目標(biāo)噪聲信號(hào)作為當(dāng)前水聲目標(biāo)識(shí)別的主要信號(hào)源之一,由于目標(biāo)信號(hào)來(lái)源單一,難以像多傳感器探測(cè)不同角度表征目標(biāo)特性,導(dǎo)致目標(biāo)識(shí)別分類正確率低、虛警率高,嚴(yán)重制約水聲探測(cè)系統(tǒng)功能的發(fā)揮。針對(duì)這一問題,采用長(zhǎng)短時(shí)記憶網(wǎng)絡(luò),建立多層LSTM水聲目標(biāo)噪聲特征提取模型,學(xué)習(xí)提取目標(biāo)噪聲時(shí)域包絡(luò)、DEMON線譜、梅爾倒譜系數(shù)等信息特征,構(gòu)建多類別特征子集;在此基礎(chǔ)之上,建立了基于多類別特征子集的特征級(jí)融合識(shí)別分類模型和基于D-S證據(jù)理論的決策級(jí)融合識(shí)別分類模型;利用樣本庫(kù)數(shù)據(jù)對(duì)上述模型進(jìn)行了測(cè)試,對(duì)比多類別特征融合判別與單一類別特征識(shí)別分類的差異,并使用港池相關(guān)試驗(yàn)數(shù)據(jù)對(duì)上述模型進(jìn)行了測(cè)試驗(yàn)證。測(cè)試結(jié)果表明,提出的基于多類別特征融合的水聲目標(biāo)噪聲智能識(shí)別分類方法判別效果更好,對(duì)水聲目標(biāo)噪聲信號(hào)識(shí)別分類的正確率和虛警率等相關(guān)指標(biāo)均優(yōu)于單一類別特征判別方法。 

【文章來(lái)源】：西北工業(yè)大學(xué)學(xué)報(bào). 2020,38(02)北大核心EICSCD

【文章頁(yè)數(shù)】：11 頁(yè)

【文章目錄】：
1 多類別特征融合識(shí)別分類模型
    1.1 長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)提取聲學(xué)數(shù)據(jù)特征
        1.1.1 長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)結(jié)構(gòu)單元
        1.1.2 多層LSTM提取聲學(xué)數(shù)據(jù)特征
    1.2 基于多類別特征融合的目標(biāo)噪聲識(shí)別分類模型
        1.2.1 基于多類別特征子集特征級(jí)融合的識(shí)別分類模型
        1.2.2 基于D-S證據(jù)理論決策級(jí)融合的識(shí)別分類模型
    1.3 模型度量方法
2 模型驗(yàn)證
    2.1 樣本庫(kù)測(cè)試
    2.2 港池試驗(yàn)數(shù)據(jù)驗(yàn)證
3 結(jié) 論


【參考文獻(xiàn)】：
期刊論文
[1]基于降噪自編碼器的水中目標(biāo)識(shí)別方法[J]. 陳越超,徐曉男.  聲學(xué)與電子工程. 2018(01)
[2]用于水聲目標(biāo)特征學(xué)習(xí)與識(shí)別的混合正則化深度置信網(wǎng)絡(luò)[J]. 楊宏暉,申昇,姚曉輝,韓振.  西北工業(yè)大學(xué)學(xué)報(bào). 2017(02)
[3]基于提升小波變換的MFCC在目標(biāo)識(shí)別中的應(yīng)用[J]. 石超雄,李鋼虎,何會(huì)會(huì),趙妮.  聲學(xué)技術(shù). 2014(04)
[4]應(yīng)用希爾伯特黃變換的水下目標(biāo)特征提取[J]. 李秀坤,謝磊,秦宇.  哈爾濱工程大學(xué)學(xué)報(bào). 2009(05)
[5]基于現(xiàn)代信號(hào)處理技術(shù)的艦船噪聲信號(hào)DEMON分析[J]. 程玉勝,王易川,史廣智,惠俊英.  聲學(xué)技術(shù). 2006(01)

博士論文
[1]船舶及鯨類聲信號(hào)特征提取和分類識(shí)別研究[D]. 李新欣.哈爾濱工程大學(xué) 2012
[2]希爾伯特黃變換在矢量信號(hào)處理中的應(yīng)用研究[D]. 王逸林.哈爾濱工程大學(xué) 2006

碩士論文
[1]基于深度學(xué)習(xí)方法的水下聲音目標(biāo)識(shí)別研究[D]. 盧安安.哈爾濱工程大學(xué) 2017
[2]基于聽覺特征的水中目標(biāo)輻射噪聲特征提取[D]. 韓雪.哈爾濱工程大學(xué) 2013
[3]水下目標(biāo)輻射噪聲多維特征分析技術(shù)[D]. 王楊.哈爾濱工程大學(xué) 2012



本文編號(hào)：3155408