李长柏[1]2005年在《基于高阶谱和循环谱的舰船噪声多源特征分离研究》文中认为舰船辐射噪声信号的特征提取技术因其在水下装备中具有重要的应用价值,一直是国内外研究的热点和难点。本文根据舰船辐射噪声信号特征提取的研究现状、存在的主要问题以及工程实际应用的基本要求,应用现代信号处理技术,研究了舰船辐射噪声多种类型特征的提取方法,并对海上实测的舰船辐射噪声信号进行了特征提取,设计实现了用于特征提取的声引信数字平台,取得了有一定实用价值的结果。本文的主要研究内容和创新点如下: 1.基于高阶统计量理论,研究了舰船辐射噪声的双谱特征、1 1/2维谱的相位耦合特征和2 1/2维谱的相位耦合特性,提出了1 1/2维谱子带能量特征和2 1/2维谱的子带能量特征提取方法,分析了叁类舰船辐射噪声的相位耦合特性,提取了子带能量的分布特征。 2.基于倒谱和倒双谱的基本理论,提出了舰船辐射噪声倒双谱的降维谱特征分析方法,对比研究了典型信号、舰船辐射噪声的功率倒谱与倒双谱的降维谱特性差异以及后者的优越性,提取了叁类舰船辐射噪声倒双谱的降维谱特征。 3.基于循环平稳信号分析的基本理论,推导了几类典型信号的循环自相关和循环谱密度表达式,研究了单频信号与调幅信号的循环平稳特征,在此基础上提出了舰船辅机工作频率与推进系统工作频率的循环谱特征分析方法,提取了叁类舰船辅机工作频率的特征和推进系统工作频率的特征。 4.设计并实现了基于高阶统计量简化算法的DSP系统硬件平台,对平台中的各主要模块的功能、工作原理、实现方法等进行了讨论并给出了相应的实验测试结果,采用TMS320C5000系列的汇编语言编写了高阶统计量简化算法的程序,在CCS环境下完成了调试,运行结果正确。
赵妮[2]2003年在《舰船噪声的非平稳非高斯特征提取方法研究》文中研究说明子波分析是分析时变信号和非平稳信号的有效工具，而高阶统计量可以有效抑制高斯噪声，是非线性、非高斯信号分析的理想手段。针对舰船辐射噪声是典型的非平稳、非高斯信号，而海洋环境背景噪声服从高斯分布的特点，本文主要应用子波分析和高阶统计量对舰船辐射噪声的特征提取方法进行研究。 本文主要的研究内容与创新如下： 1．研究了舰船辐射噪声复解析子波变换解包络的方法，并利用1 1/2维谱提取包络的二次耦合频率的谐波成份。利用该方法能同时实现滤波和解包络，有效地提高信噪比，突出包络中的周期成份。 2．提出了舰船辐射噪声1 1/2维谱和子波变换交互分析的方法，利用子波变换提取舰船辐射噪声1 1/2维谱中的连续谱和线谱特征，并结合自适应子波神经网络自适应地提取1 1/2维谱的特征参数。研究表明：舰船噪声连续谱和线谱的特征信息相结合，能有效地体现舰船的类别特征。将1 1/2维谱和自适应子波神经网络结合起来，不但能自适应地提取1 1/2维谱的子波特征参数，同时还可以实现舰船目标的分类识别，分类效果较好。 3．首次提出了利用倒双谱进行舰船辐射噪声特征分析和特征提取的方法。在对舰船辐射噪声进行倒双谱特征分析的基础上，定义了解析倒双谱的概念，并用解析倒双谱进行舰船辐射噪声的特征提取。解析倒双谱既充分利用了倒双谱抑制高斯噪声的优良性质，又大大减小了倒双谱的计算量。研究表明解析倒双谱抗噪声性能远远好于解析功率倒谱方法，利用其提取舰船辐射噪声的基频特征十分有效。这也同时验证了高阶统计量方法在舰船辐射噪声信号分析中的优越性。
郭业才[3]2003年在《基于高阶统计量的水下目标动态谱特征增强研究》文中研究表明本文根据水下目标特征提取或增强的研究现状、存在的主要问题以及工程实际应用的基本要求，结合船舶工业国防科技预研项目“水中运动目标动态谱特征增强与表征技术”的研究内容，用高阶统计量方法对水下运动目标动态谱增强的理论、算法与应用进行了深入的研究，主要研究成果和创新点如下： 1 从水下运动目标辐射噪声的非平稳性出发，对水下运动目标辐射线谱信号的四阶累积量表征技术进行了研究。在研究中，定义了相位动态耦合的概念，推导了水下运动目标辐射线谱信号的四阶累积量表征公式。该公式由无相位动态耦合分量，双对相位动态耦合分量和叁次相位动态耦合分量叁部分构成。 2 对高阶统计量计算的优化进行了研究。首次提出了二叁对相位耦合的概念，并研究了五阶累积量的特性。研究表明：复数信号的五阶累积量是提取四次相位耦合分量、二叁对相位耦合分量的必要工具。在分析非平稳实随机过程的高阶累积量递推估计与计算量关系的基础上，首次提出并证明了非平稳实随机过程的四阶累积量、五阶累积量计算优化的估计定理。理论分析与仿真表明：按估计定理对高阶统计量的计算进行优化，不仅计算量能大幅度地减小，而且保证了通过估计得到的高阶累积量有抑制高斯噪声的优越性能，这为高阶统计量的工程应用创造了一条捷径。 3 提出了基于四阶累积量不同切片的间接自适应动态线谱增强算法。对该算法的收敛性能进行了严格的证明，推导了该算法输出信噪比的计算公式，证明了该信噪比总是大于基于LMS的自适应线谱增强器的输出信噪比，定义了评价算法性能的若干参数。用鱼雷辐射噪声数据进行了仿真研究，结果表明：该算法的性能优于基于LMS的自适应线谱增强器和基于短时相关的自适应线谱增强器。 4 提出了叁种自适应动态谱线增强快速算法 ·利用极性迭代算法可减小计算量的优点，提出了基于四阶累积量对角切片极性迭代的自适应动态谱线增强快速算法。 ·提出了基于加权高阶累积量切片的间接自适应谱线增强快速算法。该算法的特点是：①综合了四阶累积量不同切片抑制高斯噪声的性能；②用符号联合迭代算法更新加权累积量切片，以减小计算量；③通过调整四阶累积量切片的加权系数，以获得抑制高斯色噪声的最佳效果。 ·提出了基于四阶累积量符号相干累积的自适应谱线增强快速算法。该算法充分利用了极性迭代算法与相干累积算法的优点，具有收敛速度快、系统稳定等 西北了业人学博I：学位论义特点。 通过某型鱼雷辐射噪声数据对上述算法进行了仿真，验证了算法的有效性。 上述叁种算法都采用了极性迭代算法，与非极性迭代算法相比，计算量再次减少了约50％，便于实际工程应用。 5 提出了基于歪度信噪比的二次相位动态耦合信号的多谱特征提取算法。首次提出了切片信噪比、歪度信噪比等概念，推导了其理论计算公式。理论分析与仿真表明：切片信噪比、歪度信噪比总是大于相关信噪比；用该算法十分有效地实现了二次相位耦合信号与非对称分布色噪声的分离。 6 提出了基于峰度信噪比的水下H标辐射噪声的多谱特征提取算法。在研究中，定义了峰度信噪比：推导了其计算公式：并用鱼雷辐射噪声数据对算法进行了仿真研究，结果表明：该算法抑制非高斯环境噪声的能力强，信噪比增益高。 上述两种多谱特征提取算法，由于利用高阶谱特征定义了切片信噪比、歪度信噪比和峰度信噪比，从而把高阶谱域变为了高信噪比域。与相关信噪比域相比，高信噪比域有“放大镜”的功能，更有利于信号的检测和参数估计。 7 提出了基于级联自适应滤波的动态谱线增强算法。该算法有二级自适应滤波器串联构成，对水下运动目标辐射噪声的特征分量有二次增强作用，对非高斯域混合）环境噪声有二次抑制效果。用某鱼雷辐射噪声数据对算法的性能，进行了仿真研究。理论分析与仿真表明：该算法对任何分布（或混合）的环境噪声都有很强的抑制能力、对时变信号有良好的跟踪性能，且计算量小。因此该算法具有更强的工程应用前景。
张义军[4]2001年在《基于高阶统计量的舰船辐射噪声特征提取及分类识别研究》文中研究说明高阶统计量是研究非线性和非高斯信号的有效工具，它在信号检测、特征提取以及谐波恢复等方面具有特有的优越性。本文主要应用高阶统计量对水中目标进行特征提取及分类识别研究。 论文首先分析了舰船辐射噪声的物理性能，提出了多种基于高阶统计量的舰船噪声特征参数提取方法：双谱及叁谱特征分析、1（1/2）维谱线谱特征分析、2（1/2）维谱相位耦合特征分析等，并首次将高阶循环累积量方法应用于舰船辐射噪声调制信号特征提取：利用叁阶循环累积量对角切片谱提取噪声中的周期成分。将上述方法所提取的线谱和连续谱特征作为特征参量，采用B-P神经网络对叁类船舶实际噪声样本进行识别分类，平均正确识别率达到91.5％。并验证了采用高阶统计量方法的正确性和所提取特征的有效性。 本文研究认为，基于舰船噪声的调制信息包含了舰船的大量特征参数（航速、主机类型、工况等），利用高阶循环累积量提取调制信息与其它方法（功率倒谱等）相比具有较大的优越性，如抑制任何平稳（非平稳）高斯噪声，可分离平稳和非平稳信号等，并可获得较好的识别分类结果。 由于论文工作量较大，本文的识别分类方法中对去噪处理和特征参量选择的研究还需有待进一步的探索。
杨宏[5]2015年在《经验模态分解及其在水声信号处理中的应用》文中进行了进一步梳理水声信号处理是信息领域最为活跃的学科之一,而水下目标信号是水声信号中的一大类。水下目标信号的降噪、特征提取与分类识别在现代水声信号处理中具有十分重要的理论意义,对于水声信号的探测、跟踪和识别等方面都具有重要的应用价值。经验模态分解方法是一种新的适用于非线性和非平稳信号的自适应时-频分析方法。本文通过深入研究,分析了现有经验模态分解方法的不足,针对这些问题提出了一些改进方法,并围绕经验模态分解及其改进算法在水下目标信号的降噪、特征提取与分类识别等方面的应用展开讨论,主要工作包括:1.分析了经验模态分解和集合经验模态分解这两种方法存在的一些问题。其中,模态混迭现象是经验模态分解的一个主要问题,它使得分解后的固有模态函数的时-频分布混乱,甚至失去实际的物理意义。集合经验模态分解是对经验模态分解的重要改进,其本质是在原信号中多次添加白噪声后进行多次经验模态分解。该方法虽然有效缓解了标准经验模态分解的模态混迭现象,但由于多次添加白噪声,使算法的复杂度和运算量大大增加。此外,集合经验模态分解还带来了一些新的问题,例如:无法确保每次添加噪声后得到的固有模态函数个数是相同的;重构信号中包含了集成平均后未能消除的噪声,这就使得分解重构的信号不能准确地恢复出原信号。2.针对经验模态分解和集合经验模态分解中的上述问题,提出了噪声自适应集合经验模态分解方法。仿真结果表明,提出的改进算法不但减少了算法运行时间,而且得到原始信号的时-频分布更为精确,分解结果的重构误差也大幅减小,其分解性能优于标准经验模态分解和集合经验模态分解方法。进一步,探讨了基于噪声自适应集合经验模态分解的混沌信号降噪方法,提出了基于能量密度和平均周期的固有模态函数相关系数法,自适应地选择降噪重构的固有模态函数分量。该方法被应用到不同信噪比的Lorenz仿真信号和实测四类水下舰船辐射噪声信号的时-频分析和降噪处理中,得到了较为满意的结果。3.基于复数经验模态分解的特点和白噪声在经验模态分解下的统计特性,本文将噪声辅助分析思想引入到复数经验模态分解中,提出了噪声辅助复数经验模态分解方法,并通过详细推导分析了添加的白噪声对该方法分解结果的影响。该方法将原一维观测信号和添加的白噪声分别作为实部和虚部,构建二维复数据,再利用复数经验模态分解方法进行时-频分析。进一步,提出了基于噪声辅助复数经验模态分解的混沌信号降噪方法,并利用不同信噪比的lorenz仿真信号和实测四类水下舰船辐射噪声信号验证该方法的有效性,通过降噪前后的时域波形、混沌吸引子相图,以及计算降噪前后的噪声强度、相关系数、关联维数和lyapunov指数等参数,从定性和定量两个方面评价该方法的降噪性能。4.通过对经验模态分解、集合经验模态分解和提出的两种改进方法的比较,发现噪声辅助复数经验模态分解方法的分解性能要优于标准经验模态分解、集合经验模态分解,而与噪声自适应集合经验模态分解性能相仿,但前者运算量要远小于后者。综合考虑这两种改进方法的分解性能以及运行时间等因素,本文最终选定噪声辅助复数经验模态分解作为下一步对水声混沌信号分析处理的方法。因此,为进一步探讨噪声辅助复数经验模态分解方法在水声混沌信号的降噪、特征提取与分类识别等应用中的可行性,本文开展了噪声辅助复数经验模态分解方法在基于非线性理论的局部投影算法中的应用研究。针对局部投影算法中邻域难以准确选择,而邻域大小又直接影响其降噪效果这一问题,提出了基于噪声辅助复数经验模态分解的改进局部投影算法,并把该方法用于lorenz仿真信号和实测四类舰船辐射噪声的降噪实验中,得到了较为满意的结果。5.基于噪声辅助复数经验模态分解方法的良好分解性能,用噪声辅助复数经验模态分解代替希尔伯特-黄变换中的标准经验模态分解,进而提出了改进的希尔伯特-黄变换方法,并探讨将该方法用于水下目标信号的特征提取与分类识别的可行性和有效性。根据舰船辐射噪声的hilbert谱图,探讨水下目标信号的基于固有模态函数的特征参数提取方法。这些特征参数包括:最强固有模态函数中心频率、高低频能量差、瞬时能量变化范围和固有模态函数能量熵等。选择叁种典型的混沌系统:lorenz混沌系统、rossler混沌系统和henon混沌系统,分别提取了这叁种混沌信号的上述特征参数,计算结果表明:提出的基于固有模态函数的特征参数对不同类型的混沌信号具有可分性,可以作为不同混沌信号分类的依据。继而选择实测的四类舰船辐射噪声作为水声混沌信号,分别提取它们的上述特征,分析不同类别舰船辐射噪声的特征参数间的区别与联系。结果表明:最强固有模态函数中心频率、高低频能量差和固有模态函数能量熵是几个较好的特征,对四类不同舰船目标具有较好的可分性。瞬时能量变化范围仅能区分出第叁类舰船目标。6.选择最强固有模态函数中心频率、高低频能量差和固有模态函数能量熵作为水下目标信号的分类特征,构成特征矢量,设计基于支持向量机的水下目标信号分类器。每类目标选取30个样本作为训练样本,20个样本作为测试样本,利用设计的水下目标信号分类器对四类舰船信号进行分类识别,得到了较为满意的结果,也验证了本文提出的水下目标信号的提取和分类方法是有效的,这一结果将为水下目标的探测、自动识别和分类提供重要参考。
曾治丽, 李亚安, 刘雄厚[6]2011年在《基于高阶谱和倒谱的舰船噪声特征提取研究》文中研究说明研究舰船目标识别问题,舰船辐射噪声的特征提取一直是信号处理工程领域的难点。原因是海洋环境的复杂性和水声信道的特殊性,导致从复杂背景噪声中获取舰船信号特征显得比较困难。针对上述情况,提出了高阶谱和倒谱等多种类型的提取方法。根据舰船辐射噪声不同的特性,选择合适的提取方法,获取更多的线谱特征和抑制干扰噪声的特征信号。最后,采用高阶统计量的双谱、叁谱、1维谱和倒谱对实测信号和仿真信号进行了特征提取,并指出各种提取方法所具有的优越性。实验结果表明特征提取方法是可行的,从而为目标识别提供有效的特征量。
温旋旋[7]2017年在《基于高阶统计量的舰船辐射噪声包络特征提取》文中研究说明舰船辐射噪声是非高斯非线性信号,而高阶统计量是研究非高斯非线性信号的有力工具。本文利用高阶统计量可以抑制高斯噪声和识别相位耦合特性的特点,从舰船辐射噪声的解调包络中提取轴频、叶频和桨叶数特征。本文首先研究了高阶统计量理论。说明了高阶累积量及其谱(高阶谱)可以抑制包括高斯噪声在内的所有对称分布噪声,可以识别信号的相位特征,而功率谱是相盲的,无法识别信号的相位特征。然后,研究了舰船辐射噪声包络调制的物理机理,说明了舰船辐射噪声包络调制特性是由于螺旋桨工作在周向不均匀尾流中引起的。接着从统计学角度给出了符合物理机理的信号模型。本文分析了舰船辐射噪声的常规DEMON谱和3/2维DEMON谱,并对它们进行了对比。研究了3/2维DEMON谱的性质,并对其性质进行了仿真分析。然后分别对仿真模拟的舰船辐射噪声信号和实际海试信号进行了3/2维DEMON谱分析,在对实际海试信号进行分析时通过滤波器组选择了最佳解调频带。最后分析了舰船辐射噪声包络的双谱特征提取方法,并研究了基于双谱对角切片的特征提取方法。这些特征提取方法都很好地提取了舰船的螺旋桨轴频、叶频等特征。
华贤兵[8]2009年在《水下目标信号特征提取及识别技术的研究》文中认为舰船目标识别技术是当前水声信号智能化分析和处理的热点。舰船目标识别分为主动识别和被动识别两种,本文研究的是被动识别技术。它是将被动声纳接受的舰船目标噪声信号先进行预处理以降低环境噪声的干扰,然后对预处理后的信号进行特征的提取,最后将提取的能够反映目标本质特性的特征量送入分类器进行分类识别。整个识别系统主要由3部分组成,即信号的预处理,特征量提取,分类器的设计。本文针对这3个过程展开研究和设计。信号预处理过程,是将被动声纳采集的目标信号和干扰信号进行处理,提取出目标信号的成分,将干扰噪声抑制、消除,从而提高信噪比,为后续的特征提取和识别打下良好的基础。本文研究采用了自适应滤波技术对噪声进行处理,通过对LMS和RLS自适应降噪方法的仿真对比,分析得出较好的RLS自适应滤波器从而实现了舰船噪声信号的预处理过程。特征提取是识别过程的关键过程之一,提取的特征必须既要能够反映目标的本质又要能够反映出目标之间的不同,以便识别器的分类识别。本文学习研究了各类舰船噪声谱特性,从谱特性的角度,对噪声的特征进行了提取。先后研究了舰船连续谱特征的提取方法,线谱特征的提取方法,以及112维谱特征的提取方法。另外本文还从人耳听觉反映的特征上,对舰船噪声进行了美尔倒谱差分系数的特征提取,并且给出了仿真实验结果。分类器的设计是最后的一个重要环节,它的设计最终影响识别性能的好与坏。由于舰船噪声属于小样本训练与学习问题,因此设计的分类识别器不但要具有良好的识别率,而且还要具有很好的泛化,推广能力。介于此,本文研究使用了支持向量机识别器。将以上提取的特征量送入支持向量机进行训练、学习、测试。最后通过仿真结果,检验了整个识别系统的有效性和可行性。
邓磊磊[9]2011年在《舰船辐射噪声的特征线谱提取》文中研究表明舰船辐射噪声的特征线谱主要是由目标舰船的机械部件往复、旋转运动,螺旋桨的周期击水以及叶片共振产生的,具有较高的强度和稳定度,因此,特征线谱的研究对实现舰船的被动检测和跟踪非常重要。由于待处理的接收信号中不可避免的存在海洋环境噪声的污染,并且由于仪器固有或者人为等因素,使接收的信号中存在各种形式的噪声干扰。因此,为了提高信噪比,实现高质量的线谱提取,应该对目标信号特性和背景噪声特征全面考虑,结合实际情况采取符合要求而又经济的信号预处理方法降低噪声,提高信噪比。针对舰船辐射噪声这类非高斯非平稳信号,时频分析仍然是最常用有效的分析方法。它可以在时频域中非常清晰直观地描绘出信号的变化状况,而其中的低频线谱的变化规律对于舰船目标的检测和跟踪是非常重要的。然而,有些时候通过解调处理的调制谱中存在许多离散线谱,它可以提供比舰船噪声功率谱更清晰的线谱结构。因此,基于以上这些问题的考虑,为实现特征线谱的高质量提取,本文主要从以下几个方面展开研究：1、讨论了舰船辐射噪声和海洋环境噪声的基本特性；2、针对实际接收信号中存在的复杂趋势项和强脉冲噪声干扰,使用经验模态分解(EMD)法剔除复杂的趋势项和形态滤波技术去除强脉冲干扰；3、使用了经典的时频分析方法提取低频离散特征线谱,并利用高阶累积量具有抑制高斯背景噪声的优点,引入高阶时频分析方法提取低频线谱,取得了较经典时频分析方法更好的处理效果；4、结合使用小波包分解和包络解调技术实现对舰船辐射噪声的调制特征线谱提取。
周清平[10]2004年在《舰船噪声包络的高阶统计量特征研究》文中研究指明高阶统计量是研究非线性和非高斯信号的有效工具，它在信号检测、特征提取以及参数估计等方面具有广泛的应用性性。本文主要应用高阶统计量对水中目标进行特征提取及分类识别研究。 文章首先介绍了高阶统计量的定义和性质，特别指出了高阶统计量对高斯过程不敏感，这是我们利用它进行信号检测和估计的理论依据。 然后分析了舰船辐射噪声的产生机理。利用希尔伯特变换求舰船噪声的包络谱，对舰船噪声的包络信号进行分析，并提取了四个特征量。对于通过希尔伯特变换解出的舰船辐射噪声包络信号进行高阶统计量分析，有效地提取出了舰船噪声的双谱、1 1/2维谱、2 1/2维谱等方面的特征。 将上述方法所提取的线谱和连续谱特征作为特征参量，采用B-P神经网络对叁类船舶实际噪声样本进行识别分类，平均正确识别率达到80％。并验证了采用高阶统计量方法的正确性和所提取特征的有效性。 由于论文工作量较大，本文的水下目标识别分类方法中对去噪处理和特征参量选择的研究还需有待进一步的探索。
参考文献：
[1]. 基于高阶谱和循环谱的舰船噪声多源特征分离研究[D]. 李长柏. 西北工业大学. 2005
[2]. 舰船噪声的非平稳非高斯特征提取方法研究[D]. 赵妮. 西北工业大学. 2003
[3]. 基于高阶统计量的水下目标动态谱特征增强研究[D]. 郭业才. 西北工业大学. 2003
[4]. 基于高阶统计量的舰船辐射噪声特征提取及分类识别研究[D]. 张义军. 西北工业大学. 2001
[5]. 经验模态分解及其在水声信号处理中的应用[D]. 杨宏. 西北工业大学. 2015
[6]. 基于高阶谱和倒谱的舰船噪声特征提取研究[J]. 曾治丽, 李亚安, 刘雄厚. 计算机仿真. 2011
[7]. 基于高阶统计量的舰船辐射噪声包络特征提取[D]. 温旋旋. 哈尔滨工程大学. 2017
[8]. 水下目标信号特征提取及识别技术的研究[D]. 华贤兵. 江苏科技大学. 2009
[9]. 舰船辐射噪声的特征线谱提取[D]. 邓磊磊. 哈尔滨工程大学. 2011
[10]. 舰船噪声包络的高阶统计量特征研究[D]. 周清平. 西北工业大学. 2004