基于机器学习的水声信号识别技术研究

发布时间：2020-06-30 00:40

【摘要】：随着军事技术的发展特别是信息技术的发展,对于水下侦测技术手段的要求也越来越高,而识别技术是侦测手段的关键技术,因此,必须结合原始水声信号的信号特征来研究具有效果更好、普适性更强的识别技术来适应时代的发展。首先研究水声工程领域常规脉冲调制信号和扩频通信信号,论文总共仿真了8类水声调制脉冲信号,采用时频分析方法作为非平稳信号分析工具,将一维的时域信号变换为时间和频域的联合分布,论文研究了短时傅里叶变换、自适应最优核时频分布(AOK)方法,并一同比较了其他经典时频分析方法的性能。不同信号的时频分布具有十分明显的形状差异,依靠形状特征可以十分快速的进行信号识别分类。研究了模式识别基本理论,提取不同信号的时频图像的有效特征信息。提取了常见水声脉冲信号时频图像的不变矩特征和HOG图像特征,为了更为有效的提取图像不变矩特征,论文采用了常见的图像预处理手段,当对HOG高维的图像特征数据时,为了解决高维特征带来的运算难题,研究了PCA降维技术,然后研究了多种传统的基于统计理论的机器学习模型,然后训练验证了包括朴素贝叶斯、支持向量机、随机森林、BP神经网络四种模型,采用交叉验证方法得到了平均识别正确率。本论文研究使用深度学习理论,从原始信号时频图像样本集出发,设计深度学习模型对信号的时频图像进行自动地特征提取,省去了机器学习识别方法中人工设计特征提取的步骤。利用不同类别信号时频分布灰度图,训练了三大类深度学习模型,包括深度神经网络、卷积神经网络、循环神经网络,对比模型的分类识别结果。结合卷积神经网络的自学习能力和支持向量机优异的分类性能,利用原始样本数据训练一个CNN模型作为特征提取器获得时频分布图的特征数据,然后利用支持向量机模型对该特征数据进行学习。与此同时研究输入和网络结构更为简单的模型,针对信号识别分类课题提出利用信号的一维频域序列,然后采用一维卷积神经网络进行信号分类识别的方法。仿真和实测数据表明,基于时频分析信号处理技术和简单频域序列处理技术,结合深度学习理论的方法对于多类水声脉冲信号的识别性能高于传统的模式识别方法。因此,深度学习方法在水声脉冲信号分类识别中具有高效性和可行性。
【学位授予单位】：哈尔滨工程大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TB56;TP181
【图文】：

任务模型,图像识别

20 世纪 80 年代逐渐与应用结合。统计学习理论和符号学习技术开始出现，神经网络 BP 算法推广。20 世纪 90 年代 Vapnik 将有限样本统计理论推向世界，并提出了支持向量机（SVM）。弱可学习定理暗示了弱分类器的思想，奠定了集成学习方法的基础。Y.LeCun 提出了卷积神经网络。21 世纪初 Hinton 提出了深度学习（Deep Learning）的概念，深度学习受到关注并快速发展。2010~至今循环神经网络的提出，人脸识别成功超过 99%，Alpha-Go 利用卷积神经网络战胜人类最高水平棋手，基于深度强化学习的Alpha-Zero 问世，强化学习应用在智能控制领域。本课题主要研究机器学习中监督学习部分，机器学习理论一定程度上被称为统计学习理论，使用统计模型从训练样本中发现不同模式的信息，从而利用该信息形成成熟的识别分类器，所以模式识别的关键就是特征数据表达和统计学习算法。基于计算机视觉和模式识别理论，以图片识别分类为例，传统模式识别任务可以用三部分说明，分别是输入、特征表达、统计学习算法。如图 1.1 为识别手写数字的模型。

时域波形,时频分析,窗函数,长度

第 2 章常用水声脉冲信号处理及时频分析法实现简单高效且不会产生交叉项，但是 STFT 需要选择合适分辨率间之间存在矛盾，信号时频处理过程中常常有不同时间傅里叶变换无法适应信号参数改变。如果采用高斯脉冲信号时频分辨能力的影响，信号 s (t )表达式为：2( )( ) - <ts t Ae t 号幅度，代表了脉冲信号的陡峭程度，仿真信号含有四个高率的高斯脉冲信号组合而成的信号分布在两个时间段内，每个 15kHz 和 35kHz 的信号，信号总的持续时间为 20ms，信噪比设量高斯脉冲信号的时域波形，和该信号时频分析时不同时间长影响。汉明窗长分别选 625、175、35。

【相似文献】