基于机器学习的水声信号识别技术研究

论文摘要

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。

论文目录

摘要

abstract

第1章绪论

1.1 研究背景及意义

1.2 机器学习研究现状

1.3 水声脉冲信号识别技术研究现状

1.4 本文研究的主要内容

第2章常用水声脉冲信号处理及时频分析

2.1 时频分析概述

2.1.1 短时傅里叶变换

2.1.2 自适应最优核（AOK）方法

2.2 水声脉冲信号时频分析

2.2.1 常规水声脉冲调制信号

2.2.2 水声扩频通信信号时频分析

2.3 本章小结

第3章统计机器学习识别方法基本理论

3.1 特征参数提取

3.1.1 时频分布图像特征提取

3.1.2 图像数据预处理

3.1.3 图像不变矩特征

3.1.4 图像HOG算子特征

3.2 水声脉冲信号的时频图像特征

3.3 统计机器学习基础

3.3.1 朴素贝叶斯模型

3.3.2 支持向量机模型

3.3.3 随机森林模型

3.4 网格搜索法寻找最优参数

3.5 主成分分析方法（PCA）

3.6 神经网络基础

3.6.1 神经网络结构

3.6.2 神经网络学习方法

3.6.3 神经网络设计

3.7 多种模型分类结果比较

3.8 本章小结

第4章基于深度学习的分类识别技术研究

4.1 Tensor Flow深度学习框架

4.2 深度神经网络模型（DNN）

4.3 卷积神经网络（CNN）

4.3.1 卷积层

4.3.2 池化层

4.3.3 防止过拟合方法

4.3.4 全连接层

size）的大小设定'> 4.3.5 批尺寸（Batch_size）的大小设定

4.4 CNN网络模型的架构改进

4.4.1 深度残差网络（ResNet）

4.4.2 卷积神经网络实验分析

4.5 循环神经网络（RNN）

4.5.1 RNN的结构改进

4.6 基于信号时频图像的深度学习识别方法

4.7 基于卷积神经网络与支持向量机的识别方法

4.8 基于一维卷积神经网络的分类方法

4.9 本章小结

第5章仿真分析及结论

5.1 水声信号仿真方法

5.1.1 统计机器学习方法仿真结果

5.1.2 深度学习方法结果

5.1.3 统计机器学习与深度学习方法结果比较

5.2 实验数据处理

5.3 本章小结

结论

参考文献

致谢

文章来源

类型: 硕士论文

作者: 叶凯

导师: 王逸林

关键词: 水声脉冲信号,时频分析,图像特征提取,机器学习,深度学习

来源: 哈尔滨工程大学

年度: 2019

分类: 基础科学,工程科技Ⅱ辑,信息科技

专业: 物理学,工业通用技术及设备,自动化技术

单位: 哈尔滨工程大学

分类号: TB56;TP181

总页数: 89

文件大小: 5293K

下载量: 431

基于机器学习的水声信号识别技术研究

论文摘要

论文目录

文章来源

相关论文文献

猜你喜欢