目標噪聲信號作為當前水聲目標識別的主要信號源之一,由于目標信號來源單一,難以像多傳感器探測不同角度表征目標特性,導致目標識別分類正確率低、虛警率高,嚴重制約水聲探測系統(tǒng)功能的發(fā)揮。針對這一問題,采用長短時記憶網(wǎng)絡,建立多層LSTM水聲目標噪聲特征提取模型,學習提取目標噪聲時域包絡、DEMON線譜、梅爾倒譜系數(shù)等信息特征,構(gòu)建多類別特征子集;在此基礎(chǔ)之上,建立了基于多類別特征子集的特征級融合識別分類模型和基于D-S證據(jù)理論的決策級融合識別分類模型;利用樣本庫數(shù)據(jù)對上述模型進行了測試,對比多類別特征融合判別與單一類別特征識別分類的差異,并使用港池相關(guān)試驗數(shù)據(jù)對上述模型進行了測試驗證。測試結(jié)果表明,提出的基于多類別特征融合的水聲目標噪聲智能識別分類方法判別效果更好,對水聲目標噪聲信號識別分類的正確率和虛警率等相關(guān)指標均優(yōu)于單一類別特征判別方法。 

【文章來源】：西北工業(yè)大學學報. 2020,38(02)北大核心EICSCD

【文章頁數(shù)】：11 頁

【文章目錄】：
1 多類別特征融合識別分類模型
    1.1 長短時記憶網(wǎng)絡提取聲學數(shù)據(jù)特征
        1.1.1 長短時記憶網(wǎng)絡結(jié)構(gòu)單元
        1.1.2 多層LSTM提取聲學數(shù)據(jù)特征
    1.2 基于多類別特征融合的目標噪聲識別分類模型
        1.2.1 基于多類別特征子集特征級融合的識別分類模型
        1.2.2 基于D-S證據(jù)理論決策級融合的識別分類模型
    1.3 模型度量方法
2 模型驗證
    2.1 樣本庫測試
    2.2 港池試驗數(shù)據(jù)驗證
3 結(jié) 論


【參考文獻】：
期刊論文
[1]基于降噪自編碼器的水中目標識別方法[J]. 陳越超,徐曉男.  聲學與電子工程. 2018(01)
[2]用于水聲目標特征學習與識別的混合正則化深度置信網(wǎng)絡[J]. 楊宏暉,申昇,姚曉輝,韓振.  西北工業(yè)大學學報. 2017(02)
[3]基于提升小波變換的MFCC在目標識別中的應用[J]. 石超雄,李鋼虎,何會會,趙妮.  聲學技術(shù). 2014(04)
[4]應用希爾伯特黃變換的水下目標特征提取[J]. 李秀坤,謝磊,秦宇.  哈爾濱工程大學學報. 2009(05)
[5]基于現(xiàn)代信號處理技術(shù)的艦船噪聲信號DEMON分析[J]. 程玉勝,王易川,史廣智,惠俊英.  聲學技術(shù). 2006(01)

博士論文
[1]船舶及鯨類聲信號特征提取和分類識別研究[D]. 李新欣.哈爾濱工程大學 2012
[2]希爾伯特黃變換在矢量信號處理中的應用研究[D]. 王逸林.哈爾濱工程大學 2006

碩士論文
[1]基于深度學習方法的水下聲音目標識別研究[D]. 盧安安.哈爾濱工程大學 2017
[2]基于聽覺特征的水中目標輻射噪聲特征提取[D]. 韓雪.哈爾濱工程大學 2013
[3]水下目標輻射噪聲多維特征分析技術(shù)[D]. 王楊.哈爾濱工程大學 2012



本文編號：3155408