基于倒谱特征和小波包特征熵的直升机声目标识别

提出了一种将倒谱特征和小波包特征熵相结合的直升机声目标识别新算法，首先分析了直升机声信号的特点，计算了声信号的MFCC（MEL频率倒谱系数）、差分MFCC（差分MEL频率倒谱系数）和小波包分解后各个频带内的小波包特征熵组成的特征向量，并以此向量输入反向误差传播（Back Propagation，BP）神经网络进行训练，再用训练好的神经网络进行不同直升机型号的识别，最后给出了统计结果。结果表明：该算法对直升机机型的识别有较好的效果。     

基于MFCC参数和HMM的低空目标声识别方法研究

提出了一种战场声目标识别方法，模拟人耳的听觉机理提取更能反应出声音信号动态特征的Mel倒谱系数（MFCC）作为识别战场低空目标的参数；利用隐马尔可夫过程具有很强地表征时变信号的能力来表现声信号随时间变化呈现出的模式演变现象，建立隐马尔可夫模型（HMM）；由K-均值聚类得出HMM模型的练和识别特征向量，识别时设定阈值判定输入的未知声信号。实际数据的分析结果表明了该识别方法的准确性与有效性。     

基于改进的MFCC战场被动声目标识别

从战场声信号与语音信号特征的相似性出发，提出基于MFCC参数的战场声目标识别方法。针对战场环境存在强噪声干扰情况，提出一种改进的MFCC特征参数（DWTMFCC）提取方法，该方法将小波分析和Mel倒谱分析结合，提高了特征参数的鲁棒性。仿真结果表明：在噪声条件下，利用DWTMFCC参数进行声目标识别，平均识别率比MFCC参数高出3．134个百分点，信噪比为5dB时．识别率仍达到93．67％。     

仿生听觉技术在声目标特征提取中的应用

为提高战场声目标识别技术,从仿生听觉技术原理出发,研究声目标的发声机理和人耳的听觉特性,通过与语音声学特征比较,分别研究了时域、频域、小波域和倒谱域具有代表性的声特征参数。通过矢量量化技术对不同声特征、特征矢量不同分量和不同特征组合的识别效果做了比较,实验表明:多种声目标条件下MFCC识别率为96.8%,远高于其他特征,表明其在差异性较大的目标特征中更具有区分度。     

分段谱质心特征在水下目标识别中的应用

在声音主观特性的三要素中，音色可以用来描述两个等响度、等音调的声音的差别，很难用简单的定量方法给予描述，但可以通过多维物理参数表征。本文研究主要针对表征音色空间物理参数之一的谱质心特性及其在目标识别中的应用。谱质心反映声音基于能量分布的频率的均值，通过研究不同乐器的乐音的谱质心发现，它的数值主要由声样本中几个幅值较大的共振峰及其对应的频率决定。在水下目标的稳态声信号识别中，一维谱质心反映样本能量集中的区域并且能识别目标，但其中一类的识别率偏低，因此提出了一种基于谱质心的动态分析频带方法，将改进后的多维分段谱质心应用于平稳噪声样本的目标识别，有效地提高了目标识别率。     

基于功率谱三值化的联合变换相关目标识别方法

为了提高目标识别的准确性和精确性,提出基于功率谱三值化的联合变换相关目标识别方法,从算法上对联合变换功率谱进行了修正,将联合变换功率谱进行了三值化(+1,0,-1)处理.与二进制联合变换相关器比较,三进制联合变换相关器大大提高了联合变换相关性能和分辨率,对输人目标敏感,能更好地鉴别目标.仿真实验结果证实了这种方法的可行性.较已有的相关识别方法在判断目标是否相同时更有效,提高了目标识别的准确性,算法也简洁快速.     

基于信号小波系数层间关系的线谱信号去噪研究

舰船辐射声中的低频线谱是舰船的一个重要特征量，对声引信的信号检测、识别与分类具有重要的作用。随着现代舰船，特别是潜艇声辐射能量迅速降低和海洋环境噪声级逐年增加，利用舰船噪声中线谱信号对目标的发现距离正在减小。本文利用双树复解析小波变换( DT-CWT)对海洋环境噪声和舰船噪声线谱信号进行小波分解，并对小波系数的层间联合分布进行分析，建立了海洋环境噪声和线谱信号的小波系数的层间联合分布的数学模型，并推导出最大后验概率估计子(MAP)的解析表达式，用于去除噪声干扰，检测淹没在海洋噪声背景中的舰船噪声线谱信号。对实测舰船噪声信号和海洋环境噪声的分析表明，所提出的算法能够明显减弱连续谱干扰成分，捉高舰船噪声中线谱信号的检测效果。     

基于HMM与K-均值聚类的声目标识别

提出一种隐马尔可夫模型和K-均值聚类混合模型的声目标识别方法.在该方法中,建立声信号的HMM,提取了声信号的线性预测系数（LPC）作为目标识别的参数,用K-均值算法对参数进行聚类,产生了训练和识别所用的特征向量.最后根据混合模型的识别算法判断声目标的类别.仿真结果表明：新的混合模型识别系统在声目标识别中具有可行性.     

基于ICA和HMM的战场混叠声目标识别

为识别战场混叠声目标,提出一种基于独立分量分析(ICA)的声目标盲分离和隐马尔可夫(HMM)识别的混合声识别方法.建立已知声目标的HMM,实现混叠声目标盲分离,提取的线性预测系数作为声目标识别参数,通过K均值聚类得到训练和识别特征向量,通过Viterbi解码判断声目标的类别.仿真结果表明,ICA分析能有效地分离混叠声目标信号,基于线性预测系数的HMM识别率较高,混合模型识别系统在混叠声目标识别中具有可行性.     

小波包分析与能量算子结合的声目标特征参数

为了解决强噪声下识别率低的问题,提出了一种新的战场声目标特征参数提取方法。该方法将小波包分析和Teager能量算子(TEO)相结合,采用小波包对带噪声信号进行分解,对分解系数计算Teager能量。实验结果表明:基于小波包分析和Teager能量算子的特征参数提取方法具有良好的抗噪性能,提高了噪声环境下的声目标识别的准确率。     

基于小波包分析的战场被动声目标特征提取

针对战场环境存在噪声干扰的情况,提出了一种基于小波包分析的声目标特征参数提取方法.该方法将小波包分析和Mel倒谱分析相结合,提高了特征参数的鲁棒性.实验结果表明,在噪声条件下,基于小波包分析的平均识别率比MFCC参数提高6.78%,在信噪比为5dB时,识别率仍能达到94.5%.     

基于生成对抗网络的水声目标识别算法

目标识别是水声探测领域的难题,也是研究热点。在水声目标识别实际应用中,标记样本数量不足是制约识别结果的主要因素之一。针对水声目标噪声数据具有的小样本特点,基于深度学习理论提出一种基于生成对抗网络的识别模型。该模型从生成模型与对抗模型的相互博弈中,学习更多有效的识别特征信息,并与深度自编码网络和深度置信网络模型进行对比。仿真实验结果表明：在样本数量有限的情况下,生成对抗网络模型的识别效果优于深度置信网络与深度自编码网络;3种深度学习模型的识别性能均优于先提取梅尔倒谱系数特征,再用Softmax分类的方法。为进一步测试所建模型的性能,研究了3种深度学习模型在不同信噪比下的鲁棒性,仿真实验结果表明：生成对抗网络模型对噪声具有更强的鲁棒性。     

复域压缩感知近场声图测量方法

针对频域压缩感知近场声图测量方法性能下降的问题,基于阵列信号处理中相移与时延关系,按近场扫描位置在复域对各通道数据进行时延补偿和相关处理,建立复域感知矩阵和观测序列构建方法,提出复域感知矩阵近场声图测量模型。以数值仿真和某近场目标定位试验中测得数据为案例,将该模型与频域压缩感知模型处理结果进行对比。结果表明,相比频域压缩感知方法,通过改变观测序列和感知矩阵构建方式,最低信噪比的适应性得到近10lgM dB（M为通道数）的提升,提高了近场声图测量性能。     

水下目标的Gammatone子带降噪和希尔伯特-黄变换特征提取

水下目标识别是水声探测中的关键技术,具有重要的应用价值。海洋环境的复杂性导致水下目标识别中存在不可回避的噪声干扰。以人耳听觉机理为基础,提出了一种结合Gammatone滤波器、小波阈值降噪和希尔伯特-黄变换(HHT)的水下目标识别方法。采用Gammatone滤波器实现人耳听觉机理的模拟,并在此基础上进行小波阈值降噪,提高系统的噪声鲁棒性,然后利用HHT进行时频分析和特征提取。利用实际水下目标数据进行识别实验,对提出的方法进行了验证。实验结果表明,提出的方法在低信噪比条件下具有良好的鲁棒性,并具有较好的识别效果。     

金属与非金属部件粘接质量声诊断的神经网络方法

本文基于神经网络对目标的识别与分类能力，用简单的敲击法获取了某压力容器的声响应信号，通过对声信号的频域特征提取，应用前馈多层神经网络对压力容器的金属与非金属部件之间的粘接质量进行了诊断，实验表明所给出的特征提取方法和神经网络模型是解决金属与非金属粘接质量诊断的一条较为有效的途径。     

基于同态滤波技术的水下目标运动参数估计

针对测量平台空间有限条件下的近场目标运动分析问题,提出了一种基于浅海射线声学多途结构的单水听器水下目标运动分析(TMA)方法。通过构建匀速直线运动目标的三维多途时延模型,推导了以运动参数为变量的直达声和海面一次反射声时延差的非线性函数表达式;根据典型水声信道特征,推导了信道的倒谱表达式,进而利用同态滤波技术解卷积能力估计直达声和海面一次反射声时延差;结合Levenberg-Marquardt方法求解非线性方程的最优解;最后提出二次逼近校正方法,降低了实际水文条件对参数估计的影响。仿真结果证明了方法的正确性,参数估计精度满足实际应用需求。     

Curvelet变换在低对比度目标识别中的应用

低对比度目标因其灰度对比度低、边缘模糊等缺点,使得联合变换相关器无法将其从混杂的背景图像中辨别出来,达到成功识别的目的。针对这一问题,采用了基于Curvelet变换的图像增强算法对目标联合图像进行处理。作为超小波分析范畴的Curvelet变换,因具有极强的方向性,成为比小波变换更适合分析和理解图像特征的多分辨率分析工具。文中采用不同的方法分别调整了Curvelet变换后的高、低频系数,增强了目标的灰度对比度和边缘信息。以低对比度坦克图像为例,增强后的目标对比度由原来的4.16%提高至29.37%. 计算机模拟和光学相关实验结果均表明,增强后的联合图像获得了明亮的相关点对,成功实现了低对比度坦克的自动识别。     

舰船辐射噪声功率谱特征提取方法研究

基于分段最小二乘曲线拟合方法,提出了一种的提取舰船噪声信号功率谱中线谱特征的新方法,通过一种新的坐标变换,用最小二乘曲线拟合方法精确提取了连续谱特征,将连续谱特征和线谱特征组合得到了舰船噪声的功率谱特征。利用BP神经网络对海上实录的两类目标噪声进行了分类识别,实验证明了方法的有效性,识别率达到90%以上,分类效果很好。     

一种基于特征匹配的目标识别跟踪方法

针对复杂背景下的动态目标跟踪问题，提出了一种基于边缘检测，综合多图像特征与伺服机构位置信息进行匹配的目标识别跟踪方法。利用SUSAN算法检测边缘，提取出单帧图像中的可疑目标，依次选用灰度、目标几何、伺服机构位置信息和边界不变矩信息匹配，完成目标的识别。采用kalman预测滤波对脱靶量滞后时间进行补偿，选用目标空间位置进行多步预测，引导伺服机构跟踪。外场实验表明，该方法能有效她匹配识别出目标，并保持连续稳定的跟踪。     

基于高阶谱的战场声目标特征提取

由于高阶谱对于高斯噪声不敏感的特性，在战场噪声环境中。提取被动声目标的双谱、双谱切片和相位耦合特征，通过建立声目标的高斯混合模型（GMM），进行声目标信号的识别。将基于此模型的识别结果与功率谱方法比较。仿真结果证明：基于高阶谱特征提取方法优于AR功率谱特征，该方法在抑制背景干扰中具有优越性。