水下瞬态信号特征提取与多分类器融合

摘要

水下瞬态信号的特征提取是空投目标分类的重要环节。回顾历史，用于特征提取的信号分析方法有很多：傅立叶变换、短时傅立叶变换、Wigner—Ville变换、小波变换等等。然而它们应用于水下目标特征提取时也存在各自不同的问题。傅立叶分析要求数据必须具有线性、周期性和平稳性的特点；短时傅立叶变换窗口的大小是固定不变的；Wigner—Ville变换会产生严重的交叉项；小波变换的时频窗面积不变，只是形状变化。因此，本文采用希尔伯特—黄变换方法，它是一种更适用于分析非线性、非平稳数据的时频分析方法。 在目标分类领域中，人工神经网络分类器应用最为广泛。利用信号的不同特征或不同结构的人工神经网络分类器可以得到不同的分类结果，往往可以利用这些结果之间的互补性来改善系统的分类效果。多分类器输出向量加权投票算法是一种有效的多分类器融合算法，它具有算法简单、便于处理实际问题的优点。因此，本文采用此方法进行多分类器融合。 本文首先回顾了几种处理非平稳数据的常见方法，并分析了它们的优缺点，之后介绍了希尔伯特—黄变换方法。通过对空投目标入水声信号构成特点的研究，从击水声脉冲信号、“寂静”区间和气泡脉动信号三方面对空投目标入水声信号进行了理论分析和实测数据的特征提取研究。给出了常见人工神经网络的结构特点以及基本原理，并应用单个人工神经网络分类器对空投目标进行分类，分类结果表明不同分类器之间存在互补性。在本文的最后论述了多分类器融合算法，并给出基于多分类器融合算法的目标分类结果，证明了多分类器融合算法在解决目标分类问题时具有优越性。

目录

文摘

英文文摘

声明

第1章绪论

1.1研究背景及意义

1.2几种时频分析方法的发展历史及应用

1.2.1短时傅立叶变换

1.2.2 Wigner-Ville变换

1.2.3小波变换

1.2.4希尔伯特-黄变换

1.3本文主要研究内容

第2章希尔伯特-黄变换理论

2.1相关理论的几个基本概念

2.1.1瞬时频率

2.1.2极值点和零值点

2.2希尔伯特-黄变换

2.2.1希尔伯特-黄变换的概念

2.2.2固有模态函数和经验模式分解

2.3具体问题的处理

2.3.1曲线的拟合

2.3.2边界问题的处理

2.3.3停止准则

2.4本章小结

第3章水下瞬态信号特征提取

3.1空投目标入水信号概述

3.2空投目标入水的脉冲信号检测

3.2.1短时能量检测

3.2.2短时相关检测

3.3水下瞬态信号特征提取

3.3.1水下瞬态信号特征提取理论分析

3.3.2水下瞬态信号特征提取实验研究

3.4本章小结

第4章多分类器融合

4.1人工神经网络概述

4.1.1神经元模型

4.1.2神经网络的类型

4.1.3神经网络的学习方式

4.2基于BP神经网络的目标分类

4.3基于RBF神经网络的目标分类

4.4多分类器融合

4.4.1属性级融合模型

4.4.2多分类器融合模型

4.4.3多分类器输出向量的加权投票表决方案

4.4.4基于多分类器融合算法的目标分类

4.5本章小结

结论

参考文献

致谢