论文部分内容阅读
本文来源于“国防科技基础研究”预研课题“水下目标被动识别技术方法研究”。主要的工作是在前期研究的基础上,利用已有水中目标的特征提取和识别方法,应用人工神经网络技术,总结出一种水下目标识别方法。 本文的研究方法是从目标产生的辐射噪声中提取出目标的特征信息,结合已有的先验知识,对目标的类别做出判断。本文试图把现代信号处理技术与信息融合技术相结合,应用到具体的水下目标识别领域,以提高水下目标被动识别系统的准确性和可靠性。在软件编程的过程中,为了提高代码的效率,利用了C++ Builder与Matlab混合编程的技术。 按照模式识别的工作原理,可以将本文的工作分为三大部分:特征提取、分类识别和试验研究。 特征提取的过程是把输入的船舶辐射噪声信号变换到不同的特征空间,提取出反映样本的类别特性的特征向量,并把其作为分类器的输入模式。本文作者经过考察,采用了三种前期研究中较为有效的水下目标特征提取方法——基于功率谱估计的线谱特征提取方法、基于小波分析的不同频段内能量特征提取方法和基于水声信号分维特性的特征提取方法。其中线谱特征反映了船舶辐射噪声的频域信息,能量特征综合了不同频段内的信息,而分维特征反映了信号的时域的信息。这样,本系统就融合了目标在不同方面的特征,为下一步正确的分类提供了坚实的基础。 分类器的定义是可以根据输入模式判定该样本的所属类别,实现类别的划分。本文所引入的分类器是基于人工神经网络的多层感知器神经网络,该分类器非参数和自适应的特点,能够实现有效的特征层识别。利用三个人工神经网络分类器分别的识别结果,进行决策层融合,可以进一步提高整个系统的识别性能。 最后一个部分是试验数据处理部分。本文利用两次松花湖湖泊试验所采哈尔滨工程大学硕士学位论文集的船舶辐射噪声数据进行分析处理,为了验证模糊融合分类器的分类性能,依据具体情况做了两个分类试验,给出各自具体的识别率,并由此得出了相应的结论,即本文所选取的特征提取和分类器算法基本上是有效的。