基于分形特征的水声目标信号分类识别
水下高速目标声谱图特征提取及分类设计
水下高速目标声谱图特征提取及分类设计王森;王余;王易川;李海涛【摘要】为了增加水下高速目标的识别特征维度,优化识别效果,该文设计了一种基于目标辐射噪声高速特征量(High Speed Characteristic Quantity,HSCQ)的分类方法.首先,针对水下高速目标辐射噪声的DEMON(Detection of Envelope Modulation On Noise)谱特征进行分析,根据DEMON谱的频率可分性,定义了DEMON谱调制分布比(Modulation Distribution Ratio,MDR).然后,根据水下高速目标辐射噪声的功率谱历程图直纹特征,应用图像边缘检测、线谱生长等理论进行特征提取,并分析了功率谱历程图的直纹特征量(Straight-line Characteristic Quantity of Spectrum,SCQS).最后,根据2种特征量的实测信号分析结果,定义了目标辐射噪声的HSCQ,实现了一种新的水下高速目标分类方法.实测信号分析结果显示,采用MDR或SCQS进行单特征量分类,非高速目标的误报率分别为21.4%和16.3%;采用HSCQ进行分类,非高速目标的误报率仅为4.1%.%In order to improve the result of underwater high speed vehicle classification, a classification method that is based on High Speed Characteristic Quantity (HSCQ) of vehicle radiated noise is designed. Firstly, analysis of Detection of Envelope Modulation On Noise (DEMON) spectrum of actual measured radiated noise is finished. The Modulation Distribution Ratio (MDR) of radiated noise is defined based on the separability of modulation frequency of DEMON spectrum. Then the spectrograms feature analysis and feature extraction of underwater high speed radiated noise are done based on image edge detection and edge growing. The Straight-line Characteristic Quantity of Spectrum (SCQS) of vehicle radiated noise isanalyzed. Finally, considering the analysis results of two types of characteristic quantity, a new classification method of underwater high speed vehicle is realized and HSCQ of vehicle radiated noise is designed. The actual measured radiated noise analysis shows that, the false alarmrate of non-high speed vehicle is respectively 21.4% (only using MDR), 16.3% (only using SCQS), and 4.1% (using HSCQ).【期刊名称】《电子与信息学报》【年(卷),期】2017(039)011【总页数】6页(P2684-2689)【关键词】水下高速目标;声谱图;调制分布比;直纹特征量【作者】王森;王余;王易川;李海涛【作者单位】海军潜艇学院青岛 266000;中国人民解放军31001部队北京100094;海军潜艇学院青岛 266000;海军潜艇学院青岛 266000【正文语种】中文【中图分类】TB56随着水下航行器技术的发展运用，水下航行器的航行速度、航行里程、航行深度、噪音控制等各方面显著提升，其水下高速状态航行对现代海运航行安全的威胁不可避免。
一种基于MFCC特征的水下目标分类网络
一种基于MFCC特征的水下目标分类网络作者：徐晓刚罗昕炜来源：《声学与电子工程》2022年第01期摘要水声目标辐射噪声特征提取和识别技术是水声目标识别的重要任务，也是水声信号处理领域的难题。
鉴于梅尔滤波器中提取的听觉特征在语音识别中的广泛应用，文章基于梅尔倒谱系数（Mel Frequency Cepstrum Coefficient ，MFCC）和卷积神经网络（Convolutional Neural Network ，CNN）构建了一个水声信号深度分类网络。
该分类网络通过MFCC特征提取方法逐帧提取舰船辐射噪声信号的梅尔倒谱系数，将其构建特征矩阵输入CNN中进行分类，构建了一个4类舰船辐射噪声样本集，并利用所提出的网络考察了不同维度下MFCC和I LOFAR 特征的分类性能，分析了不同类型特征和不同特征维度输入对网络分类性能的影响，可为水声分类研究相关人员提供参考。
关键词水声信号：梅尔系数；目标分类；CNN；时频分析水下目标的分类识别是水声领域研究的热点问题，对于现代海洋装备目标探测尤为关键，特征向量提取的方法是水声目标分类识别的研究重点。
文献[1]提出了一种基于小波包变换的水下目标辐射噪声特征提取算法，文献[2]提出了一种基于双谱估计的水下目标辐射噪声特征提取算法，文献[3]提出了一种基于波数谱模态能量差特征的目标分类方法。
由于声呐识别不同水下辐射噪声源的原理与人耳语音识别的机理类似，因此，基于听觉特征的水下声目标特征提取方法是研究热点之一，其中提取梅尔倒谱系数进行水下声目标识别是常用的方法之一。
文献[4]介绍了差分梅尔频率倒谱系数的概念和相应的特征提取方法，对水下目标进行了基于MFCC特征提取方法仿真研究和实验分析；文献[5]将MFCC特征应用于船舶和鲸类水下声信号的特征提取中，提取了船舶和鯨类声信号的MFCC特征，通过高斯混合模型对提取的MFCC特征进行训练和识别分类，讨论MFCC维数变化和不同MFCC特征组合对识别分类性能的影响：文献[6-8]也进行了MFCC特征提取相关方面的研究工作，并取得了一定的研究成果。
水声探测中的信号分类与识别技术
水声探测中的信号分类与识别技术在广阔的海洋世界中，水声探测就如同我们在黑暗中寻找光明的眼睛。
而在这一过程中，信号分类与识别技术则是关键的核心，它能够帮助我们从复杂的水声环境中提取有价值的信息，为海洋探索、资源开发、国防安全等众多领域提供重要的支持。
水声探测中的信号可以说是五花八门，多种多样。
有的像轻柔的低语，有的像猛烈的咆哮，有的持续而稳定，有的则短暂而急促。
要对这些纷繁复杂的信号进行准确分类和识别，可不是一件容易的事情。
首先，让我们来了解一下水声信号的特点。
水声信号在传播过程中会受到多种因素的影响，比如海洋的温度、盐度、深度，以及海底的地形、障碍物等等。
这就导致水声信号在传播过程中会发生折射、反射、散射等现象，使得接收到的信号变得复杂而模糊。
为了应对这种情况，科学家们想出了各种各样的方法来对水声信号进行分类和识别。
其中一种常用的方法是基于特征提取的技术。
这就好比我们通过观察一个人的眼睛、鼻子、嘴巴等特征来识别他的身份一样，对于水声信号，我们也可以提取一些特定的特征，比如频率、幅度、相位、持续时间等等。
通过对这些特征的分析和比较，我们就能够对不同类型的信号进行分类。
在特征提取的过程中，我们需要使用一些数学工具和算法，比如傅里叶变换、小波变换等等。
这些工具能够帮助我们将复杂的时域信号转换到频域或者其他域中，从而更方便地提取出有用的特征。
除了特征提取，模式识别技术也是水声信号分类与识别中的重要手段。
常见的模式识别方法有决策树、支持向量机、神经网络等等。
以神经网络为例，它就像是一个拥有无数个神经元的大脑，通过对大量的训练数据进行学习，它能够逐渐掌握不同类型水声信号的特征和规律，从而实现对未知信号的准确分类和识别。
然而，在实际应用中，水声探测中的信号分类与识别技术还面临着许多挑战。
比如，海洋环境的复杂性和不确定性会导致信号的特征发生变化，这就给特征提取和模式识别带来了困难。
此外，噪声的干扰也是一个不容忽视的问题。
水声目标固有特征模型
水声目标固有特征模型
水声目标固有特征模型是一种用于描述水下目标声学特性的模型。
这些特性包括目标的大小、形状、材料、速度等，以及它们与周围水体的相互作用。
水声目标固有特征模型的主要目的是为了更好地理解目标的声学行为，以及如何从接收到的声信号中提取有关目标的有用信息。
这在水下探测、定位、识别和通信等应用中非常重要。
水声目标固有特征模型通常基于声学理论、数值模拟和实验数据。
这些模型可以根据目标的特性进行分类，例如线谱模型、目标等效模型等。
在水下探测和识别中，水声目标固有特征模型的应用非常广泛。
例如，在声纳系统中，通过对接收到的声信号进行处理和分析，可以提取出水下目标的特征信息，从而进行目标识别和分类。
此外，这些模型还可以用于水下通信、海洋环境监测等领域。
总之，水声目标固有特征模型是水下探测和识别领域中的重要工具，可以帮助我们更好地理解水下目标的声学行为，并从接收到的声信号中提取有关目标的有用信息。
水下声呐信号处理及目标识别研究
水下声呐信号处理及目标识别研究水下声呐技术的应用范围十分广泛，包括：水下探测、矿产开采、海底地形勘测、海洋生物探测、海军军事应用等等。
其中，水下目标探测和识别是水下声呐技术的重要应用之一。
本文将着重探讨水下声呐信号处理及目标识别的相关研究。
一、水下声呐信号处理水下声呐信号处理是指对声波信号进行分析、降噪、滤波等处理，以提高信号的可识别性和探测性，为水下目标识别提供基础数据。
水下声呐信号处理主要包括：信号采集、信号预处理、信号分析和信号降噪等方面。
1. 信号采集声呐信号采集是声呐系统中的第一步，其目的是获取目标传回的声波信号。
通常情况下，声呐系统由发射器和接收器两部分构成。
发射器会向周围环境发出声波信号，信号被周围环境反射后，就会被接收器捕捉。
是对声波信号进行采集的过程。
2. 信号预处理信号预处理是为了去除杂音和干扰信号，从而提高信号的质量和清晰度。
该过程中常用的技术包括滤波、去噪、增益等方法。
其中，滤波常用于去除信号中的高频噪声，去噪就是降低信号中的低频噪声的过程，而增益用于增强信号的可读性和能量。
3. 信号分析信号分析是指对信号进行参数提取以及信号的频谱、时域等特征分析。
通过对信号的分析，可以更好地了解声波传播的特性、声源和水下目标的特征等。
4. 信号降噪信号降噪是针对信号中噪声的处理，目的是去除干扰信号，提高信号的准确性和可读性。
降噪处理一般包括自适应滤波、小波去噪、频域滤波等方法。
其中，小波去噪的效果较好，可以较好地去除信号中的噪音。
二、水下目标识别水下目标识别是指通过声呐信号处理技术，将确定的信号特征与目标数据库中的特征进行匹配，对水下目标进行分类和识别。
下面将着重介绍基于声波信号的水下目标识别方法。
1. 基于模式识别的目标识别方法该方法基于目标的特征，通过比较目标的特征与数据库中已有的目标特征，最终实现目标的分类和识别。
目标的特征常包括目标的形态、声回波、饰品等因素。
常用的模式识别算法包括KNN算法、SVM算法、神经网络算法等。
舰船辐射噪声的响度和音色特征模型
舰船辐射噪声的响度和音色特征模型曹红丽;方世良【摘要】First, the normalized power and Moore loudness change trend of the simulated ship radiated noise is analyzed. Furthermore, the Moore loudness cyclical change is tested by the sea trial data, and the Moore loudness mean is extracted as one dimensional characteristic. Then the effective timbre spectrum centroid characteristics are studied, and the formulae of spectral centroid bandwidth, spectral centroid skewness and spectral centroid kurtosis are deduced according to the mathematical definition of spectrum centroid. The physical meanings of spectrum centroid, spectral centroid bandwidth , spectral centroid skewness and spectral centroid kurtosis are illustrated by an example, and a 24-dimensional features model based on spectral centroid, spectral centroid bandwidth, spectral centroid skewness and spectral centroid kurtosis of six segmented frequency bands is proposed. The Moore loudness feature model is combined with the timbre feature model, and the combined characteristics have certain separability, which can be seen from the mean and variance distributions of 25-dimensional characteristics. Finally, a three-layer BP neural network classifier is designed, and the sea trial data simulation results indicate that the feature extraction method is effective and helpful to improve the recognition rate.%首先分析模拟舰船辐射噪声的归一化功率和Moore响度变化趋势,进一步用海试数据验证Moore响度的周期性变化特点,分析Moore响度周期性变化的原因,提取Moore响度均值作为一维特征.然后分析研究音色中有效的谱质心特征,根据谱质心的数学定义推导出谱质心带宽、谱质心斜度以及谱质心峰度的数学公式,举例分析其物理含义,并提出基于六分段频带的谱质心、谱质心带宽、谱质心斜度以及谱质心峰度共24维的音色特征模型.将Moore响度特征模型和音色特征模型相结合,从组合的25维特征的均值和方差分布可知特征具有一定的可区分性.最后设计3层BP神经网络分类器,海试数据表明基于Moore响度和音色的特征模型提取方法是有效的,且有利于提高分类识别率.【期刊名称】《东南大学学报（自然科学版）》【年(卷),期】2013(043)002【总页数】6页(P241-246)【关键词】Moore响度;谱质心;谱质心带宽;谱质心斜度;谱质心峰度;BP神经网络【作者】曹红丽;方世良【作者单位】东南大学水声信号处理教育部重点实验室,南京210096【正文语种】中文【中图分类】TN911.7水下目标识别是现代海战的重要环节,目标特征的选择和提取是提高目标识别率的关键问题．为了得到有效稳定的识别特征,目前主要利用时域分析、频域分析、时频分析以及混沌分形分析等信号处理方法得到的有效特征进行目标识别．由于目标声学特性的复杂多变性,目标识别率始终无法达到预期要求．实际上,目标识别仍然依赖于声纳员耳听识别结合机器识别来完成目标识别任务．声纳员听音判型方法虽然有效,但是听音判型方法的数学描述很困难．因此,模仿人耳的听声过程是一个非常有前景的研究方向．舰船辐射噪声包括螺旋桨噪声、机械噪声和水动力噪声,其中螺旋桨噪声是主要噪声,声纳员就是根据螺旋桨的噪声进行听音识别[1]．声纳员的听音判型是根据心理声学特征进行识别,心理声学特征包括响度、音调和音色,其中主要依据响度和音色特征．目前,研究者将响度[2-4]和音色特征应用于水下目标识别[5]中,目标识别率得到了一定的提高,但这些方法没有考虑舰船辐射噪声自身的特点,因此建立舰船辐射噪声的心理声学特征模型尤为重要．本文研究舰船辐射噪声的Moore响度模型,从谱质心特征的数学定义推导研究谱质心带宽、谱质心斜度和谱质心峰度的计算公式和物理含义,从而得到舰船辐射噪声的音色特征模型,并将舰船辐射噪声的响度和音色特征模型相结合,应用到实际水下目标识别中．1 舰船辐射噪声的Moore响度特征模型响度是描述人耳对声音感觉强度的心理声学量,Moore根据人耳的听觉原理和声波在人耳中的衰减特性,提出更加接近人耳听觉特性的响度计算模型.下面介绍Moore 响度[6-8]计算过程．首先对声音信号进行离散傅里叶变换,以1 Hz频率分辨率将声音信号的频率成分进行划分,声音信号就看作是以1 Hz为间隔、幅值不变的正弦声音信号的合成．在信号处理时,采样频率高于声音信号最高分析频率2倍以上,采样点数最好与采样率相同,这样可使信号的能量集中在原有的频率上不出现泄漏．声音信号在传播过程中通过外耳、中耳时,能量会发生变化,这种变化在具体的响度计算模型中用外耳和中耳的传递函数表示,本文采用三次多项式函数进行插值得到传递函数．首先将经外耳和中耳后的声音信号转换成激励模型,激励级表示的是声音信号经过外耳和中耳后在耳蜗中的声音能量级,根据下式转换为激励级LERB-level:LERB-level=10log(1)式中,ERB带宽Ewidth=24.673(4.368f/1000+1);p0=2×10-5 Pa为参考声压;指数权函数w(gk)=(1+pkgk)exp(-pkgk),gk=(fk-f)/f,pk=4f/Ewidth,fk表示有效频率成分的频率值．声音信号经过耳蜗后到达基底膜,用372个滤波器来模拟基底膜上的响应,即进行特性响度的计算．人耳的听觉频率范围是50～1.5×104Hz,由Enumber=21.366log(4.368Fi/1000+1)换算得到听觉频率范围是1.8～38.9 ERB，其中Enumber为ERB数，Fi为滤波器的中心频率.以0.1 ERB为间隔,得到372个滤波器,声音信号通过372个滤波器后的输出激励Ei为Ei=(2)式中,i=1,2,…,372;j为声音信号的有效频率数.滤波器采用前面的指数权函数.形式如下所示:(3)(4)根据输出激励计算特性响度,即(5)式中,ET为可听阈的能量;G的取值为500Hz以上的ET与500Hz以下的ET的比值;α的取值取决于G的取值;C=0.046871．图1为上述参数值的示意图．图1 ET,G值和α值的示意图根据以上计算步骤,可以得到372个特性响度值,总响度就等于这些特性响度之和,即(6)根据上述Moore响度的计算方法,可看出响度是声音信号幅度和频率的函数,与幅度变化有很大关系．在心理声学特征中,相同响度情况下,通过音色可以很好地区分信号.在声纳员听音判型中,响度和音色是紧密联系的,下面从音色特征研究舰船辐射噪声的音色模型．2 舰船辐射噪声的音色模型在声音响度相同的情况下,音色特征能有效地区分声音信号．螺旋桨的桨拍声以轻重变化为主要特点,音色就是在这种轻重拍的发生、发展、衰变到二者交替轮换中展现出来的动态特性[1]．每种乐器都有其固有的频率范围,产生基频和基频谐音,带来不同的音色,而桨拍声是不同结构的螺旋桨击水的声音．不同的船或不同的工况,比如桨的尺寸、桨轴功率、转速等不同,螺旋桨击水时具有不同的谐振频率,相应产生的基音和谐音不同,从而产生音色差别．在乐音中,谱质心是描述声音信号的频率分布和能量分布的信息．当声音集中在高频时,声音明亮、清晰、有光泽,相反在低频,声音暗、闷、不美[1]．谱质心的物理含义是声音能量集中的区域,在频率分析范围内,将谱能量函数看成是频率的概率密度函数,谱质心便是频率的一阶矩,基于一维的谱质心不能区分目标,因此提出了动态频带的多维谱质心特征提取方法[9].本文在谱质心的基础上研究二阶、三阶和四阶中心矩,即谱质心带宽、谱质心斜度和谱质心峰度,并推广到分段频段的谱质心、谱质心带宽、谱质心斜度和谱质心峰度,从而研究舰船辐射噪声的音色特征模型．对声音信号x(t)进行离散傅里叶变换得到p(f),然后进行归一化处理其中M为离散傅里叶变换的长度,则A(fh)可以看成是频率的概率密度函数．分别计算一阶矩、二阶矩、三阶矩和四阶矩,即二阶、三阶和四阶中心矩的计算公式如下:(7)(8)μ4=E[(x-Ex)4]=m4-4m3m1+6m2-3(9)则谱质心Sc=m1,谱质心带宽Sw=,谱质心斜度谱质心峰度为更好地理解其物理含义,用3个不同频率、不同声压级的正弦信号的合成声音进行说明:① 60dB、500Hz和60dB、1000Hz的正弦信号合成声音;② 60dB、500Hz和60dB、800Hz的正弦信号合成声音;③ 60dB、500Hz和63dB、1000Hz的正弦信号合成声音．由式(7)～(9)求得3个正弦合成声音的一维谱质心分别是750,650和833Hz,一维谱质心带宽分别为250,150和222.5Hz,一维谱质心斜度分别为0, 0和2820.6,一维谱质心峰度分别为62497,22497和91413．谱质心反映信号能量集中的频率区域,由上述正弦合成声音,可知谱质心与声音信号的基频有很大关系：当分音的幅度不变时,随着频率的下降谱质心有所下降；当分音频率不变时,谱质心靠近幅度最大的分音对应的频率值．谱质心带宽是能量分布概率的方差,反映信号能量集中的频率成分所占的带宽,谱质心带宽受声音信号的频率和幅度共同影响：当分音的幅度不变时,随着分音频率下降谱质心带宽相应有所下降；当分音的频率不变、幅度发生变化时,谱质心带宽要小于幅度变化前的谱质心带宽．谱质心斜度的值为零时,其能量概率密度函数是对称分布的．谱质心峰度反映信号能量分布偏离对称分布的歪斜程度,越接近对称分布,其值越接近零．3 仿真验证舰船辐射噪声时变功率谱的简化模型如下[10]:G(t,w)=[1+m(t)]Gx(w)+Gl(w)(10)式中,m(t)为具有随机幅度、相同形状、相同重复周期的脉冲性随机过程,单个脉冲的形状取为高斯型,uξ(t)=(ξ/)e-t2/(2σ2)，ξ服从的均匀分布．Gx(w)是时域连续谱,仿真模型为其中SL=112+50log(v/10)+15log(DT),航速v为10kn,吨位DT为10kt．Gl(w)是线谱,线谱时域信号仿真模型为其中，Ak高出连续谱10～25dB；fk=mns,m为谐波次数,n为叶片数,s为转速(r/s)．上述舰船辐射噪声的时变功率谱的采样频率为22.5kHz,n为4.由于人耳对声音响度的分辨率为0.01s,每一帧取为0.01s,观测1s内的归一化功率.根据上述的Moore响度计算方法计算Moore响度,并观测1s内的归一化Moore响度变化,4种模式的归一化功率和响度见图2.对海上实际数据进行仿真,采样频率为22.5kHz,每一帧取为0.01s,经过大量的数据统计,发现0.6s内3类目标A,B,C的Moore响度变化如图3所示．由图2可看出响度主要由功率谱密度的幅度决定,即主要受m(t)的影响,因此舰船辐射噪声的响度随着时间的变化而出现缓慢变化的周期效应.将舰船辐射噪声按照0.01s进行分帧,并对分帧的Moore响度值进行平均,最后将Moore响度均值作为响度特征．图2 均匀模式和非均匀模式的归一化功率和响度变化图图3 3类目标分帧Moore响度变化曲线针对海上实际数据,截取1s内的数据作为样本信号,分别得到3类目标基于六分段频带的谱质心、谱质心带宽、谱质心斜度和谱质心峰度的分布图,如图4所示．从图中可看出,六分段的谱质心、谱质心带宽、谱质心斜度和谱质心峰度有一定的区分度．将Moore响度的均值作为一维特征,顺序排列六分段频带的谱质心、谱质心带宽、谱质心斜度和谱质心峰度值,一共组成25维特征．依据一定的样本,统计3类目标A,B,C的25维特征,并计算特征的均值和方差,如图5所示．从图中可看出,3类目标的均值差异大,方差较小,特征集中度较好,证明组合的25维特征是较为稳健的．图4 3类目标的六分段谱质心、谱质心带宽、谱质心斜度和谱质心峰度分布图图5 3类目标25维特征的均值和方差分布图提取3类目标的响度和音色一共25维特征作为目标分类的识别特征,对130个样本进行试验,验证特征提取方法的有效性．分类器采用BP神经网络分类器,结构层数为3层,隐含层的层数为10,采用批处理方法,试验结果如表1所示．从表1可看出,将Moore响度和音色一共25维特征作为识别特征,其目标识别率较高,表明提取目标的响度和音色特征矢量作为识别特征对目标进行分类是有效的．表1 3类目标的识别率目标类型训练样本数目识别率A640 86B480 91C180 824 结语声纳员听音判型是一种有效的目标识别方法,建立相应的数学模型是研究难点．本文基于舰船辐射噪声的仿真模型研究Moore响度的变化规律,将Mooer响度均值作为一维特征,并在谱质心数学定义的基础上推导谱质心带宽、谱质心斜度和谱质心峰度的公式．由于一维的谱质心很难区分目标,因此提出基于分段频带的谱质心、谱质心带宽、谱质心斜度和谱质心峰度的音色特征模型．分析基于Moore响度和音色特征模型相结合的特征的均值和方差,得出这25维特征具有一定的稳健性,进一步将其应用于目标识别中,实验结果表明这一特征提取方法是有效的．实际中,鉴于目标声学特性的复杂多变性,本方法的稳健性还有待进一步研究．参考文献 (References)[1]刘载芳, 王大训, 张友奎. 声纳听音判型 [M]. 北京: 海军出版社,1999.[2]Park T H. Automatic musical instrument recognition [D]. Tampere,Finland: Tampere University of Technology, 2001.[3]Giulio A, Maurizio L, Emanuele P. Musical instrument timbres classification with spectral features [J]. Journal on Advance in Signal Processing, 2003, 2003(1): 5-14.[4]Xin Z, Zbigniew W. Analysis of sound features for musical timbre recognition [C]//International Conference on Multimedia and Ubiquitous Engineering. Seoul,Korea, 2007: 26-28.[5]王娜, 陈可安. 水下噪声音色属性回归模型以及在目标识别中的应用[J]. 物理学报, 2010, 59(4): 2873-2881.Wang Na, Chen Ke’an. Regression model of timbre attribute for underwater noise and its application to target recognition [J]. Acta Physica Sinica, 2010, 59(4): 2873-2881. (in Chinese)[6]Zwicker E, Fastl H. Psychoacoustics: facts and models [M]. 2nd ed. Berlin: Spring-Verlag, 1999: 204-237.[7]Moore B C J, Glasberg B R,Baer T. A model for the prediction of thresholds, loudness, and partial loudness [J]. Acoustical Society of America, 1997, 45(4): 224-239.[8]Moore B C J. ANSE S3.4-2005 Procedure for the computation of loudness of steady sounds [S]. New York: American National Standards Institute, 2005.[9]王娜, 陈克安. 分段谱质心特征在水下目标识别中的应用[J]. 兵工学报, 2009,30(2): 144-149.Wang Na, Chen Ke’an. Application of sub-band spectral centroid features to recognition underwater targets [J]. Acta Armamentarii, 2009, 30(2): 144-149. (in Chinese)[10]钱晓南. 舰船螺旋桨噪声 [M]. 上海:上海交通大学出版社, 2011.。
混沌理论及其在水声信号处理中的应用阅读随笔
《混沌理论及其在水声信号处理中的应用》阅读随笔一、内容概述在我近期阅读的《混沌理论及其在水声信号处理中的应用》我了解到混沌理论作为一种新兴的科学理论，其在水声信号处理领域的应用具有极其重要的意义。
本书的整体内容安排旨在阐述混沌理论的基本原理，并深入探讨其在解决实际问题中的应用。
尤其是针对水声信号处理这一特定领域，本书详细阐述了混沌理论如何被引入并应用于解决实际问题。
本书介绍了混沌理论的基本概念、原理以及基本思想。
混沌理论作为一门研究复杂系统的科学，具有揭示复杂系统内在规律的能力。
书中详细阐述了混沌现象的特性，如对初始条件的敏感依赖性、长期行为的不可预测性等，为后续应用混沌理论提供了理论基础。
本书进一步介绍了水声信号处理的基本概念以及面临的挑战，水声信号处理在海洋探测、水下通信等领域具有广泛的应用前景。
由于水声信号具有复杂性、噪声干扰等特点，使得信号处理的难度大大增加。
引入混沌理论成为解决这些问题的有效途径之一。
本书重点阐述了混沌理论在水声信号处理中的应用，通过引入混沌理论中的相关概念和方法，如混沌序列生成、混沌吸引子等，可以更有效地处理水声信号。
本书还通过实例分析和具体实验，展示了混沌理论在水声信号处理中的实际应用效果。
这些实例不仅验证了混沌理论的实用性，也为我提供了解决相关问题的新思路和新方法。
本书对混沌理论在水声信号处理中的未来发展趋势进行了展望。
随着科学技术的不断进步和发展，混沌理论的应用将越来越广泛。
我们可以预见更多的新方法和新技术将被引入到水声信号处理中，以更好地解决实际问题。
对于复杂的水声环境和水下通信等问题，也需要我们不断深入研究并寻求更好的解决方案。
《混沌理论及其在水声信号处理中的应用》这本书为我们提供了一个全新的视角来理解和解决水声信号处理问题，为我们未来的研究提供了宝贵的思路和启示。
二、混沌理论概述混沌理论是一门研究混沌现象的跨学科理论，其涉及的领域相当广泛，涵盖了数学、物理学、化学、生物学、经济学等各个领域。
基于简化多重分形谱算法的声信号预警识别
Ｈｚ 一』ｚ （ ≥０ ） ，
一
１ ｌ（ ｉｈ １ ｑ ｌ（ ｍｐ ｎ
一
ｒ） ） ， １ ｑ≠ ㈤ 图 １ 测试示意 图
ｍ
Ｆ ｇ １ Ｔｈ ｋ ｔｈ ｍａ ｆｅ ｐ ｒｍｅ ｔ ｉ． ｅ ｓ ｅｃ ｐｏ ｘ ｅｉ ｎ
２ ６
探 测 与 控 制 学 报
４
高于 目前 常用 的过零率检测方法 。
关键词 ： 多重分形谱； 坦克噪声 ； 预警识别
中 图分 类 号 ：Ｊ ；Ｎ １． 文 献标 志码 ： 文章编 号 ：０８１９ （ １ ） — ２— Ｔ４Ｔ ９ １７ Ａ １０— ４２ １０ ０ ４０ １ ０ ３０ ４ Ａ ｎｋ ｒ ｄｉ ｔ ｄ Ｎｏ ｓ ｄ ｎｔｆｃ ｔｏ ｅ ｈ ｄ Ｂａ ｅ ｎ Ｔａ － ａ ａ ｅ ｉｅ Ｉ ｅ ｉ ａ ｉ ｎ Ｍ ｔ ｏ ｓ ｄ ｏ ｉ
张
胜等 ： 基于简化 多重分形谱算法的声信号预警识别
２ ５
等） 噪声一般都有显著的混沌特性差异 ， 常见 的环境 了 ｑ － 对应关系的广义维数分形谱 。 Ｄ 噪声一般混沌特性不明显 。描述混沌信号的主要参
量是分形维数 ， 它是由辐射源的结构决定 的， 例如坦 克发动机参数等。所以声信号广义维数多重分形谱
Ｋ ｅ ｒ ｓ： ｌ ｆａ ｔｌ ｐ ｃｒ ｍ ；ａ ｋ ｒｄａｅ ｏｓ ；ｄ ｎ ｉｉ ｔ ｎ ｆｒｅ ｒｙ ａａ ｍｉｇ ｙ ｗｏ ｄ ｍｕｔ ｒｃａ ｅ ｔｕ ｔｎ －ａ ｉｔｄｎ ｉ ｉｅ ｔ ｃ ｉ ｏ ａ ｌ ｌｒ ｎ ｉ ｓ ｅ ｆａ ｏ
０ 引言
的多重分形谱算法 ， 目前该方法 已经在 目标水声信 号识别等方面取得了部分较好 的应用效果［ ］ ２ 。丁
来 的乘法运算简化为加法运算 ， 将大大提高运算速 似性 的结构特点 ， 把测得 的时间序列嵌入到一定维 度 ， 缩短识别时间。 数的欧 氏空间中， 进而考察这些 向量在广义维数定 将式（ ） ４ 代人式 （） 计算测度概率 （） 再将 ２， ，。 ． 义下 的测度 相似 性 指标 ［ ８ ＿ 。 得到的 （） ｒ 和参考距离 ｒ 代入式 （）阶数 ｑ ３， 选择 ２ 首先 ， 目标噪声的时间序列信号进行 相空间 对 １ 之间的整数 ， ０ 组成了 ｑ 对应关系的广义维数 － Ｄ。 重构 。选 择嵌 入 空 间维数 ， 般 ≥ ２ ＋ １１１ ， 一 Ｄｑ ［－］ ０１ 分形谱 。 根据状态多次测得的 Ｄ 取平均值作为先验 ０ 但嵌入空间维数也不能太大 ， 否则样本量可能显得 值 ， 并将其最大误差作 为置信 区间。 识别时， 只需要 较少 ， 无法在有限样本 中观察到分形现象。 对信号进行一定长度采样 ， 选定某个阶数 ｇ计算 Ｉ ， ） 口 其次， 计算奇异性测度。计算 ｈ个向量 中， 两两 值 ， 并与置信 区间作 比对 ， 落在置信 区间内的， 判定 向量 （ 和 ｊ 之间的奇异性测度。 目前常用算 为 目标 ， ） ，） （ 否则判定为虚警 。 法都是选择 ２ 一 范数测度 ， 即
基于声信号人耳听觉谱特征和SVME的水下目标识别欢迎访
基于声信号人耳听觉谱特征和SVME的水下目标识别杨宏晖1彭圆2曾向阳1摘要利用人耳听觉谱特征模拟人耳听觉系统的特性，提取了水下目标信号的人耳听觉谱特征，设计了基于支持向量机自适应增强集成算法用于水下目标的分类识别算法。
仿真实验证明，人耳听觉谱特征可有效用于水下目标识别，支持向量机自适应增强集成算法比单个优化的支持向量机分类器的正确识别率高％～％。
关键词人耳听觉谱特征水下目标识别支持向量机集成1 引言长期以来，为了提高水下目标识别的正确率,国内外研究人员从不同的角度对水下目标辐射噪声原始信号进行了分析和研究,提取了各种水下目标特征。
提取的水下目标特征主要有以下几类：时域波形特征[1]、频域分析特征[2-3]、时频分析特征[4]、非线性特征[5]和听觉特征[6-7]。
这些特征各有特点：时域波形特征的主要特点是方法简单、实时性好。
但水下目标信号时域波形结构复杂，难以提取具有高分类信息的波形结构特征[1]。
频域分析特征的特点是技术成熟、方法简单,而且谱信息中包含明确的物理概念，但适合处理线性、平稳信号[2-3]。
时频分析方法提取的特征可以更好地反映目标的时域和频域特征。
但小波分析算法较为复杂，存储量、运算量大，计算速度慢，实时性差。
而且小波分析适合处理非平稳信号，处理非线性信号能力较弱[4]。
我国学者的研究表明:舰船噪声有混沌现象，舰船噪声极限环有混沌行为，舰船辐射噪声的非线性表明同类目标具有相似性，不同类目标具有可分性[5]。
但是在实际的随机噪声中，不存在严格的分形信号，大多数水声信号只是在某种尺度范围内具有分形特征。
因此，分形与混沌方法仅是识别特征的补充。
众所周知，依靠人耳极其灵敏的听觉系统和长期在实践中积累的经验来判断水下目标类型仍然是水下目标识别的重要途径之一。
目前模拟人耳听觉系统进行水下目标识别的研究报道很少。
国内外研究人员提取了水下目标辐射噪声信号的听觉特征、语音特征及心理声学参数特征[6-7]。
水声技术▏黄海宁等：基于形状特征的水声图像小目标识别方法
⽔声技术▏黄海宁等：基于形状特征的⽔声图像⼩⽬标识别⽅法近年来，⽔下成像技术的⽇渐成熟为⾼分辨率⽔声图像的获得提供了可能，⼈⼯静⽌⼩⽬标的定位与识别技术得到了⼴泛研究。
由于⽬标成像受⽔下复杂环境、⽔底地形以及⽔介质特性的影响较⼤，所获得的⽔声图像存在噪声污染、边缘模糊等问题，因此⽬标识别过程存在⼀定阻碍。
尽管如此，在声呐设备获得的⽔声图像中，⽬标的形状特征仍然⽐较明显，形状特征作为描述⽬标的⼀个关键信息，在⽬标识别过程中发挥着重要作⽤，得到了国内外学者的⼴泛重视。
形状特征识别主要是利⽤⽬标或者周边阴影形状的⼏何特性。
Dura等使⽤超椭圆曲线拟合算法，通过控制超椭圆函数的参数来拟合不同⽬标的阴影形状，从阴影部分的超椭圆函数中提取参数特征，以此实现对⽬标的分类，能够得到较⾼的准确率。
Sinai等利⽤C-V轮廓算法对⽬标及阴影区域分别进⾏分割，提取⽬标区域与阴影之间的距离、⾓度等⼏何参数作为特征，对合成孔径声呐(SAS)图像中的⽬标具有良好的识别效果。
然⽽，随着声呐获取图像的⾓度、⽅位发⽣变化，⽬标的阴影形状会存在较⼤差异甚⾄不存在，通过阴影特征进⾏⽬标识别存在⼀定局限性。
对此，Zhai等通过使⽤瑞利混合模型结合马尔科夫随机场直接对⽬标区域进⾏了分割，以此为基础得到⽬标轮廓，能够获取⽬标的形状特征。
王喜龙等利⽤⽔平集⽅法获得声呐图像中⽬标的⼤概轮廓，在此基础上使⽤⽀持向量机对⽬标进⾏识别，最终得到的识别准确率较⾼，应⽤范围较⼴，但是在相似物体的识别⽅⾯还存在⼀定的误差。
此外，深度神经⽹络在⽬标识别中也发挥了重要应⽤，Williams采⽤卷积神经⽹络对⽔下⼩⽬标进⾏识别，根据有⽆⽬标分为两类，分类效果较好。
朱可卿等使⽤深度神经⽹络的⽅法对⾼分辨率声图⼩⽬标进⾏识别分类，能够获得较⾼的准确率。
为了有效地抑制背景噪声，更好地提取⽬标的形状特征，进⼀步提⾼⽬标识别率，本⽂提出⼀种基于形状特征的⽔声图像⼩⽬标识别⽅法。
水声探测中的目标识别技术研究
水声探测中的目标识别技术研究在海洋探索和军事应用等众多领域中，水声探测中的目标识别技术一直占据着至关重要的地位。
它就像是我们在茫茫大海中的“眼睛”，帮助我们在复杂的水下环境中准确地发现和识别各种目标。
水声探测，简单来说，就是利用声波在水中传播的特性来获取信息。
而目标识别技术则是从接收到的水声信号中提取有价值的特征，并根据这些特征来判断目标的类型、位置、速度等关键信息。
要理解水声探测中的目标识别技术，首先得清楚水下环境的复杂性。
水对声波的吸收、散射以及各种海洋噪声的干扰，都给目标识别带来了巨大的挑战。
与在空气中传播的声波相比，水中的声波传播速度更快，衰减也更严重。
这意味着我们接收到的声波信号可能已经严重变形，从而增加了识别的难度。
在目标识别的过程中，特征提取是一个关键的环节。
常见的特征包括目标的声学特征，如回波的幅度、频率、相位等。
这些特征就像是目标的“指纹”，能够帮助我们区分不同类型的目标。
例如，潜艇和鱼类的回波特征就有明显的差异。
潜艇通常具有较大的体积和规则的形状，其回波会比较强且稳定；而鱼类的体型较小且形状不规则，回波相对较弱且多变。
除了声学特征，目标的运动特征也是重要的识别依据。
通过分析目标的速度、加速度、运动轨迹等信息，可以进一步提高识别的准确性。
比如说，一艘匀速直线行驶的船只和一艘频繁改变航向的船只，它们的运动特征就有很大的不同。
在实际应用中，多传感器融合技术逐渐成为一种趋势。
单一的传感器可能存在局限性，而将多个不同类型的传感器（如声纳、磁力计、压力传感器等）获取的信息进行融合，可以提供更全面、更准确的目标信息。
就好像我们通过多个角度观察一个物体，能够更清晰地了解它的全貌。
另外，模式识别算法在目标识别中也发挥着重要作用。
常见的算法有基于统计的方法、基于神经网络的方法等。
基于统计的方法通过对大量样本数据的统计分析，建立目标的特征模型；而神经网络方法则通过模拟人脑的神经元网络，具有很强的学习和自适应能力。
基于深度学习的水声通信信号调制类型识别
基于深度学习的水声通信信号调制类型识别
黄乐;夏志军;周胜增;原玉婷;王静怡
【期刊名称】《舰船科学技术》
【年(卷),期】2024(46)9
【摘要】水声通信信号识别为水声通信侦察和对抗的重要前提,具有重要作用。
然而,传统的水声通信信号识别方法通常是基于信号处理和模式识别技术,依赖领域专家的专业知识和经验进行特征选择和提取,具有较强的主观性,且可能无法利用更复杂的信号特征。
本文基于深度学习提出一种水声通信信号识别的智能方法。
首先利用仿真数据对卷积神经网络进行训练,然后分别使用仿真和湖上试验数据对算法网络进行测试。
仿真结果表明,在SNR=5dB时,该方法对2ASK、4ASK、BPSK、QPSK、2FSK、4FSK和OFDM等7种水下通信信号的识别率均能达到90%以上,7种湖上试验的通信信号类型平均识别率达到97.9%。
这表明该方法具有良好的宽容性。
此外,本文还通过对基于高阶累积量和深度学习方法的比较,验证了本文提出方法具有显著的优越性。
【总页数】8页(P117-124)
【作者】黄乐;夏志军;周胜增;原玉婷;王静怡
【作者单位】上海船舶电子设备研究所;海军大连舰艇学院
【正文语种】中文
【中图分类】TN911.7
【相关文献】
1.一种基于CGAN+CNN的水声通信信号调制识别方法
2.基于迁移学习的水声通信信号调制识别方法
3.基于VMD-ResNet的水声通信信号调制识别方法
4.基于被动时间反转-自编码器的水声通信信号调制识别方法
5.基于GRU和ResNet的短时水声通信信号调制识别
因版权原因，仅展示原文概要，查看原文内容请购买。
水声信号处理与识别技术
水声信号处理与识别技术是一种在水下环境中收集、分析和利用水声信号的技术。
它可以应用于各种领域，如声纳、水下通信、海洋勘探等。
随着现代水声技术的不断发展，也受到了越来越多的关注和应用。
本文将介绍的相关概念、原理、方法及其在各领域的应用。
一、概念是一种利用水声信号进行信息采集、处理和识别的技术。
它可以通过声纳设备、水下通信系统等在水下环境中采集和传输声音信号，同时利用信号处理技术，对这些声音信号进行降噪、滤波、分析和识别等操作，最终得到有效的信息。
二、原理的基本原理是通过声纳设备、水下通信系统等采集水声信号，将其转化为电信号，然后利用数字信号处理技术对其进行处理和分析。
具体来说，一般包括以下步骤：1、水声信号采集：将水中的声音信号转化为电信号，采集到计算机或其他处理设备中。
2、信号预处理：对采集到的信号进行预处理，包括降噪、滤波、放大等操作，以提高信号质量和清晰度。
3、信号分析：对预处理后的信号进行频谱分析、时域分析等操作，得到信号的各种特征参数。
4、信号识别：将分析得到的特征参数与已知模式进行匹配或分类，以确定信号的来源或内容。
5、信息提取：将识别后的信号转化为可用的信息，以供后续的应用。
三、方法的具体方法包括滤波、频谱分析、时域分析、波形分析、自适应算法等。
1、滤波：利用滤波器对信号进行预处理，去除杂波和噪声，提高信号的清晰度和可分辨性。
2、频谱分析：根据傅里叶变换原理，将时域信号转换为频域信号，分析信号在不同频率上的特征，以提取信号的频谱特征。
3、时域分析：对信号在时间轴上的变化进行分析，如自相关、互相关、功率谱等操作，以提取信号的时域特征。
4、波形分析：利用波形特征对信号进行分类和识别，如短时波形分析、峰值检测、滑动窗口分析等方法。
5、自适应算法：根据信号的统计特征和模型，自适应地调整算法的参数，以提高算法的适应性和准确性。
四、应用可以应用于各种领域，如声纳探测、水下通信、海洋勘探、水下定位、水下机器人等。
水下目标识别与声信号处理技术
水下目标识别与声信号处理技术水下目标识别与声信号处理技术 1、目的与意义水下目标探测与识别技术对海洋资源的开发和利用以及军事方面有着极大的意义和作用。
比如海底石油的开发和探测，下水潜艇的探测，以及海底残骸，海底底质的分类等等。
目前水下目标探测的主要传感器有:微光TV、激光成像和声纳传感器。
微光TV的图像清楚,但受海水能见度影响很大,总的来说可识别的距离太近,实际应用中难以满足要求;激光成像是在近几年发展起来的新方法,比较适合水下机器人使用,其体积、重量和所需功耗都较小,成像质量远高于声学成像并类似于微光TV,作用距离比TV远,同时可提供较准确的距离信息。
然而要满足对水下目标识别的要求,仍然有不少技术难关需攻克;声学传感器(声纳)在水中作用距离远,又有一定的分辨率,所以是目前水下目标探测的主要传感器。
但是,声纳传感器受海洋环境、背景目标等影响,成像的清晰度不够,给目标探测和识别增加了难度。
智能水下机器人的视觉系统主要依靠“声视觉”。
与传统的声纳系统不同，声视觉系统不仅有声图像和声信息的获取能力，而且应该具备对图像和信息的处理、特征提取以及分类和识别的功能。
安装在机器人主体上的成像探测声纳主要有两类:(1)侧扫声纳:对机器人下方和两侧进行扫描成像的声纳系统，主要用于远距离，大范围的目标探测与定位。
(2)前视声纳:对机器人前方物体和景物声成像的声纳系统。
2、整个声视觉系统的框架为:(l)机器人前方:安装低分辨前视声纳、高分辨率前视声纳(采用声透镜技术)或三维成像声纳。
低分辨前视声纳主要用来发现前方远距离目标，在探测到可疑目标后，接近目标启动高分辨率前视声纳或三维声纳，进行目标的精细探测和识别;(2)机器人侧面:安装高分辨侧扫声纳，主要用来进行远距离海底探测，发现目标后，引导机器人下潜进行近距离识别; (3)机器人下方:安装高分辨的近距离成像声纳或三维成像声纳。
主要进行海底目标(水雷，沉船或管道等)高分辨率识别。
基于被动声呐音频信号的水中目标识别综述
基于被动声呐音频信号的水中目标识别综述
徐齐胜;许可乐;窦勇;高彩丽;乔鹏;冯大为;朱博青
【期刊名称】《自动化学报》
【年(卷),期】2024(50)4
【摘要】基于被动声呐音频信号的水中目标识别是当前水下无人探测领域的重要技术难题,在军事和民用领域都应用广泛.本文从数据处理和识别方法两个层面系统阐述基于被动声呐信号进行水中目标识别的方法和流程.在数据处理方面,从基于被动声呐信号的水中目标识别基本流程、被动声呐音频信号分析的数理基础及其特征提取三个方面概述被动声呐信号处理的基本原理.在识别方法层面,全面分析基于机器学习算法的水中目标识别方法,并聚焦以深度学习算法为核心的水中目标识别研究.本文从有监督学习、无监督学习、自监督学习等多种学习范式对当前研究进展进行系统性的总结分析,并从算法的标签数据需求、鲁棒性、可扩展性与适应性等多个维度分析这些方法的优缺点.同时,还总结该领域中较为广泛使用的公开数据集,并分析公开数据集应具备的基本要素.最后,通过对水中目标识别过程的论述,总结目前基于被动声呐音频信号的水中目标自动识别算法存在的困难与挑战,并对该领域未来的发展方向进行展望.
【总页数】25页(P649-673)
【作者】徐齐胜;许可乐;窦勇;高彩丽;乔鹏;冯大为;朱博青
【作者单位】国防科技大学计算机学院;并行与分布处理国防科技重点实验室【正文语种】中文
【中图分类】TP3
【相关文献】
1.一种基于谱估计的被动声呐目标识别方法
2.基于目标MFCC特征的监督学习方法在被动声呐目标识别中的应用研究
3.基于听觉ERB模型的被动声呐目标识别
因版权原因，仅展示原文概要，查看原文内容请购买。
基于深度学习的水下目标识别方法[发明专利]
![基于深度学习的水下目标识别方法[发明专利]](https://img.taocdn.com/s3/m/5ebdf1551fd9ad51f01dc281e53a580216fc50ef.png)
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201610929714.X(22)申请日 2016.10.31(71)申请人 西北工业大学地址 710072 陕西省西安市友谊西路127号(72)发明人 曹旭 张效民 于洋 韩鹏 罗建 (74)专利代理机构 西北工业大学专利中心61204代理人 刘新琼(51)Int.Cl.G06K 9/00(2006.01)G06K 9/62(2006.01)G06N 3/08(2006.01)(54)发明名称基于深度学习的水下目标识别方法(57)摘要本发明涉及一种基于深度学习的水下目标识别方法，主要解决现有的目标识别系统主要依靠浅层模型进行人工特征提取，导致识别精度不高的问题。
本发明的具体步骤如下：(1)对原始舰船目标辐射噪声数据分段求取功率谱特征；(2)将功率谱特征分成训练数据集和测试数据集；(3)对训练数据进行ZCA白化预处理；(4)构造并训练栈式自编码网络；(5)微调深度网络模型；(6)对测试数据进行分类识别。
海试数据实验表明，本发明利用深度网络学习舰船目标辐射噪声的深层特征进行分类识别，识别率达到94％以上，提高了水下目标识别效果，对未来水下舰船及海洋生物的识别和监视具有重要的实际应用前景。
权利要求书2页 说明书6页 附图4页CN 106529428 A 2017.03.22C N 106529428A1.一种基于深度学习的水下目标识别方法，其特征在于步骤如下：步骤1：对原始舰船目标辐射噪声数据分段求取功率谱特征：获取原始舰船目标辐射噪声序列，进行分段处理，得到的分段数据为x(n),n＝0,1,2,…,N-1，按照公式对分段数据进行功率谱估计，将相邻4段数据的功率谱进行平均，得到最终的功率谱特征计算结果：其中f＝(f1,f2,f3,…,f M)表示相应的离散频率点；步骤2：将功率谱特征分成训练数据集和测试数据集：将功率谱特征P(f)按照3:1随机选取，划分为训练数据集和测试数据集，将训练数据集的每一帧功率谱特征作为一列，组成训练矩阵P：其中，P i(f j)表示第i个训练数据的第j维功率谱特征；步骤3：对训练数据进行ZCA白化预处理；步骤4：构造并训练栈式自编码网络；步骤5：微调fine-tune深度网络模型：利用反向传播算法，将栈式自编码网络的所有层当做一个模型，在每次迭代中，优化网络中的所有权重值，得到最终的网络节点参数；步骤6：对测试数据进行分类识别：根据训练数据集的特征均值的方差，预处理测试数据，将处理完的数据作为栈式自编码网络的输入，计算最终的分类结果。
基于支持向量机的水声信号多分类器设计
基于支持向量机的水声信号多分类器设计刘深【期刊名称】《电子设计工程》【年(卷),期】2014(000)021【摘要】目标分类器是水下目标自动识别系统的重要组成部分，目前水下目标分类的方法主要有统计分类、神经网络和专家系统等三大类的分类方法。
支持向量机（SVM，Support Vector Machine）是根据统计理论提出的一种新的算法，该算法具有良好的泛化性能，不仅对训练样本的分类性能较好，对未知的检验样本同样具有好的分类效果，特别适用于小样本数据的分类。
本文将该算法推广至多分类情况，并对三类水声信号样本进行分类试验。
实验结果表明，该算法可以有效的避免“维数灾难”问题，且分类正确率高于传统的神经网络分类器。
%Target classification is an important part of the underwater target automatic identification system, the current method of classification of underwater targets are mainly three categories of classification statistical classification, neural networks and expert systems. Support vector machine (SVM, Support Vector Machine) is a new algorithm based on statistical theory, that the algorithm has good generalization performance, not only for better classification performance of training samples, testing unknown samples also has good classification results, especially for small samples of data classification. In this paper, the algorithm is extended up to multiple classification, and testing three types of underwater acoustic signal. Experimental results show that the algorithm can effectively avoidthe"dimensional disaster"and the correct classification rate is higher than the traditional neural network classifier.【总页数】4页(P59-62)【作者】刘深【作者单位】昆明船舶设备研究试验中心云南昆明 650051【正文语种】中文【中图分类】TN911.7【相关文献】1.基于优化支持向量机多分类器的水电机组故障诊断 [J], 秦正飞;高磊;王军现;康健2.一种基于改进的支持向量机多分类器图像标注方法 [J], 吴伟;聂建云;高光来3.基于支持向量机多分类器的室内外场景感知算法 [J], 阮锦佳;罗丹;罗海勇4.基于优化支持向量机多分类器的水电机组故障诊断 [J], 秦正飞;高磊;王军现;康健;;;;5.决策树支持向量机多分类器设计的向量投影法 [J], 厉小润;赵光宙;赵辽英因版权原因，仅展示原文概要，查看原文内容请购买。
水声信号的多模态特征提取与分析技术
水声信号的多模态特征提取与分析技术在广阔的海洋世界中，水声信号就如同海洋的语言，蕴含着丰富的信息。
对于水声信号的研究，特别是多模态特征提取与分析技术，成为了探索海洋奥秘、保障海洋安全以及实现各种海洋应用的关键。
要理解水声信号的多模态特征提取与分析技术，首先得明白什么是水声信号。
简单来说，水声信号就是在水中传播的声音信号。
海洋中的生物活动、水流运动、船只航行以及海底地形变化等都会产生各种各样的水声信号。
这些信号具有复杂的特性，包括频率、振幅、相位等。
多模态特征提取，就是从不同的角度和方面来获取水声信号的特征。
这就好比我们认识一个人，不仅要看他的外貌，还要了解他的性格、习惯等多个方面。
对于水声信号，我们可能会关注它的时域特征，也就是信号随时间的变化情况；频域特征，即信号在不同频率上的分布；还有时频域特征，综合考虑时间和频率的变化。
在时域特征提取中，常用的方法有峰值检测、过零率计算等。
峰值检测能够帮助我们找到信号中的最强点，从而了解信号的能量集中位置。
过零率则反映了信号在正负之间变化的频繁程度。
频域特征提取通常会用到傅里叶变换。
通过傅里叶变换，我们可以将时域的信号转换到频域，清晰地看到信号在不同频率上的成分。
这对于分析信号的主要频率成分以及噪声分布非常有用。
而时频域特征提取，比如小波变换，能够同时展示信号在时间和频率上的变化细节。
这在处理非平稳的水声信号时具有很大的优势，能够捕捉到信号的瞬间变化和频率的动态调整。
提取到多模态特征后，接下来就是分析这些特征。
分析的目的是为了从中获取有用的信息，例如判断信号的来源、类型，甚至预测未来的信号变化。
在分析过程中，模式识别技术发挥着重要作用。
我们可以将提取到的特征与已知的模式进行对比，从而对信号进行分类和识别。
机器学习算法，如支持向量机、决策树等，也常常被用于构建分类模型，提高分析的准确性和效率。
除了模式识别和机器学习，统计分析也是常用的手段。
通过计算特征的均值、方差、相关性等统计量，我们可以了解信号的整体特性和内在规律。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
文章编号 ：０ ６—９４ （０ ０ １ ０ ２ ０ １０ ３８ ２ １ ） １— ３ ８—
２１年１月 ００ １
基 于 分 形 特 征 的水 声 目标 信 号 分 类 识 别
王艳 丰 ， 李钢 虎 ， 王志强 ， 魏 鑫
（ 北 工 业 大 学航 海 学 院 ， 西 西 安 ７０ ７ ） 西 陕 １０ ２
信 号 的检 测 和 识 别提 供 良好 的 理 论依 据 ， 给 出 了具 体 的 算 法 的 步骤 。 并
关键词 ： 目标识别 ； 分形维数 ； 最小二乘拟合
中图 分 类号 ：Ｐ １．２ Ｔ ９ １７ 文 献 标 识码 ：Ｂ
Ｕｎ ｒ ｔ ｒ Ａｃ ｕ ｔｃ Ｔａ ｇ ｔＲｅ ｏ ｎ ｔｏ ｓ ｄ ｏ ａ ｔ ｌＦｅ ｔ ｒ ｄｅ ｗａ ｅ ｏ ｓｉ ｒ ｅ ｃ ｇ ｉｉ ｎ Ｂａ ｅ ｎ Ｆｒ ｃ ａ ａ ｕ ｅ
虽然水声 目标信号在 时域上表现 出杂乱无章 ， 但其实质 却有一定的内在规律 ， 其规律就体 现在分形维数上 。本文根 据水声 目标信 号 的这种 内在规 律 ， 目标信 号进 行特 征提 对 取， 并将提取 的分形维数作 为特征矢量 ， Ｂ 用 Ｐ神经网络对水
声 目标 信 号 进 行 分类 识 别 。统 计 实 验 表 明 ， 方 法 经 训 练 学 该
Ｗ ＡＮＧ ｎ —ｆ ｎ Ｙａ ｅ ｇ，Ｌ ｎ ＩＧａ ｇ—ｈ ｕ，Ｗ ＡＮＧ ｈ Ｚ ｉ—ｑ ａ ｇ，Ｗ ＥＩＸｉ ｉｎ ｎ
（ ｏｅｅｏ Ｍａ ｎ ｎｉｅｒ ｇ Ｎ ｒ ｗ ｓ ｒ ｏ ｔ ｈ ｉ ｌ ｎｖｒｔ， ｉａ ｈｎｉ １０ ２ Ｃ ｉ ） Ｃ ｌｇ ｆ ｒ ｅ ｇ ｅｉ ， ｏ ｈ ｅｔ ｎＰ ｌ ｅ ｎｃ ｉｅ ｉ Ｘ ’ｎＳａｘ ７０ ７ ， ｈｎ ｌ ｉ Ｅ ｎ ｎ ｔ ｅ ｙｃ ａＵ ｓｙ ａ
摘要： 在水声信号的研究 中， 应提高准确性 。由于水声信号不具有严格 的线性区域 ， 过去直接对近似线性 区域进行最小 二乘
拟合求得分形维数误差较大 ， 于信号的识别 。为解决上述问题 ， 不利 在分形布朗运动 的基础上， 出采用水声 目标信号近似 提
线性 区域进行了分段处理 ， 运用最小二乘拟合求得各段的分形维数 ， 并将各段的分形维数作为 目标信号的特征矢量 ， 而以 进 Ｂ Ｐ神经网络作为分类器进行 目标的分类识别。实测 目标 的分类结果表 明， 上述方法提高 了分形维数 的稳定性 ， 为水声 目标
习后 ， 良好 的识别性能。 有
由于水下 目标信号具有高度非平稳性 ， 时域上大 多表 在 现出杂乱无 章的形 式 ， 难从 中观察到规 律 ， 以过去 对水 很 所 声 目标信号 特征 的研究主要是集中在频域的分析 ， 如功率谱
ＡＢＳ ＴＲＡ ＣＴ ：ｎ ｏｄｅ ｏ ｒｄｕ ｅ ｔｅ ｅ ｒ ｒｗｈ ｎ ｅ ａｕ ｔｎ ｒｃ ａ ｉ ｎ ｉ ｎ ｆｕｎ ｅ ｗａｅ ｃ ｕ ｔｃ ｔｒ ｅｓ，ｔ ｉ ａ Ｉ ｒ ｒｔ ｅ ｃ ｈ ｒｏ ｅ ｖ ｌａ ｉｇ ｆａ ｔｌｄ ｍｅ ｓｏ ｓｏ ｄ ｒ ｔｒａ ｏ ｓｉ ａｇ ｔ ｈｓ ｐ — ｐ ｒｐ ｏ ｏ ｅ ｔｏ ａ ｅ ｎ ｆａ ｔｌＢｒ ｗｎ ｍｏｉｎ． Ｆｉｓ ，ｔ ｅ ｌｎ ａ ｅ ｉｎ ｏ ｎ ｒ ｔｒａ ｏ ｓｉ ａ ｇ ｔ ｓｐ ｒｉ ｅ ｒ ｐ ｓ ｓ ａ ｍｅｈ ｄ ｂ ｓ ｄ ｏ ｒｅ ａ ｏ ｔ ｏ ｒｔ ｈ ｉ ｅ ｒｒ ｇｏ ｆｕ ｄｅ ｗａｅ ｃ ｕ ｔｃ ｔｒ ｅｓｉ ａ ・ ｔ ｔ ｎｅ Ｔｈ ｎ，ｔ ｅ ｌａ ｔｓ ｕａｅ ｆｔｉ ｓｕ ｅ ｏ ｃ ｍ ｐ ｔ ｈ ｒ ｃａ ｉ ｎ ｉｎ ｆｅ ｅｙ ｒ ｇｏ ｉ ｄ． ｏ ｅ ｈ ｅ ｓ ｑ ｒ ｔ ｉ ｓ ｄ ｔ ｏ ｕ ｅｔ ｅｆａ ｔｌｄ ｍｅ ｓｏ ｓｏ ｖ ｒ ｅ ｉｎ，ｗｈ ｃ ｒ ｈｅｆ ａｕ ｅ ｉ ｎｇ ｉ ｈ ａｅ ｔ ｅ ｔ ｒ ｏ ｈｅ ｕ ｄｅ ａｅ ｃ ｕｓｉ ａｇ ｔ． Ｆ ｔ ｅ ｍｏ ｅ， ｔｅ ｒ ｃ ｇ ｉｉｎ ｍ ｅｈ ｄ ｂ ｓ ｄ ｏ ｃ ｏ ｇ ｔｏ ｅｗｏ ｋ ｉ ｐ ｏ ｆｔ ｎ ｒ ｔ ｒａ ｏ ｔｃ ｔｒ ｅｓ ｗ ｕｒｈ ｒ ｒ ｈ ｅ ｏ ｎ ｔ ｔｏ ａ ｅ ｎ ｂａ ｋ ｐｒｐａ ａｉ ｎ ｎ ｔ ｒ ｓ ｒ — ｏ ｐ ｓ ｄ．Ｔｈ ｅ ｕ ｔ ｆｔ ｅ ｏ ｎｔｏ ｆａ ｔ ａ ａ ｇ ｔ ｈｏ ｔ ｔｔｅ ｍ ｅｈ ｄ ｃ ｎ ｂｅｕｓ ｄ ａ ｅ ｆａｕｒ ｆｓ ｉ ｉ— ｏｅ ｅ ｒ ｓ ｌｓｏ ｈｅ ｒｃ ｇ ｉｉｎ ｏ ｃｕ ｌｔ ｒｅ ｓｓ ｗ ｈａ ｈ ｔ ｏ ａ ｅ ｓ ａ ｎ ｗ ｅ ｔ ｅｏ ｈ ｐ ｓｇ ｎ ｌ ｏ ｅ ｅ ｔｏ ｎ ｉｅ ｉｉａｉｎ ｆ ｓ ｐ ． Ｆｉａ ｌ ｔ ｅ ｌｏ ｉ ａｓ ｆｒｄ ｔ ｃｉｎ ａ ｄ ｄ ｎｔ ｃ ｔ ｏ ｈｉｓ ｆ ｏ ｎ ｌｙ， ｈ ａｇ ｒｔ ｈｍ ｉ ｉ ｕ ｔａｅ ｍｅ ｉａｌ ｎ ｔｒ ｅ ｅ ｏ ｉｉｎ ｓ ｌ ｓｒ ｔｄ ｎｕ ｒｃ ｌ ｉ ａｇ ｔｒ ｃ ｇ ｔｏ ｌ ｙ ｎ ｐ ｏ ｌｍ ． ｒｂｅ Ｋ ＥＹ Ｗ Ｏ ＲＤ Ｓ： ｒ ｅ ｅ ｏ ｎｉｉｎ；Ｆｒ ｃａ ｍｅ ｓｏ Ｔａｇ ｔｒｃ ｇ ｔｏ ａ ｔｌｄｉ ｎ ｉ ｎ；Ｌｅ ｓ ｑ ｒ ｔｉ ａ ｔｓ ｕａ ｅｆ ｔｎｇ ｉ
１ 引言
在水声信号识别 中， 识别的准确度主要取决于 目标 特征 的选择和所使用 的分类器 。因为 目标 信号 的不 同特征 的提 取方法是不 同的， 并且各种 方法 有其不 同的优缺点 ， 适用 的 场合也不同， 所以 目标特征提取方法的性能决定 了 目标 识别
的成 功 与 否 。