论文部分内容阅读
被动声呐水下目标识别通常包含特征提取和分类识别两部分,早期的研究中上述任务都是由声呐员完成的,但人工特征提取的方式既容易丢失信息,又无法保证识别精度和效率,因此效率更高的自动识别方法如机器学习方法等被逐渐提出。首先本文研究了传统机器学习方法,然后建立了基于传统机器学习方法的水下目标识别框架,并进行仿真验证。根据舰船辐射噪声的产生机理对噪声进行仿真建模,将构造产生的舰船辐射噪声与实测海洋环境噪声混合得到不同信噪比下的混合仿真信号,提取信号的梅尔倒谱系数(Mel Frequency Cepstral Coefficents,MFCC)特征并使用支持向量机(Support Vector Machine,SVM)分类器完成分类识别实验。通过研究发现:在信噪比为-2dB时,其识别准确率可达到98.6%,但在信噪比较低的情况下,其识别准确率下降很快,在-10dB的情况下其识别准确率仅为55.9%。其次本文研究了水下目标识别特征预处理方法,并提出了基于深度学习的水下目标识别框架。针对实测舰船辐射噪声和混合舰船辐射噪声仿真信号,采用基于谐振的稀疏信号分解算法提取信号中的高谐振分量,两类信号高谐振分量间的谱相关系数为0.7074,小于原始信号间的谱相关系数0.7161,证明该算法增强了两类信号间的区分度,有利于提高识别率;对高谐振分量采用短时傅里叶变换计算LOFAR(LOw Frequency Analysis and Recording)谱图,并采用基于多步判决的LOFAR谱线谱增强算法,对与水下目标识别关联密切的线谱进行检测和增强,可以检测出信噪比为-5dB的LOFAR谱中所有的线谱,并能够对因为海洋环境干扰而在LOFAR谱中出现“断点”的线谱补全。最后,将传统机器学习方法与基于经典深度学习网络结构的水下目标识别的研究实验性能作比较。采用卷积神经网络(Convolutional Neural Networks,CNN)、长短时记忆网络(Long Short Term Memory,LSTM)以及传统机器学习方法,分别对实测舰船辐射噪声信号和混合舰船辐射噪声仿真信号所生成的线谱增强的LOFAR谱进行特征提取并完成分类,并采用识别准确率、混淆矩阵、ROC曲线(Receiver Operating Characteristic Curve)、AUC(Area Under the Curve)值等评价指标对三种方法识别性能作比较:对实测舰船辐射噪声而言,CNN识别效果最优,取得了95.22%的识别准确率;对于混合舰船辐射噪声仿真信号而言,在-2dB时三种方法的识别率均达到98%以上,而-10dB两种深度学习方法均可以达到近80%的识别率。