基于VMD和改进CNN的舰船辐射噪声识别方法
倪俊帅， 胡长青， 赵 梅
(1.中国科学院声学研究所东海研究站，上海 201815；
2.中国科学院大学，北京 100049)
舰船辐射噪声中蕴含着能够反映舰船'身份“的特征信息，是用来识别舰船目标的一种重要有效手段。随着信号处理技术和人工智能技术的进步与发展，舰船辐射噪声特征提取和识别成为近年来研究的热点，对提高被动声呐系统感知和辅助决策能力具有重大意义。舰船辐射噪声信号具有周期性、非平稳、非高斯、非线性[1]的特性，高识别度特征提取困难，特别是海上舰船目标，受到海洋环境噪声和其他船只噪声干扰，直接利用时域信号很难提取稳定的特征参数，也不易构建良好拟合泛化的深度学习网络模型。因此，对信号进行处理和变换后提取特征，应用机器学习或深度学习进行识别，是近年来广泛的研究思路。
在传统的特征提取方面，杨宏等[2]利用集合经验模态分解分析舰船辐射噪声能量，提取了高低频能量差作为特征参数用于分类识别；
Wang等[3]应用固有时间尺度分解处理舰船辐射噪声信号，提取复杂度特征进行分类；
李余兴等[4]提出了基于变分模态分解和中心频率的舰船辐射噪声特征提取方法，对四类舰船进行了有效的区分；
Xie等[5]提出了基于增强变分模态分解、归一化相关系数和排列熵的舰船特征提取方法；
李余兴[6]将最优IMF的中心频率和排列熵作为特征参数并应用支持向量机进行识别；
李余兴等[7]提取了集合经验模态分解最强固有模态的中心频率特征，相比于高低频能量差特征可分性更好。由于传统的特征提取方法得到的特征维数低、信息量少，很难表达舰船辐射噪声的多声源特性和舰船航行的动态复杂性，因此在复杂环境下的适应性和识别效果较差。深度学习能有效提取高维非线性特征，实现舰船工况时变规律建模，对低信噪比舰船辐射噪声具有较好的鲁棒性。此外，卷积神经网络能充分提取波形结构和局部细节信息，具有位移不变性[8]，适用于图像和时间序列的识别任务。王小宇等[9]提出了改进卷积神经网络实现端到端的水声目标自动识别方法；
Li等[10]提出了用于水声目标辐射噪声音色感知的卷积神经网络模型；
Wang等[11]提出了多特征融合和修正的深度神经网络模型；
Shen等[12]提出了类听觉机制的卷积神经网络模型；
黄擎等[13]提出了小波分解和改进CNN相融合的水声目标识别方法，均取得了较好的识别效果。
为提高海上低信噪比舰船目标识别准确率，同时降低识别系统运算成...
|
== 试读已结束，如需继续阅读敬请充值会员 ==
|
|
本站文章均为原创投稿，仅供下载参考，付费用户可查看完整且有格式内容！
(费用标准：38元/2月，98元/2年，微信支付秒开通！) |
| 升级为会员即可查阅全文 。如需要查阅全文，请 免费注册 或 登录会员 |
|
