基于高阶谱净化的水声目标宽带调制信号检测

针对水声目标解调谱轴频提取中低信噪比和低频信号干扰严重的问题,给出了一种检测水声目标辐射噪声宽带调制信号的方法。首先利用希尔波特变换解调出信号包络,进而计算出解调谱;根据螺旋桨桨叶旋转产生的调制线谱存在明显的谐波关系,利用高阶累计量对角切片对解调谱进行净化;根据线谱波形特征进行线谱检测识别得到比较干净的线谱成分。通过实际舰船噪声检验分析,该调制信号检测方法能够较好的检测出水下目标辐射噪声中调制线谱的基频以及谐波成分。     

基于分数低阶矩的水声信号滤波新方法

依据分数低阶统计量理论和舰船辐射噪声信号特性,建立了水声信号新的噪声模型,回顾了常规LMS滤波方法,并分析在非高斯噪声下性能退化的原因,提出了一簇基于分数低阶P-范数的LMP水声信号自适应降噪滤波新方法,理论分析和计算机仿真结果表明这种方法在高斯和非高斯(α稳定分布)条件下都具有良好的韧性。     

分数低阶统计量的水下目标信号调制谱分析方法

传统水下目标噪声信号调制谱分析方法是建立在具有二阶统计量的高斯噪声环境下实现的,而多数情况下舰船辐射噪声和海洋环境噪声等水声信号通常具有脉冲特性,服从α稳定分布,二阶统计量的调制谱分析算法性能可能会下降,甚至不再稳定收敛.针对此问题提出了分数低阶统计量的目标信号调制谱分析方法,并进行仿真和实验数据验证,其结果表明所提方法具有稳健性.     

基于小波变换和支持向量机的水下目标分类方法

水下目标识别技术是世界各国十分重视的研究课题之一,具有重要的理论和应用价值。简要介绍了小波变换、多分辨率分析及支持向量机的基本原理,针对舰船辐射噪声信号,利用小波变换来完成信号的预处理和滤波,在小波变换后信号的多尺度子空间上提取信号的能量特征参数,归一化处理后构建特征向量,最后用支持向量机算法进行分类。仿真结果表明,利用小波变换的多分辨率分析和支持向量机能对舰船辐射噪声信号进行有效分类识别。     

基于神经网络的舰船目标识别研究

为了实现对水下目标的识别,在现有特征提取方法的基础上,提出了一种从DEMON谱线谱和DEMON谱连续谱提取的特征方法,并设计了一个基于BP神经网络和多神经网络分类识别器的舰船目标识别系统。通过对实际舰船噪声目标进行识别,识别效果比较满意。这对舰船目标识别的发展具有一定的参考价值。     

基于VMD和SVM的舰船辐射噪声特征提取及分类识别

针对复杂海洋背景下舰船声频辐射噪声特征提取困难的问题，提出一种基于变分模态分解、中心频率、复杂度特征和支持向量机的舰船辐射噪声特征提取及分类识别方法。对四类舰船辐射噪声信号使用变分模态方法分解，得到一定数量的固有模态函数。通过比较提取能量最大的固有模态函数中心频率和排列熵作为特征参数，并利用支持向量机方法对四类舰船信号样本进行分类识别。实验结果表明，该方法可以实现对舰船辐射噪声的特征提取，与已有方法对比，该方法具有较高的识别率。     

基于混沌理论的舰船辐射噪声特征提取

针对不同目标舰船的辐射噪声信号特征提取问题,提出了将混沌理论用于非线性时间序列的分析方法。该方法利用非线性局部投影滤波方法进行信号降噪,并在重构相空间的基础上对每一类舰船辐射噪声信号的最大Lyapunov指数、自然测度和关联维数等非线性特征参数进行提取。实验结果表明:当舰船辐射噪声信号的最大Lyapunov指数大于0且为有限值时,舰船辐射噪声信号具有混沌特性;自然测度和关联维数可作为区分不同目标船型的舰船辐射噪声信号的有效特征。     

基于自适应累量算法的舰船轴频电场信号检测方法

提出一种新的舰船轴频电场信号检测方法.该方法利用高阶累量对高斯噪声的抑制作用,首先使用基于自适应累量算法的FIR滤波器对接收信号进行滤波消噪处理,以提高信噪比;然后再对滤波输出信号进行滑动功率谱检测.实测数据处理结果表明了该方法的稳健性和有效性.     

一种新的舰船辐射噪声特征提取方法

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Dopplerlet变换分解流程。使用此种方法及基于小波变换、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识别试验,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有效。     

基于高阶谱分析的机械故障特征识别

在分析高阶累积量与高阶谱的理论基础上，利用高阶谱可以抑制加性高斯噪声的性质，研究了基于高阶谱分析的机械故障特征提取方法，提出了基于双谱估计的齿轮故障诊断的方法。通过对齿轮信号的双谱特征图谱进行分析比较，成功地对齿轮的正常稳态振动信号、正常瞬态振动信号以及磨损瞬态信号进行了识别，效果十分显著。     

低分辨雷达的目标特征提取方法

基于现役低分辨警戒雷达 ,研究了进行目标分类和识别的途径 ,提出了基于波形特征和时间谱信息的目标分类和识别方法 ,试验分析了基于目标波形信息的特征 ,得出目标波形信息可用于目标识别的结论。现场试验表明 ,该方法对目标大小分类和架次识别有好的效果。     

针对舰船目标高分辨距离像的特征选择方法

为了提高基于高分辨距离像(HRRP)的舰船目标识别率,首先通过目标区域提取来解决HRRP的幅度敏感性和平移敏感性的问题;然后根据传统的特征提取方法,提取出15个较好的特征进行多特征综合识别;最后在基于Fisher准则的特征选择方法上进行改进,提出了一种基于特征互补性的特征选择方法,选择一个最优特征子集。通过仿真实验验证了提出的特征选择方法,同时选择出一个最佳分类器。     

基于轮廓特征的空间目标识别算法

高分辨力单脉冲雷达通过对三个通道回波成像可以获取各个散射中心的方位角和俯仰角,结合距离信息就可以得到各个散射中心在垂直于雷达天线轴的平面上的投影,形成方位-俯仰二维像.由于卫星的尺寸通常大于碎片的尺寸,因此卫星的方位-俯仰二维像的轮廓面积较大.提出了基于轮廓特征的空间目标识别算法,首先通过高分辨力单脉冲雷达对目标进行方位-俯仰二维像成像,然后从方位-俯仰二维像中提取目标轮廓,最后根据轮廓面积特征对卫星和碎片进行识别.经过计算机仿真实验,该算法取得了比较好的识别效果.     

雷达目标回波信号的混沌、多重分形分析与识别

本文旨在将混沌、多重分形的理论和方法引入雷达信号处理，从混沌、分形动力学角度来揭示和刻划复杂目标散射机理，为进行有效信号处理和可靠目标识别寻找新的理论和技术实现方法。文中统计了五种飞机目标回波信号的Ｌｙａｐｕｎｏｖ指数分布情况，并计算了其多重分形维数，然后在此基础上，进行了目标识别的实验，获得了较高识别率。本文的研究表明，混沌、多重分形理论在目标特性及识别的研究中具有良好的应用前景。     

基于PCA特征的快速SAR图像目标识别方法

目标识别是SAR图像解译的重要一环,受到广泛的关注,而实时性又是评估目标识别系统性能的主要指标之一.从实时的角度出发,提出了一种快速的SAR目标识别方法.该方法采用基于Hebb学习规则的主分量分析(PCA)进行特征提取,使用多层感知器神经网络(MLP NN)进行目标分类.实验结果表明,在维持较好识别性能的前提下,该方法具有内存需求少、运行速度快的特点,能用于实时处理.     

战场目标声音识别关键技术研究

战场目标声音探测技术在现代战争中发挥着越来越重要的作用。针对战场目标声音识别的一些关键技术进行了研究。首先分析了目标声音探测技术的军事应用特点,然后对战场典型目标发出的噪声的物理特性进行了分析。最后论述了战场目标声音识别技术中的几种关键技术,重点分析了特征提取中的LPCC、MFCC技术以及分类器中的隐马尔可夫模型,为战场目标声音识别系统的开发奠定了基础。     

基于专家系统的弹道导弹目标识别方法

传统Dempster-Shafer(D-S)算法及其改进算法中,一般将冲突证据与不冲突证据统一融合,无论融合过程中冲突证据所占权重多小,这都将降低融合效率。针对这个问题,引入专家系统理论,面向信息融合中证据冲突的问题,将冲突证据与无冲突证据分组,构建了基于专家信任度的弹道导弹目标识别模型和专家知识库模型,从工程上设计了弹道导弹目标识别专家知识库系统,提出了两种专家知识权重确立方法,并通过实例以及仿真,验证了算法的可行性。     

基于多特征的图象目标识别分类

文中研究将多特征信息融合技术用于图象目标识别分类的方法,利用图象灰度表面的分形特征与图象的摘特征（非分形特征）所提供的信息进行融合处理,在决策层中运用Ｄｅｍｐｓｔｅｒ－Ｓｈａｆｅｒ证据推理理论,并使用决策规则对目标进行分类。在实验中,将经过信息融合分类的结果与单特征独自分类的结果进行比较。结果表明,多特征信息融合的目标识别方法具有良好的稳定性,准确性和可靠性,能够有效地提高图象分类识别系统的精确度与容错性。     

基于极化分解的目标识别方法研究

在全极化、高距离分辨力雷达体制背景下，研究了光学区雷达目标极化特性。利用极化分解将复杂目标分解为三个简单目标， 并提取描述三目标关系的特征参数对四类军用飞机目标进行了识别实验研究， 获得了良好的目标分类识别效果。     

基于微多普勒特征的欺骗干扰识别

为了提高雷达的抗干扰能力,提出了一种基于微多普勒特征的欺骗干扰识别方法,为雷达选择抗干扰措施提供了先验知识。首先建立了目标回波和干扰信号的数学模型,分析了二者微多普勒频率的差异。其次利用Viterbi算法和FFT谱分析对信号的特征参数进行了提取。最后,定义了识别目标和干扰的特征因子,并根据特征因子设定阈值对目标回波和欺骗干扰进行识别。仿真结果验证了算法的正确性和稳定性,与理论分析一致,表明该方法能够在较低的信噪比环境下对欺骗干扰进行检测识别。