论文部分内容阅读
有效的特征提取是目标分类识别的基础。在噪声信号特征分析中,比较传统的方法有傅立叶变换、基于谱估计的分析、时频分析等,但通常存在原始特征数据量大、维数高、计算成本高的问题。多元统计分析是近年来信号处理领域发展很快的一个分支,在处理多变量综合问题和信号混叠数据方面有比较突出的优势。如何在传统方法的基础上,将多元统计分析应用于舰船辐射噪声的信号特征提取和分类识别,是本文将要研究的问题。
本文主要探讨了两类多元统计分析方法:主成分分析(PCA)和独立成分分析(ICA)。主成分分析是多元统计分析中比较经典的方法。在形成主分量的过程中,通过舍弃小方差项、保留大方差项,减少了所需特征参数数量,为数据降维提供了有效方法。同时,基于PCA的数据重构则为信号识别提供了新的方向。独立成分分析是现代信号处理的常用方法,是解决盲源信号分离问题最有效的工具之一。该方法的一个重要前提是源信号的统计独立性,相互独立在统计学中是个很强的条件,但在现实生活中未知源信号相互独立则是可能性很大的。
本文首先通过对传统舰船辐射噪声信号特征分析方法的探讨,比较了各种功率谱估计方法,实现了线谱提取,并通过Lofar谱图探讨了舰船辐射噪声信号的时频特性;之后对PCA和ICA方法的原理和应用进行了详细研究;最后在经典功率谱和Lofar谱图的基础上尝试运用PCA和ICA的不同算法分别对两种舰船辐射噪声信号进行了特征提取和分类识别,并对结果进行了分析比较。