一种新的提取舰船噪声信号调制特征的新方法：将 CEEMD分解与对称相关处理结合，对舰船噪声信号进行降噪处理后运用希尔伯特解调法提取信号的调制特征。实验证明该方法能够在低信噪比条件下，有效提取目标的调制特征，突出线谱成分。
　　5、在对蚁群算法深入研究的基础上，提出了一种基于蚁群优化算法的谱线检测与提取新算法，阐述了算法思想和流程，并给出了相关算子的设计与参数选取方法。该算法大大提高了谱线检测过程中的抗噪声能力。
　　6、研究了基于CEEMD和MFCC舰船目辐射噪声标特征提取，阐述了Mel频率倒谱系数的概念，提取舰船噪声信号的Mel频率倒谱系数作为目标分类的特征；论述了高阶统计量的定义和重要性质，提取了CEEMD分解得到的IMF分量的高阶统计特征，作为舰船噪声的重要特征。
　　7、阐述了水声目标分类器的设计方法，将蚁群优化算法应用于神经网络的初始权值与阈值的选择中，优化了神经网络的参数。通过试验数据的处理和分类结果分析验证了特征提取方法以及分类器的有效性。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪论

1.1 水声目标识别的国内外研究现状

1.2 水声目标识别技术研究面临的困难

1.3 论文研究的主要内容

第2章 舰船辐射噪声模型及仿真

2.1 舰船主要噪声源分析

2.2 舰船辐射噪声模拟仿真

2.3 本章小结

第3章 基于CEEMD与对称相关去噪的调制特征提取

3.1 瞬时频率的定义

3.2 EMD算法原理

3.3 EMD分解的完备性和正交性

3.4 EMD模态混叠问题

3.5 总体经验模态分解

3.6 对称相关函数

3.7 基于CEEMD分解与对称相关处理的调制特征提取

3.8 本章小结

第4章 基于蚁群算法的线谱检测与跟踪

4.1 常用的线谱检测方法

4.2 基于蚁群算法的线谱提取方法

4.3 蚁群优化算法提取曲线算法

4.4 仿真及其参数测试

4.5 基于蚁群优化算法的多曲线提取

4.6 本章小结

第5章 基于MFCC与CEEMD的舰船噪声特征提取

5.1 人耳的听觉感知系统

5.2 美尔频率倒谱系数(MFCC)

5.3 MFCC 特征参数的计算流程

5.4 差分MFCC及基于CEEMD的改进MFCC

5.5 舰船辐射噪声的MFCC特征提取

5.6 高阶统计量

5.7 本章小结

第6章 目标分类算法

6.1 人工神经网络的分类

6.2 BP神经网络

6.3 基于蚁群算法的神经网络训练

6.4 优化的BP神经网络对实际舰船目标分类测试

6.5 本章小结

结论

参考文献

攻读硕士学位期间发表的论文和取得的科研成果

致谢