舰船辐射噪声

摘要： 针对具有非平稳特性的水声信号的分类识别问题,本文对卷积神经网络进行改进,并将改进的CNN网络与小波分解相融合,提出一种水下目标识别算法WAVEDEC_CNN。应用采集的4类湖试数据,对该算法进行验证。实验结果表明:与传统方法MFCC+SVM对比,WAVEDEC_CNN算法可提升正确识别率15.38%;与NO_CNN、WPDEC_CNN以及EMD_CNN 3种方法对比,WAVEDEC_CNN算法的正确识别率分别提升了4.41%、3.23%、12.81%,同时就计算时间而言,所提出的WAVEDEC_CNN算法所用计算时间最短。本文提出的方法能够有效应用于水声目标识别。

摘要： 现有的舰船辐射噪声信号仿真方法都存在一定的局限性,文章提出通过深度神经网络生成舰船辐射噪声功率谱,利用深度神经网络构建目标物理参数到仿真信号的映射模型。在10万条仿真数据上进行测试,文章方法训练得到的仿真功率谱与经验公式得到的仿真功率谱相比,不同网络的平均谱分析最大差异的最小值仅2.38 dB;在未进行学习的数据集上,仿真功率谱平均谱分布差异相差最小仅2.40 dB。测试结果说明该方法训练得到模型的有效性和泛化能力。

摘要： 传统的被动目标识别主要依靠声呐员的作用,随着人工智能的迅速发展,水下目标智能识别成为未来发展的趋势。针对这一问题,根据舰船辐射噪声特性,提出基于特征融合的舰船目标识别方法,通过提取基于人耳听觉感知的梅尔倒谱系数特征、基于循环平稳分析的谱相关密度函数特征,构建特征层融合和决策层融合的特征融合模型,利用深度学习中的卷积神经网络进行舰船目标识别。利用4种舰船辐射噪声实测数据进行验证,结果表明,所提出的决策层融合算法能够明显提高舰船目标识别率。

摘要： 为了改进舰船辐射噪声分类系统的性能,进一步提高识别准确率,文章提出了一种基于多特征的小波包分解在长短期记忆(LongShort-TermMemory,LSTM)网络中分类的方法。该方法首先通过小波包分解技术,分频段提取舰船辐射噪声的多种特征,将提取的特征利用主成分分析法(Principal Component Analysis, PCA)进行数据降维,通过添加注意力机制(Attention Mechanism)算法的LSTM网络,对辐射噪声结果分类,提高了学习效率和识别准确率。为了更精细地提取特征,分频段提取了舰船辐射噪声的时频域特征、小波变换特征和梅尔倒谱系数等特征,并将分频段与不分频段的特征、多特征与单一特征、不同信噪比间的算法性能进行对比。实验结果表明,基于小波包分解和PCA-Attention-LSTM的模型可以有效地提高舰船辐射噪声分类的性能,是一种可行的分类方法。

摘要： 为稳定提取复杂水声环境下舰船辐射噪声的有效特征,在数学形态学方法的基础上提出一种广义多尺度数学形态腐蚀谱熵(generalized multiscale pattern erosion spectrum entropy, GMPESE)的舰船辐射噪声非线性特征提取方法。通过对千岛湖及东海实测舰船辐射噪声处理,验证了不同环境下该特征提取方法的可行性,分析了相关参数选取对特征区分度的影响,并比较了该特征提取方法与多尺度熵(multiscale sample entropy, MSE)特征的识别性能。数据处理结果表明,综合比较运算耗时、提取稳定的特征所需信号时长及复杂环境下目标识别准确率,GMPESE特征提取方法具有更大的优势。

摘要： 舰船辐射噪声的声学特征提取对目标训练和识别有着重要影响。文中提出一种基于Gammatone频率倒谱系数(GFCC)的特征分析方法:以目标特征提取方法——Mel频率倒谱系数(MFCC)算法作为比照组,针对小型低速船只、小型高速船只及大型船只三大类目标,在2种不同水声环境中提取的5122个样本进行了分类识别比对试验。试验结果表明,2种算法的目标识别率均大于80%,且GFCC在海洋复杂声环境中的识别率显著高于MFCC,并对高频目标更敏感。说明GFCC算法与标准的MFCC算法相比,在海洋等强干扰环境下具有更好的抗噪性和更高的快速目标识别率。

摘要： 舰船辐射噪声的声学特征提取对目标训练和识别有着重要影响.文中提出一种基于Gammatone频率倒谱系数(GFCC)的特征分析方法:以目标特征提取方法——Mel频率倒谱系数(MFCC)算法作为比照组,针对小型低速船只、小型高速船只及大型船只三大类目标,在2种不同水声环境中提取的5 122个样本进行了分类识别比对试验.试验结果表明,2种算法的目标识别率均大于80％,且GFCC在海洋复杂声环境中的识别率显著高于MFCC,并对高频目标更敏感.说明GFCC算法与标准的MFCC算法相比,在海洋等强干扰环境下具有更好的抗噪性和更高的快速目标识别率.

摘要： 水下目标辐射噪声的模拟是水声学领域中一个重要的课题,其中尤以舰船的辐射噪声最为典型.对舰船辐射噪声进行研究模拟,有利于被动式声呐的研发、测试.文章首先对舰船的辐射噪声进行了频域特性的分析,给出其线谱与连续谱叠加的模型.连续谱通过对高斯白噪声的自适应滤波得到,线谱根据设置的参数得到.随后在VIVADO HLS平台实现了模拟连续谱噪声的算法并做了一定的优化加速,同时生成一个IP核,该IP核在VIVADO软件中与其他器件连接搭建得到Overlay结构,最终在PYNQ平台上调用该Overlay,实现了在PYNQ平台上生成舰船辐射噪声数据.

摘要： 传统的特征提取算法往往依赖于算法设计者的先验知识,没有突出大数据的优势,所以在实际应用中分类正确率较差且对于不同应用场景的泛化能力也明显不足.使用深度学习算法进行舰船辐射噪声的特征提取,利用了大量无类标数据,使用堆栈稀疏自编码器算法训练特征提取神经网络,并使用Softmax分类器算法利用有类标数据对特征提取神经网络进行参数微调.应用SSDAE-Softmax算法以及主成分分析算法、线性判别分析算法以及局部线性嵌入算法三类机器学习算法对海试数据进行处理,SSDAE-Softmax算法能够从舰船辐射噪声中提取更加具有区分度的特征,能够提升舰船辐射噪声的分类识别正确率,试验结果表明在低信噪比以及少量训练样本的应用场景下分类效果均高于其他三类算法.

摘要： 在目标定向和定位中,通常假设阵形已知.由于水平阵列在布放和使用过程中存在很多不可控和不确定因素,其实际阵形会与预设阵形不一致,从而导致目标测向和定位性能大大恶化.目前,基于水声的阵形校正技术大多采用主动声信号,这使得成本高、试验方案复杂.为此,本文利用水平阵列接收到的航船辐射噪声来估计水听器位置与参考传感器之间的互相关到达结构,并与模拟的水听器位置与参考传感器之间的互相关到达结构进行匹配,从而实现了水平阵列的阵形估计.为验证算法的有效性,对SWellEX-96海试中经过倾斜海底传播到达阵列的舰船辐射噪声信号进行了分析与处理,获得了水声信道的相关多途到达结构.结合舰船的GPS数据,采用射线模型Bellhop模拟了水听器与参考水听器不同水平距离时的相关多途结构.最后通过与观测数据的多途相关峰进行匹配得到水平阵列各个传感器相对于参考传感器的估计距离,从而获得水平阵列的阵形估计.海试结果表明:该方法计算效率高,且估计结果与其他方法得到的阵形估计结果(W.S.Hodgkiss,P.Gerstoft,and J.J.Murray.Array Shape Estimation from Sources of Opportunity.Oceans2003.Proceedings,vol1.,582-585.)基本一致.此方法无需主动发射声信号,环境友好,且成本低、易实现,具有很强的实用性和应用价值.

摘要： 在利用舰船辐射噪声进行识别的过程中,提取反映舰船特性的特征参数是最为关键的问题.将MFCC特征参数应用于舰船辐射噪声特征提取,从理论上分析了MFCC特征参数表示水声信号的有效性.首先提取舰船辐射噪声的MFCC,其次设计了3层BP神经网络分类器对数据进行分类识别,最后讨论了目标航速、距离以及海洋环境对MFCC的影响.结果表明利用MFCC提取舰船辐射噪声特征能有效的对目标进行识别分类,但目标的识别率在一定程度上受目标航速、距离和海洋环境变化的影响,且不同类型舰船受影响程度不一.

摘要： 舰船被动声纳一般用来提供目标的方位信息，同时根据声音的渐强或渐弱来判断目标是接近还是远离。在此基础上，文章采用小波包分解提取舰船辐射噪声的各个子带的能量,根据舰船辐射噪声的能量变化与声传播损失的对应关系,提出了一种新的目标距离参数估计方法,实验验证是可行的.

摘要： 本文研究了一种集相空间重构的几何特征和盒数维为一体的计算复杂度较低的非线性特征提取方案,首先利用基于统计学方法的C--C方法提取嵌入维和时延,根据舰船辐射噪声的嵌入维确定维数范围,在维数范围内采用时延法进行相空间重构,将舰船辐射噪声时间序列扩展到高维空间,在高维空间中计算时间子序列的相关系数,并从相关系数中寻找阈值范围提取具有区分性相似性重复度,将相似性重复度进行升序重排画相似性重复度曲线,提取相似性重复度平均值这一几何特征,然后从盒子维的数学分析出发研究盒子维数的简化工程计算模型,三类舰船辐射噪声的盒子维分布图验证盒子维特征具有一定的区分性,最后设计后传播(BP)神经网络分类器,BP神经网络采用两层结构的批处理模式.推导特征的类间距离和类内距离,并通过实际海上数据仿真,计算结果表明结合特征的类间距离较大,类内距离较小,验证结合特征提取方法的有效性,三类目标的识别率表明该方法具有一定的水声目标识别能力.

摘要： 讨论了一种非平稳、非线性信号分析方法——集成经验模态分解方法(EEMD)，并采用基于EEMD方法对舰船辐射噪声仿真信号进行线谱提取，与小波分析方法进行对比分析后表明，EEMD对信号的分析比小波分析有一定的优越性.

摘要： 支持向量机是在统计学习理论基础上发展起来的一种新的通用学习方法，具有对模型不敏感、泛化能力强的特点。为了改善舰船辐射噪声分类识别系统的性能，提出了两级支持向量机。第一级支持向量机使用功率谱线谱数、线谱连续谱能量比作为分类特征;第二级支持向量机使用15维的复倒谱系数作为分类特征。对实测舰船辐射噪声的分类识别测试表明，本文中的两级支持向量机能够在小训练样本集的条件下较好地完成舰船辐射噪声的分类识别。

摘要： 采用听觉感知和卷积神经网络模拟人类听觉系统的听音判型过程对舰船辐射噪声进行分类识别.首先,通过听觉外周模型对舰船辐射噪声进行分析,得到目标信号的神经发放图样.然后通过差分处理和半波整流模拟人耳低级听觉中枢的侧抑制功能,对信号的发放图样进行处理,从而得到其在低级听觉中枢上的听觉谱图.最后,设计一种五层卷积神经网络结构对目标信号的二维听觉谱进行特征提取,通过卷积神经网络特有的局部感受野功能,提取听觉谱中的基本结构特征,并通过网络的层次迭代,不断将低级结构特征组合为高一级特征,完成高层次抽象特征的提取,从而模拟大脑皮层的功能对目标进行识别分类.结果表明,应用该方法对水面目标和水下目标进行识别,对训练集的识别率为93.6％,使用训练集中未出现过的目标测试时,识别正确率为65.3％,表明其具有较好的学习和泛化能力。

摘要： 长期以来，水声信号处理领域基于语音的分析方法一直被人们所忽略，本文是用语音特征参数来描述舰船辐射噪声的尝试。文中介绍了一种运用基于LP谱基础上的MFCC系数作为特征参数进行水下目标识别的方法。实验表明，基于LP基础上的MFCC系数的识别方法，能显著提高系统的性能，尤其在较低信噪比的情况下，具有较好的识别效果和应用价值。

摘要： 本文从距离计算和关联维线性尺度区计算两方面对关联维的提取做了改进，提高了关联维的计算速度和精度，并分析了嵌入维数和数据长度对关联维的影响，最后提取两类舰船辐射噪声的关联维，结果表明关联维能够很好的区分这两类目标。

摘要： 线谱的提取为舰船的检测识别和方位跟踪提供了依据,研究线谱的提取具有实际的应用意义.采用Welch算法和Chirp-Z变换联合处理舰船的辐射噪声信号能够有效地提取线谱.根据对仿真信号和某实船的辐射噪声信号分析的结果表明,该方法原理简单,能够精确地提取特征线谱,其中频率分辨力可达0.36 Hz;根据所提取的船只的特征线谱,设定滤波区间对船辐射的噪声信号进行滤波,可以更准确地跟踪船的航迹.

摘要： 本发明公开了一种基于熵的多通道舰船辐射噪声特征提取方法，属于复杂海洋环境下舰船辐射噪声特征提取技术领域，包括如下步骤：得到多维时间序列{yi,j}；得到嵌入维度为M的第一相空间矩阵YM(i)；得到各两向量间切比雪夫距离d[YM(i),YM(j)]；得到相对预设向量的切比雪夫距离小于预设阈值R的向量个数C­iM­(R)；得到各向量间切比雪夫距离小于预设阈值R的平均概率BM(R)；得到YM+P(i)及其中各向量间小于预设阈值R的平均概率BM+P(R)；得到多通道多尺度样本熵IMMSE，完成基于熵的特征提取；本发明解决了提取多通道舰船辐射噪声，并在保留通道内与通道间相关性能力的基础上提升稳定性的问题。

摘要： 本发明提供了一种舰船辐射噪声分类方法，将舰船辐射噪声信号进行分帧和加窗，并进行归一化处理；搭建变分自编码器模型，优化损失函数生成仿真信号，搭建基于卷积网络的仿真信号分类模型，将网络模型进行优化，将待测的真实舰船辐射噪声片段信号输入到优化并且训练好的网络模型中，即可得到真实信号的分类概率，根据样本判别为3类目标的概率值，得到最终的舰船辐射噪声信号分类结果。本发明有效的应对由于舰船辐射噪声样本数量不足而引起的网络模型分类效果不佳的问题，在一定程度上节约了舰船辐射噪声采集试验的成本，具有很高的实用性。

摘要： 本发明提出了一种基于统计分布的舰船辐射噪声特征重组方法，根据舰船辐射噪声特性，分别对有限长原始噪声信号进行11/2维谱分析、LOFAR谱分析和DEMON谱分析，并利用统计分析方法获取舰船辐射噪声谱图中线谱及调制谱的概率分布特征。为了降低特征信息冗余，再通过主成分分析法降低特征样本维度构建综合特征样本，最后输入到识别分类器进行训练、识别，实现对舰船辐射噪声的分类。本发明识别效果明显高于单一谱分析特征提取方法，特别是样本数目越多识别正确率越高；能够有效地解决在未知、复杂环境下舰船特征不明显的问题，降低目标错误识别概率；且不仅提高综合特征的识别效率并且算法模型也较为简单。

摘要： 本发明公开了一种舰船辐射噪声信号的特征提取和分类方法；该方法采用RPSEMD方法对舰船辐射噪声信号进行分解，克服了EMD的模态混叠现象以及EEMD的计算量大问题；首次把微分符号熵应用于水声信号处理，DSE不仅具有计算效率高的优点，而且适合于度量较短时间序列的复杂性；现有技术中多是只选择一个典型的IMF进行特征提取，而本发明公开的方法通过对每一个IMF的熵进行加权，考虑了每一个IMF的重要性，使得最终提取出的每种舰船辐射噪声信号特征更加准确。

摘要： 本发明给出了一种基于生成对抗网络的舰船辐射噪声增强方法与系统，包括获取一维的舰船辐射噪声信号并对其进行样本分割后得到多个一维信号样本，再对多个一维信号样本按照类型的不同进行分类并标记类型；根据一维信号样本的样本长度构建一维的深度卷积生成对抗网络；将标记类型后的多个一维信号样本输入深度卷积生成对抗网络中进行训练得到识别网络；深度卷积生成对抗网络构建若干生成样本，并利用识别网络对生成样本进行识别，输出能够被识别网络识别出其对应类型的生成样本，并将输出的生成样本作为其对应类型的一维信号样本的增强后的信号样本。本发明扩大了舰船辐射噪声的样本库，提供了充分可靠的样本，很大程度上解决了分类器的过拟合问题。

摘要： 本发明给出了一种基于多特征的舰船辐射噪声样本长度选取方法与系统，包括以不同的样本长度对舰船辐射噪声进行分割，形成不同的舰船辐射噪声样本集；分别对每个所述舰船辐射噪声样本集进行特征提取，所述特征提取包括分别提取多种特征；针对每个所述舰船辐射噪声样本集，将提取出的每种特征分别输入到分类器中进行训练，计算出每种特征对应的识别率；针对每种特征根据其对应的识别率确定样本长度和识别率的关联信息，对每种特征所得到的所述关联信息进行综合判决，从而选取出所需的样本长度。本发明相较于传统的随机选取样本长度的方式，增加了样本携带的信息量，减少后续过程的处理时间。

摘要： 本发明提供了一种舰船辐射噪声信号的去噪特征提取方法，采录不同类别舰船的辐射噪声信号，得到噪声信号样本集；采用完全噪声辅助聚合经验模态分解算法进行模态分解，得到若干个固有模态函数分量，并进行皮尔逊相关性分析，得到相关系数；得到辐射噪声信号样本集，提取梅尔频率倒谱系数特征，得到去噪信号MFCC特征向量集，构建双向去噪自编码器网络，得到识别准确率，从而衡量所提取的去噪特征的效果。本发明有效地提取舰船辐射噪声信号的去噪特征，提高舰船目标的识别准确率。与传统去噪自编码器相比，本发明提供的双向去噪自编码器所提取的隐层去噪特征更全面、效果更好。

摘要： 一种舰船辐射噪声数据集的构建方法，它属于水声信号识别领域。本发明解决了实采舰船辐射噪音样本稀缺的问题。本发明根据现有的舰船辐射噪声数据实采样本，利用仿真技术生成符合实际需要的舰船辐射噪声，将仿真舰船辐射噪声和实采的海洋噪声一起作为原始噪声数据集，将LOFAR谱用于预处理，保留关键特征，最后用GAN实现样本扩展，从而获得更多的数据集来满足深度学习大数据量的需求。本发明可以应用于对舰船辐射噪声数据集的构建。

摘要： 本发明公开了一种利用舰船辐射噪声仿真信号的水下目标识别系统性能评估方法，通过对仿真生成的一定数量的理想舰船辐射噪声样本，与由信道仿真软件仿真得到的信道冲激响应函数进行卷积，或是设置更为复杂的舰船运动参数，得到数个复杂程度不同的样本库。从每个样本库中分别产生训练集和测试集，对不同水下目标分类识别系统进行训练和性能评估。最后再单独从一个样本库中产生训练集，对不同水下目标分类识别系统进行训练，从不同样本库中产生测试集对这些训练好的水下目标分类识别系统进行性能评估。本方法实现了在实测得到的水下目标样本库不足时，对水下目标分类识别系统的泛化性能的评估。

摘要： 本发明提出一种基于GRU‑AE网络的舰船辐射噪声线谱提取方法，利用AE网络实现信号编码重构和去噪任务，利用GRU网络的时序序列记忆能力，将舰船辐射噪声时序结构联系起来，完成对输入信号的重构和去噪，从而可以有效的提取到Lofar图中明暗不定、时断时续的线谱成分。