基于WOSA-EM算法的线谱频率估计

针对水下目标辐射噪声中多线谱成分的检测与频率估计问题,提出一种基于加权交叠平均法和EM算法的水下目标辐射噪声线谱检测与频率估计方法.首先构造目标辐射噪声的数理模型,然后根据加权交叠平均(WOSA)谱估计方法不产生伪峰的特点,判断可能存在的线谱数量和线谱频率,确定数理模型参数,然后采用EM迭代算法得到线谱频率的极大似然估计.仿真结果表明:提出方法计算量较少,使得多线谱频率估计问题的复杂度大大降低,可用于检测和识别水下目标辐射噪声中的多线谱成分,且对于幅度较大的线谱频率估计时收敛速度较快.     

舰船辐射噪声功率谱特征提取及系统实现

舰船辐射噪声特征提取是水下被动声探测装置进行目标识别、分类的关键技术;针对于此,研究了基于功率谱的连续谱、线谱特征实时提取技术和工程实现;该技术以分段拟合为基础,首先提取功率谱中的连续谱特征,再从原始功率谱中减去连续谱得到线谱分布,然后进行线谱特征提取;在此摹础上,详细介绍了舰船噪声功率谱特征提取的软、硬件系统设计和实现技术;系统经过实验验证,能有效提取不同类型目标的特征,系统性能良好,可满足新一代水下智能被动探测的要求.     

优化的线谱特征在水下目标识别中的应用

水下目标舰船辐射噪声中有很强的线谱成份,这些成份对分类识别是非常有价值的,因此利用线谱特征射舰船目标进行识别是水声领域研究的重要内容。采用最小二乘曲线拟合方法提取了舰船辐射噪声的连续谱。在此基础上主要研究了线谱特征的提取方法,获得了线谱的4维特征,对所提取的4维线谱特征进行了优化处理。基于这些优化的线谱特征采用BP神经网络对海上实录的三类水下目标辐射噪声进行了分类识别,实验结果证明了方法的可行性和有效性,识别率达到90％以上,分类效果很好。     

水下航行器辐射噪声谱增强新方法

提出了基于四阶累积量对角切片的自适应动态谱线增强新方法，对其原理进行了剖析。用实测水下航行器辐射噪声数据，对动态谱线增强进行了仿真研究。结果表明：基于四阶累积量对角切片的自适应动态谱线增强方法（FOCDSBADLE）抑制高斯噪声的能力远强于传统的自适应谱线增强方法（ALE）。本文的新方法为弱信号检测、参数估计和目标识别等信号处理提供了一条新的技术途径。     

一种基于多分形奇异谱的噪声奇异性分析新方法

在介绍了噪声中的奇异性以及其全局奇异性的表征方法——多分形奇异谱的基础上，提出并实现了一种基于子波分解模极大的计算噪声多分形奇异谱的方法，通过对仿真信号验证，证明了该方法准确可靠。在对实测信号分析中，也发现该方法得到的多分形奇异谱比功率谱更能充分刻画噪声信号的特性。     

基于Dopplerlet变换的舰船辐射噪声特征提取方法

在对信号进行线性变换的过程中，最好将基函数取成与待分析信号的性态相类似的信号。基于此，提出了一种基于Dopplerlet变换的舰船辐射噪声特征提取方法，给出了基于进化规划算法的Dopplerlet变换分解流程。理论上该方法提取出的特征不包含其他噪声的信息，因此由此提取出的舰船噪声特征更加可靠。使用本文方法与基于小波变换、波形结构、自然尺度等的特征提取方法对收集到的舰船辐射噪声进行了对比识别试验，结果证明基于Dopplerlet变换的舰船辐射噪声特征提取方法更加可靠和有效。     

水下航行平台仰视声纳测波的运动补偿方法

为了用水下航行平台上的仰视声纳测量波浪,分析了水下航行的运动特点,提出了一种基于误差最小的频谱估计运动补偿算法,首先利用高通滤波处理,减少波浪频谱中由垂直起伏产生的低频影响;同时,采用小波变换多分辨分解的低频单支重构,获得波浪频谱的趋势化规则谱形;然后,利用迭代计算对波浪频谱寻优求解,减少其中由水平运动产生的多普勒频偏影响,获得航行测量数据的波浪估计谱,计算获得波高、频率等信息。模拟实验结果表明：运动补偿能有效改进测量准确性,补偿后的谱形与原始靶谱具有很好的一致性,可应用于拓展水下航行平台的测量功能。     

基于独立分量的信号分离算法研究

噪声控制工程中,定量分离主要噪声源是一个非常复杂的问题,国内外对此进行了大量研究,并提出了许多算法,但基本都只适用于线谱,对于宽带信号显得无能为力。据此,基于独立分量分解原理,尝试通过信号分解、线谱提取的方式,将宽带噪声从原信号中准确分离出来,然后可以依据相干分析和谱分析等手段定量分析。计算机仿真研究效果良好,证明该方法具有一定工程应用价值。     

非对角切片谱法提取平方相位动态耦合信号研究

将三阶累积量非对角切片谱法应用到水下目标辐射相位动态耦合信号的特征提取中。文中研究了三阶累积量非对角切片谱的性质，定义了相位动态耦合的概念，提出了基于三阶累积量非对角切片谱提取水中目标辐射平方相位动态耦舍信号谱的方法，进行了仿真研究，并与自相关谱方法进行了比较。结果表明：该方法成功地从拉普拉斯噪声环境中提取了参加平方相位动态耦舍的信号谱和平方相位动态耦合产生的信号谱；有效地抑制了拉普拉斯噪声：这种方法计算量小。     

被动声纳目标/背景建模与仿真

该文通过对舰船辐射噪声水声特性的分析，建立了舰船低频辐射噪声连续谱和线谱的数学模型，让迭加有线谱信号的白噪声通过一个有限冲激响应（FIR）数字滤波器，即可得到期望的目标舰船辐射噪声信号。该模型和海洋传播损失模型以及海洋环境噪声模型一起用于仿真被动声纳系统的接收信号。通过对仿真输出信号的处理和分析，给出了声场谱图，结果表明该方法能很好地再现被动声纳目标舰船辐射噪声的典型声学特征。该方法也可用于半实物仿真、系统测试以及水中兵器仿真等。     

基于递归图和近似熵的水下目标特征提取方法

为有效利用水下目标辐射噪声的非线性特征来对目标作分类识别,提出采用递归图分析和近似熵估计获取原时间序列的动力学行为的方法。在有效相空间重构的基础上,作目标样本时间序列的递归图,定性判断目标的可分性和原动力系统的确定性,在递归图算法的基础上,定量提取近似熵这一非线性特征。通过三类目标样本试验数据仿真表明,递归图分析能有效判断目标信号的周期性嵌入强度和目标信号的确定性,并能对目标作定性区分,近似熵能有效分类三类水下目标。     

舰船辐射噪声节拍功率增率特征提取

舰船辐射噪声节拍的音色特征是水下目标识别的重要依据,其与节拍能量的变化相关。首先采用短时傅立叶变换对舰船辐射噪声进行时频分析,然后根据时频能量分布图,分别计算节拍能量最强和最弱处累积功率谱,功率增大率反映了节拍的音色特征,是舰船辐射噪声的重要特征。通过实验证明:与以往的功率谱特征相比,节拍功率增率特征和功率谱特征联合识别能有效的提高识别率。     

水下目标信号的Lofar谱图特征的主分量分析研究

研究一种基于Lofar谱图特征和主分量分析的水下目标信号的特征处理方法。首先介绍了这种方法的应用背景．给出了舰船辐射噪声的结构和Lofar谱特征的提取方法。在简单介绍了主分量分析的有关基础知识和数学解法后，对于海上测量获得的舰船辐射噪声信号进行特征提取，利用主分量分析的方法对提取的特征向量进行降维处理。针对主分量分析处理前后的特征向量，采用结构自适应模糊聚类神经网络分类器分类，与直接对Lofar谱特征分类相比，主分量提取后的分类准确率有明显提高。     

基于倒谱分析的被动水声目标原始信号重构方法

被动声纳捕捉的水下目标辐射噪声信号可视为由目标动力系统产生的周期性激励信号，以及该激励信号经由本身传输与扩散后的辐射信号与海洋传输信道的传递函数卷积构成 。要对水下目标进行分类识别，首先要滤除无用噪声对信号的干扰。本文通过同态分析实现这一目的，首先利用倒谱分析将各噪声分量变为线性相加关系，再利用时间窗整形
形与滤波器滤波实现信号分量及信道的分离，以便提取信号特征进行分类。实验证明，基于倒谱的信号重构法能够较为准确地复原包含目标传输特性的原始信号，便于对目标进行特征提取与分类识别。     

边缘检测结合高斯平滑的鱼雷声谱图识别方法

鱼雷的识别预警是一个复杂的特征信息融合过程,其关键是提取鱼雷目标的特征成分。鱼雷目标与非鱼雷目标辐射噪声声谱图的存在差异性,针对声谱图特征提取方法开展研究,通过定义目标辐射噪声的声谱图直纹特征量,提出了一种基于图像边缘检测理论的鱼雷目标辐射噪声声谱图特征提取方法,并将该方法应用于鱼雷目标分类识别研究。实测信号分析表明,该方法可以有效提取鱼雷目标辐射噪声的声谱图特征,将鱼雷目标与非鱼雷目标进行区分,为鱼雷目标的综合识别预警提供一种可靠的特征信息参考。     

小波包熵在水下目标识别中的应用研究

研究了基于小波包变换和Fisher线性分类器的水下目标识别方法。小波包是在小波变换的基础上发展起来的时频分析方法,能够对非平稳信号提供更丰富的时频信息。通过对水下目标辐射噪声信号进行小波包分解,提取小波包分解的终端节点的熵值作为特征矢量,应用Fisher线性分类器设计的分段线性分类器对水下目标进行分类识别。仿真结果表明,以小波包熵作为特征矢量的分类方法具有较高的识别正确率。     

基于分段拟合的舰船噪声线谱特征提取

提出了一种基于分段拟合的提取舰船噪声信号功率谱中线谱特征的方法。该方法利用分段拟合方法拟合出信号功率谱的连续部分，从原始功率谱中减去连续谱得到拉平的线谱分布，然后进行线谱特征提取。实验证明了该方法的有效性，而且分类效果很好。     

ADIS16355的汽车二自由度数据采集系统设计

为了得到汽车在行驶过程中的横摆角速度与侧向加速度,设计了基于ARM微控制器和ADIS16355传感器的数据采集系统。介绍了该采集系统的工作原理和ADIS16355的SPI通信协议。采用实车实验的方法得到了汽车的横摆角速度与侧向加速度,并且通过统计方法对采集到的数据进行了分析。选用卡尔曼滤波方法对采集的数据进行了滤波,成功地滤除了白噪声,实验证明得到的数据是可靠的。