基于多类别特征融合的水声目标噪声识别分类技术

发布时间：2021-04-23 13:22

　　目标噪声信号作为当前水声目标识别的主要信号源之一,由于目标信号来源单一,难以像多传感器探测不同角度表征目标特性,导致目标识别分类正确率低、虚警率高,严重制约水声探测系统功能的发挥。针对这一问题,采用长短时记忆网络,建立多层LSTM水声目标噪声特征提取模型,学习提取目标噪声时域包络、DEMON线谱、梅尔倒谱系数等信息特征,构建多类别特征子集;在此基础之上,建立了基于多类别特征子集的特征级融合识别分类模型和基于D-S证据理论的决策级融合识别分类模型;利用样本库数据对上述模型进行了测试,对比多类别特征融合判别与单一类别特征识别分类的差异,并使用港池相关试验数据对上述模型进行了测试验证。测试结果表明,提出的基于多类别特征融合的水声目标噪声智能识别分类方法判别效果更好,对水声目标噪声信号识别分类的正确率和虚警率等相关指标均优于单一类别特征判别方法。 

【文章来源】：西北工业大学学报. 2020,38(02)北大核心EICSCD

【文章页数】：11 页

【文章目录】：
1 多类别特征融合识别分类模型
    1.1 长短时记忆网络提取声学数据特征
        1.1.1 长短时记忆网络结构单元
        1.1.2 多层LSTM提取声学数据特征
    1.2 基于多类别特征融合的目标噪声识别分类模型
        1.2.1 基于多类别特征子集特征级融合的识别分类模型
        1.2.2 基于D-S证据理论决策级融合的识别分类模型
    1.3 模型度量方法
2 模型验证
    2.1 样本库测试
    2.2 港池试验数据验证
3 结 论


【参考文献】：
期刊论文
[1]基于降噪自编码器的水中目标识别方法[J]. 陈越超,徐晓男.  声学与电子工程. 2018(01)
[2]用于水声目标特征学习与识别的混合正则化深度置信网络[J]. 杨宏晖,申昇,姚晓辉,韩振.  西北工业大学学报. 2017(02)
[3]基于提升小波变换的MFCC在目标识别中的应用[J]. 石超雄,李钢虎,何会会,赵妮.  声学技术. 2014(04)
[4]应用希尔伯特黄变换的水下目标特征提取[J]. 李秀坤,谢磊,秦宇.  哈尔滨工程大学学报. 2009(05)
[5]基于现代信号处理技术的舰船噪声信号DEMON分析[J]. 程玉胜,王易川,史广智,惠俊英.  声学技术. 2006(01)

博士论文
[1]船舶及鲸类声信号特征提取和分类识别研究[D]. 李新欣.哈尔滨工程大学 2012
[2]希尔伯特黄变换在矢量信号处理中的应用研究[D]. 王逸林.哈尔滨工程大学 2006

硕士论文
[1]基于深度学习方法的水下声音目标识别研究[D]. 卢安安.哈尔滨工程大学 2017
[2]基于听觉特征的水中目标辐射噪声特征提取[D]. 韩雪.哈尔滨工程大学 2013
[3]水下目标辐射噪声多维特征分析技术[D]. 王杨.哈尔滨工程大学 2012



本文编号：3155408