針對水下被動聲吶目標(biāo)分類識別難的問題,根據(jù)張量結(jié)構(gòu)具有魯棒性的特點(diǎn),提出一種基于小波變換的船舶輻射噪聲3階張量特征提取方法。將船舶輻射噪聲進(jìn)行分幀,對每一幀信號進(jìn)行小波變換,再對小波變換系數(shù)進(jìn)行MFCC特征提取,最后構(gòu)建一個幀數(shù)小波分解分量MFCC特征維數(shù)的3階特征張量。將整個船舶輻射噪聲樣本集劃分為訓(xùn)練集和測試集,對訓(xùn)練集的3階特征張量采用張量分解得到所有訓(xùn)練樣本的核張量和因子矩陣,利用測試樣本的3階特征張量和訓(xùn)練樣本的因子矩陣,得到測試樣本的核張量,通過比較訓(xùn)練樣本與測試樣本核張量之間的范數(shù)大小,實(shí)現(xiàn)船舶輻射噪聲的分類識別。實(shí)測樣本識別結(jié)果表明,該方法具有較高的正確分類識別概率。 

【文章來源】：艦船科學(xué)技術(shù). 2020,42(17)北大核心

【文章頁數(shù)】：5 頁

【部分圖文】：

三階張量Tucker分解模型Fig.1Tuckerdecompositionmodelofathird-ordertensor

2.1分幀TLincLzLsT采用交疊分段的方法將船舶輻射噪聲分為部分交疊的幀，幀移長度為，每幀長，若原始信號長度為，則幀數(shù)表示為：T=LsLz+LincLinc。(3)2.2小波變換f(t)小波變換（WT）是在傅里葉變換（FT）的基礎(chǔ)上發(fā)展來的，將FT中無限長的三角函數(shù)基換成有限長的會衰減的小波基，能夠在獲得頻率信息的同時定位到時間，其與信號做卷積的形式表示為下式：F(ω)=+∞∞f(t)eiωtdtWT(a,b)=|a|1/2+∞∞f(t)Ψ(tba)dt。(4)Ψab(t)=|a|1/2Ψ(tba)其中：為小波函數(shù)，a為變換尺度，對應(yīng)于頻率，控制小波函數(shù)的伸縮；b為平移量，對應(yīng)于時間，控制小波函數(shù)的平移。Ψab(t)f(t)bf(t)aba=am0b=nb0am0a0>1b00a0=2,b0=1m∈N,n∈Z對信號進(jìn)行小波變換是改變小波的尺度，實(shí)現(xiàn)在頻域內(nèi)的伸縮；改變平移量實(shí)現(xiàn)在時域內(nèi)的移動，通過分析與在時刻的相似程度得到該時刻的頻率信息。在信號處理中，一般采用離散小波變換，把式(4)中的參數(shù)，都進(jìn)行離散化，令，，其中，，通常取，分別對應(yīng)小波的伸縮變換與平移，從而把連續(xù)小波變?yōu)殡x散小波(DW)[18]。Ψm,n(t)=am/20Ψ(am0tnb0)，(5)則離散小波變換(DWT)為：DWT(m,n)=am/20∞∞f(t)Ψ(am0tnb0)dt。(6)SHFLFDWT是一種平分信號帶寬的分解算法，它將信號分解為高頻細(xì)節(jié)分量和低頻近似分量，并對低頻部分再次進(jìn)行高低頻分解，分解過程如圖2所示。XS圖中，L為低通濾波器，H為高通濾波器，↓2為系數(shù)為2的降采樣濾波器。由于一直在進(jìn)行降采樣，所以雖然濾波器L，H不變，但其濾波帶寬一直在減半。如此經(jīng)過次分解后，信號就可以表示為：S=HF1+HF2+···+HFX+LFX。(7)dbNNdbN在小波變換中，Morlet小波，Haar小波，Daubech-ies小波，Meyer小波等是常用的小波，本文進(jìn)行小波?

張量，其結(jié)構(gòu)如圖3所示。圖3三階張量Fig.3Athird-ordertensor3張量特征分類識別IZTrain∈RI×J×KGTrainUTrain(1)UTrain(2)UTrain(3)對船舶輻射噪聲進(jìn)行分類識別時，設(shè)船舶輻射噪聲共分為類。將船舶輻射噪聲分為訓(xùn)練樣本集和測試樣本集。對每一個樣本按照上述方法構(gòu)造3階小波張量，對訓(xùn)練樣本集中每個樣本的3階張量進(jìn)行HOSVD分解，得到訓(xùn)練樣本集中每個樣本的核張量和因子矩陣，，，如下式：ZTrain≈GTrain×1UTrain(1)×2UTrain(2)×3UTrain(3)，(13)YTest∈RI×J×KUTrain(1)UTrain(2)UTrain(3)將測試樣本集中每個樣本的3階張量和訓(xùn)練樣本集中每個樣本的因子矩陣，，的轉(zhuǎn)置做矩陣乘運(yùn)算，生成該測試樣本的投影張量，如下式：GTest=YTest×1(UTrain(1))T×2(UTrain(2))T×3(UTrain(3))T，(14)GTestGTrain通過判別每個測試樣本的投影張量與訓(xùn)練集中每個訓(xùn)練樣本的核張量相似性實(shí)現(xiàn)目標(biāo)的分類識別，即argmin√∥GTestGTrain∥F。(15)∥·∥FGTestGTrainYtest式中：為Frobenius范數(shù)。若測試樣本的與第i類訓(xùn)練樣本集中樣本的核張量之間的Frobenius范數(shù)最小，則將分類為第i類船舶輻射噪聲。4船舶輻射噪聲分類識別實(shí)驗(yàn)分類識別實(shí)驗(yàn)中，共有Ⅰ，Ⅱ，Ⅲ類船舶4506個輻射噪聲樣本，采樣頻率為25kHz，每個樣本長為6.5536s。從整個輻射噪聲樣本中每間隔10個樣本取1個作為訓(xùn)練樣本集，余下的作為測試樣本集，得到451個訓(xùn)練樣本，4055個測試樣本。對每個樣本采用(Lr,1,1)95.09%漢明窗進(jìn)行分幀，每幀長度為8192個采樣點(diǎn)，幀移為1024個采樣點(diǎn)，分幀后共得到153鄭在小波分解過程中，采用db3小波進(jìn)行3層小波分解，小波分解后得到4個分量。對每個分量提取12維美爾頻率倒譜系數(shù)（MFCC）。然后使用上述步驟得到的1

【參考文獻(xiàn)】：
期刊論文
[1]關(guān)于高階張量的秩-（Lr,1,1）分解方法[J]. 尹鳳,雷曉軍,黃光鑫.  成都理工大學(xué)學(xué)報(自然科學(xué)版). 2019(01)
[2]基于目標(biāo)MFCC特征的監(jiān)督學(xué)習(xí)方法在被動聲吶目標(biāo)識別中的應(yīng)用研究[J]. 程錦盛,杜選民,周勝增,曾賽.  艦船科學(xué)技術(shù). 2018(17)
[3]基于張量線性拉普拉斯判別的肌電特征提取方法[J]. 佘青山,馬鵬剛,馬玉良,孟明.  東南大學(xué)學(xué)報(自然科學(xué)版). 2017(06)
[4]基于非負(fù)張量分解的人臉識別算法研究[J]. 梁秋霞,何光輝,陳如麗,楚建浦.  計(jì)算機(jī)科學(xué). 2016(10)
[5]基于張量奇異值分解的人臉識別方法[J]. 計(jì)雨含,王曉東,姚宇.  計(jì)算機(jī)應(yīng)用. 2015(S1)
[6]張量時頻空模式在腦電信號特征提取中的研究[J]. 邱靜雯,官金安.  計(jì)算機(jī)與數(shù)字工程. 2015(05)
[7]基于小波包分解的艦船輻射噪聲特征提取方法研究[J]. 王夢璇.  電子設(shè)計(jì)工程. 2014(04)
[8]基于稀疏張量的人臉圖像特征提取[J]. 周春光,孫明芳,王甦菁,陳前,劉小華,劉昱昊.  吉林大學(xué)學(xué)報(工學(xué)版). 2012(06)

博士論文
[1]基于張量分析的多因素音頻信號建模與應(yīng)用研究[D]. 楊立東.北京理工大學(xué) 2016

碩士論文
[1]基于張量分解的聲矢量傳感器陣列信號處理方法研究[D]. 樊帆.吉林大學(xué) 2017
[2]基于支持張量機(jī)的遙感圖像目標(biāo)分級識別研究[D]. 任卿龍.哈爾濱工業(yè)大學(xué) 2017
[3]基于張量分解的胎兒心電信號提取研究[D]. 徐曼.重慶大學(xué) 2017
[4]基于非負(fù)張量分解的多通道音頻信號盲分離研究[D]. 王珊.東南大學(xué) 2015



本文編號：3514840