利用声目标在运动过程中产生的声波,对目标进行识别是被动声探测系统的基本任务。目标识别技术属于模式识别理论的研究范围,其关键在于特征提取和分类器的设计。 本文首先应用现代信号处理手段研究了目标噪声信号的两种特征信息提取方法。基于四种战场目标的噪声频谱特性采用了主分量分析(PCA)的特征提取算法,以及基于小波理论的小波分解尺度细节信号时域能量的特征提取算法,利用这两种算法均获得了较低维的特征向量。并设计了KNN和改进的BP神经网络两种分类器。目标识别实验中利用直升机等四类战场目标的实测声信号数据,分别应用前述两种特征提取技术和分类器进行识别分类,来考察它们各自的性能。实验结果表明:两种特征提取技术从频率和能量的不同角度考虑问题,能够很好地体现不同声目标之间的差异,提取的特征量较为稳健,分类结果准确率较高,均获得满意的实验效果。 本文的后一部分研究了证据推理在多源信息融合实现声目标识别分类中的应用。利用了小波分解尺度细节信号能量特征作为四类目标声信号提取的特征,采用基于D-S的新组合规则吸收法对多传感器信息进行特征融合,并对吸收法及最近邻法两种情况下的识别效果进行了对比,仿真结果表明证据推理为声信号多目标识别提供了一种有效的方法。