基于3阶小波张量的船舶辐射噪声识别
发布时间：2021-11-23 23:35
针对水下被动声呐目标分类识别难的问题,根据张量结构具有鲁棒性的特点,提出一种基于小波变换的船舶辐射噪声3阶张量特征提取方法。将船舶辐射噪声进行分帧,对每一帧信号进行小波变换,再对小波变换系数进行MFCC特征提取,最后构建一个帧数小波分解分量MFCC特征维数的3阶特征张量。将整个船舶辐射噪声样本集划分为训练集和测试集,对训练集的3阶特征张量采用张量分解得到所有训练样本的核张量和因子矩阵,利用测试样本的3阶特征张量和训练样本的因子矩阵,得到测试样本的核张量,通过比较训练样本与测试样本核张量之间的范数大小,实现船舶辐射噪声的分类识别。实测样本识别结果表明,该方法具有较高的正确分类识别概率。
【文章来源】：舰船科学技术. 2020,42(17)北大核心
【文章页数】：5 页
【部分图文】：
三阶张量Tucker分解模型Fig.1Tuckerdecompositionmodelofathird-ordertensor
2.1分帧TLincLzLsT采用交叠分段的方法将船舶辐射噪声分为部分交叠的帧，帧移长度为，每帧长，若原始信号长度为，则帧数表示为：T=LsLz+LincLinc。(3)2.2小波变换f(t)小波变换（WT）是在傅里叶变换（FT）的基础上发展来的，将FT中无限长的三角函数基换成有限长的会衰减的小波基，能够在获得频率信息的同时定位到时间，其与信号做卷积的形式表示为下式：F(ω)=+∞∞f(t)eiωtdtWT(a,b)=|a|1/2+∞∞f(t)Ψ(tba)dt。(4)Ψab(t)=|a|1/2Ψ(tba)其中：为小波函数，a为变换尺度，对应于频率，控制小波函数的伸缩；b为平移量，对应于时间，控制小波函数的平移。Ψab(t)f(t)bf(t)aba=am0b=nb0am0a0>1b00a0=2,b0=1m∈N,n∈Z对信号进行小波变换是改变小波的尺度，实现在频域内的伸缩；改变平移量实现在时域内的移动，通过分析与在时刻的相似程度得到该时刻的频率信息。在信号处理中，一般采用离散小波变换，把式(4)中的参数，都进行离散化，令，，其中，，通常取，分别对应小波的伸缩变换与平移，从而把连续小波变为离散小波(DW)[18]。Ψm,n(t)=am/20Ψ(am0tnb0)，(5)则离散小波变换(DWT)为：DWT(m,n)=am/20∞∞f(t)Ψ(am0tnb0)dt。(6)SHFLFDWT是一种平分信号带宽的分解算法，它将信号分解为高频细节分量和低频近似分量，并对低频部分再次进行高低频分解，分解过程如图2所示。XS图中，L为低通滤波器，H为高通滤波器，↓2为系数为2的降采样滤波器。由于一直在进行降采样，所以虽然滤波器L，H不变，但其滤波带宽一直在减半。如此经过次分解后，信号就可以表示为：S=HF1+HF2+···+HFX+LFX。(7)dbNNdbN在小波变换中，Morlet小波，Haar小波，Daubech-ies小波，Meyer小波等是常用的小波，本文进行小波?
张量，其结构如图3所示。图3三阶张量Fig.3Athird-ordertensor3张量特征分类识别IZTrain∈RI×J×KGTrainUTrain(1)UTrain(2)UTrain(3)对船舶辐射噪声进行分类识别时，设船舶辐射噪声共分为类。将船舶辐射噪声分为训练样本集和测试样本集。对每一个样本按照上述方法构造3阶小波张量，对训练样本集中每个样本的3阶张量进行HOSVD分解，得到训练样本集中每个样本的核张量和因子矩阵，，，如下式：ZTrain≈GTrain×1UTrain(1)×2UTrain(2)×3UTrain(3)，(13)YTest∈RI×J×KUTrain(1)UTrain(2)UTrain(3)将测试样本集中每个样本的3阶张量和训练样本集中每个样本的因子矩阵，，的转置做矩阵乘运算，生成该测试样本的投影张量，如下式：GTest=YTest×1(UTrain(1))T×2(UTrain(2))T×3(UTrain(3))T，(14)GTestGTrain通过判别每个测试样本的投影张量与训练集中每个训练样本的核张量相似性实现目标的分类识别，即argmin√∥GTestGTrain∥F。(15)∥·∥FGTestGTrainYtest式中：为Frobenius范数。若测试样本的与第i类训练样本集中样本的核张量之间的Frobenius范数最小，则将分类为第i类船舶辐射噪声。4船舶辐射噪声分类识别实验分类识别实验中，共有Ⅰ，Ⅱ，Ⅲ类船舶4506个辐射噪声样本，采样频率为25kHz，每个样本长为6.5536s。从整个辐射噪声样本中每间隔10个样本取1个作为训练样本集，余下的作为测试样本集，得到451个训练样本，4055个测试样本。对每个样本采用(Lr,1,1)95.09%汉明窗进行分帧，每帧长度为8192个采样点，帧移为1024个采样点，分帧后共得到153郑在小波分解过程中，采用db3小波进行3层小波分解，小波分解后得到4个分量。对每个分量提取12维美尔频率倒谱系数（MFCC）。然后使用上述步骤得到的1
【参考文献】：
期刊论文
[1]关于高阶张量的秩-（Lr,1,1）分解方法[J]. 尹凤,雷晓军,黄光鑫. 成都理工大学学报(自然科学版). 2019(01)
[2]基于目标MFCC特征的监督学习方法在被动声呐目标识别中的应用研究[J]. 程锦盛,杜选民,周胜增,曾赛. 舰船科学技术. 2018(17)
[3]基于张量线性拉普拉斯判别的肌电特征提取方法[J]. 佘青山,马鹏刚,马玉良,孟明. 东南大学学报(自然科学版). 2017(06)
[4]基于非负张量分解的人脸识别算法研究[J]. 梁秋霞,何光辉,陈如丽,楚建浦. 计算机科学. 2016(10)
[5]基于张量奇异值分解的人脸识别方法[J]. 计雨含,王晓东,姚宇. 计算机应用. 2015(S1)
[6]张量时频空模式在脑电信号特征提取中的研究[J]. 邱静雯,官金安. 计算机与数字工程. 2015(05)
[7]基于小波包分解的舰船辐射噪声特征提取方法研究[J]. 王梦璇. 电子设计工程. 2014(04)
[8]基于稀疏张量的人脸图像特征提取[J]. 周春光,孙明芳,王甦菁,陈前,刘小华,刘昱昊. 吉林大学学报(工学版). 2012(06)
博士论文
[1]基于张量分析的多因素音频信号建模与应用研究[D]. 杨立东.北京理工大学 2016
硕士论文
[1]基于张量分解的声矢量传感器阵列信号处理方法研究[D]. 樊帆.吉林大学 2017
[2]基于支持张量机的遥感图像目标分级识别研究[D]. 任卿龙.哈尔滨工业大学 2017
[3]基于张量分解的胎儿心电信号提取研究[D]. 徐曼.重庆大学 2017
[4]基于非负张量分解的多通道音频信号盲分离研究[D]. 王珊.东南大学 2015
本文编号：3514840
【文章来源】：舰船科学技术. 2020,42(17)北大核心
【文章页数】：5 页
【部分图文】：
三阶张量Tucker分解模型Fig.1Tuckerdecompositionmodelofathird-ordertensor
2.1分帧TLincLzLsT采用交叠分段的方法将船舶辐射噪声分为部分交叠的帧，帧移长度为，每帧长，若原始信号长度为，则帧数表示为：T=LsLz+LincLinc。(3)2.2小波变换f(t)小波变换（WT）是在傅里叶变换（FT）的基础上发展来的，将FT中无限长的三角函数基换成有限长的会衰减的小波基，能够在获得频率信息的同时定位到时间，其与信号做卷积的形式表示为下式：F(ω)=+∞∞f(t)eiωtdtWT(a,b)=|a|1/2+∞∞f(t)Ψ(tba)dt。(4)Ψab(t)=|a|1/2Ψ(tba)其中：为小波函数，a为变换尺度，对应于频率，控制小波函数的伸缩；b为平移量，对应于时间，控制小波函数的平移。Ψab(t)f(t)bf(t)aba=am0b=nb0am0a0>1b00a0=2,b0=1m∈N,n∈Z对信号进行小波变换是改变小波的尺度，实现在频域内的伸缩；改变平移量实现在时域内的移动，通过分析与在时刻的相似程度得到该时刻的频率信息。在信号处理中，一般采用离散小波变换，把式(4)中的参数，都进行离散化，令，，其中，，通常取，分别对应小波的伸缩变换与平移，从而把连续小波变为离散小波(DW)[18]。Ψm,n(t)=am/20Ψ(am0tnb0)，(5)则离散小波变换(DWT)为：DWT(m,n)=am/20∞∞f(t)Ψ(am0tnb0)dt。(6)SHFLFDWT是一种平分信号带宽的分解算法，它将信号分解为高频细节分量和低频近似分量，并对低频部分再次进行高低频分解，分解过程如图2所示。XS图中，L为低通滤波器，H为高通滤波器，↓2为系数为2的降采样滤波器。由于一直在进行降采样，所以虽然滤波器L，H不变，但其滤波带宽一直在减半。如此经过次分解后，信号就可以表示为：S=HF1+HF2+···+HFX+LFX。(7)dbNNdbN在小波变换中，Morlet小波，Haar小波，Daubech-ies小波，Meyer小波等是常用的小波，本文进行小波?
张量，其结构如图3所示。图3三阶张量Fig.3Athird-ordertensor3张量特征分类识别IZTrain∈RI×J×KGTrainUTrain(1)UTrain(2)UTrain(3)对船舶辐射噪声进行分类识别时，设船舶辐射噪声共分为类。将船舶辐射噪声分为训练样本集和测试样本集。对每一个样本按照上述方法构造3阶小波张量，对训练样本集中每个样本的3阶张量进行HOSVD分解，得到训练样本集中每个样本的核张量和因子矩阵，，，如下式：ZTrain≈GTrain×1UTrain(1)×2UTrain(2)×3UTrain(3)，(13)YTest∈RI×J×KUTrain(1)UTrain(2)UTrain(3)将测试样本集中每个样本的3阶张量和训练样本集中每个样本的因子矩阵，，的转置做矩阵乘运算，生成该测试样本的投影张量，如下式：GTest=YTest×1(UTrain(1))T×2(UTrain(2))T×3(UTrain(3))T，(14)GTestGTrain通过判别每个测试样本的投影张量与训练集中每个训练样本的核张量相似性实现目标的分类识别，即argmin√∥GTestGTrain∥F。(15)∥·∥FGTestGTrainYtest式中：为Frobenius范数。若测试样本的与第i类训练样本集中样本的核张量之间的Frobenius范数最小，则将分类为第i类船舶辐射噪声。4船舶辐射噪声分类识别实验分类识别实验中，共有Ⅰ，Ⅱ，Ⅲ类船舶4506个辐射噪声样本，采样频率为25kHz，每个样本长为6.5536s。从整个辐射噪声样本中每间隔10个样本取1个作为训练样本集，余下的作为测试样本集，得到451个训练样本，4055个测试样本。对每个样本采用(Lr,1,1)95.09%汉明窗进行分帧，每帧长度为8192个采样点，帧移为1024个采样点，分帧后共得到153郑在小波分解过程中，采用db3小波进行3层小波分解，小波分解后得到4个分量。对每个分量提取12维美尔频率倒谱系数（MFCC）。然后使用上述步骤得到的1
【参考文献】：
期刊论文
[1]关于高阶张量的秩-（Lr,1,1）分解方法[J]. 尹凤,雷晓军,黄光鑫. 成都理工大学学报(自然科学版). 2019(01)
[2]基于目标MFCC特征的监督学习方法在被动声呐目标识别中的应用研究[J]. 程锦盛,杜选民,周胜增,曾赛. 舰船科学技术. 2018(17)
[3]基于张量线性拉普拉斯判别的肌电特征提取方法[J]. 佘青山,马鹏刚,马玉良,孟明. 东南大学学报(自然科学版). 2017(06)
[4]基于非负张量分解的人脸识别算法研究[J]. 梁秋霞,何光辉,陈如丽,楚建浦. 计算机科学. 2016(10)
[5]基于张量奇异值分解的人脸识别方法[J]. 计雨含,王晓东,姚宇. 计算机应用. 2015(S1)
[6]张量时频空模式在脑电信号特征提取中的研究[J]. 邱静雯,官金安. 计算机与数字工程. 2015(05)
[7]基于小波包分解的舰船辐射噪声特征提取方法研究[J]. 王梦璇. 电子设计工程. 2014(04)
[8]基于稀疏张量的人脸图像特征提取[J]. 周春光,孙明芳,王甦菁,陈前,刘小华,刘昱昊. 吉林大学学报(工学版). 2012(06)
博士论文
[1]基于张量分析的多因素音频信号建模与应用研究[D]. 杨立东.北京理工大学 2016
硕士论文
[1]基于张量分解的声矢量传感器阵列信号处理方法研究[D]. 樊帆.吉林大学 2017
[2]基于支持张量机的遥感图像目标分级识别研究[D]. 任卿龙.哈尔滨工业大学 2017
[3]基于张量分解的胎儿心电信号提取研究[D]. 徐曼.重庆大学 2017
[4]基于非负张量分解的多通道音频信号盲分离研究[D]. 王珊.东南大学 2015
本文编号：3514840
本文链接：https://www.wllwen.com/kejilunwen/chuanbolw/3514840.html
