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 |