论文部分内容阅读
随着科学技术的发展,以及国防安全的需要,对于水下目标的识别已经变得越来越重要。水下目标识别是水声装备发展的三项关键技术(探测、定位、识别)之一,是探测系统智能化的重要标志,同时也是声纳信息理论中急待解决的难题。开展该领域的研究具有极其重要的现实意义与军事价值。水下目标识别分为主动识别和被动识别两种,本文研究的是被动识别技术。它是将被动声纳接收的水下目标噪声信号先进行特征提取,提取出能够反映目标特征的特征向量,然后设计一个目标分类器,最后将提取出的能够反映目标本质特性的特征向量送入目标分类器进行分类识别。在特征提取阶段,本文将采集的水下目标的信号进行快速傅里叶变换(FFT)得到信号的功率谱,然后对功率谱进行特征提取,其中最主要的特征提取方法包括连续谱特征提取、线谱特征提取、调制连续谱特征提取、调制线谱特征提取,这样就可以得到信号的基于不同特征提取方法的特征向量。在得到目标的特征向量后,首先设计一个自适应遗传BP神经网络分类器对目标进行分类处理,经仿真实验表明该特征分类器能够有效地对水下目标信号进行识别,其识别率达到了85%以上。为了体现基于水下传感器网络的目标识别,本文又采用了基于D-S证据理论的方法对目标进行融合识别,其过程为:首先训练一个BP神经网络,然后把上文所介绍的水下目标信号的各个特征向量输入训练好的BP神经网络,这样BP神经网络输出的就是D-S证据理论所要得到的基本概率赋值,然后利用该基本概率赋值对目标进行D-S融合识别,经仿真实验表明该融合算法,识别率达到90%以上,目标识别的精度明显升高。在实验室现有条件下,本次试验通过布置在水槽中的一些传感器节点来模拟水下传感器网络。首先节点将采集的水下目标的特征数据发送给网关,网关再通过串口将数据传送到网络控制系统的数据库中;然后在数据库中通过调用matlab程序完成对目标的分类识别;最后利用嵌入式web实现对目标识别结果的远程监测。