經(jīng)驗?zāi)B(tài)分解及其在水聲信號處理中的應(yīng)用.pdf

1、水聲信號處理是信息領(lǐng)域最為活躍的學(xué)科之一，而水下目標(biāo)信號是水聲信號中的一大類。水下目標(biāo)信號的降噪、特征提取與分類識別在現(xiàn)代水聲信號處理中具有十分重要的理論意義，對于水聲信號的探測、跟蹤和識別等方面都具有重要的應(yīng)用價值。
　　經(jīng)驗?zāi)B(tài)分解方法是一種新的適用于非線性和非平穩(wěn)信號的自適應(yīng)時-頻分析方法。本文通過深入研究，分析了現(xiàn)有經(jīng)驗?zāi)B(tài)分解方法的不足，針對這些問題提出了一些改進(jìn)方法，并圍繞經(jīng)驗?zāi)B(tài)分解及其改進(jìn)算法在水下目標(biāo)信號的降噪、

2、特征提取與分類識別等方面的應(yīng)用展開討論，主要工作包括：
　　1.分析了經(jīng)驗?zāi)B(tài)分解和集合經(jīng)驗?zāi)B(tài)分解這兩種方法存在的一些問題。其中，模態(tài)混疊現(xiàn)象是經(jīng)驗?zāi)B(tài)分解的一個主要問題，它使得分解后的固有模態(tài)函數(shù)的時-頻分布混亂，甚至失去實際的物理意義。集合經(jīng)驗?zāi)B(tài)分解是對經(jīng)驗?zāi)B(tài)分解的重要改進(jìn)，其本質(zhì)是在原信號中多次添加白噪聲后進(jìn)行多次經(jīng)驗?zāi)B(tài)分解。該方法雖然有效緩解了標(biāo)準(zhǔn)經(jīng)驗?zāi)B(tài)分解的模態(tài)混疊現(xiàn)象，但由于多次添加白噪聲，使算法的復(fù)雜度和運

3、算量大大增加。此外，集合經(jīng)驗?zāi)B(tài)分解還帶來了一些新的問題，例如：無法確保每次添加噪聲后得到的固有模態(tài)函數(shù)個數(shù)是相同的；重構(gòu)信號中包含了集成平均后未能消除的噪聲，這就使得分解重構(gòu)的信號不能準(zhǔn)確地恢復(fù)出原信號。
　　2.針對經(jīng)驗?zāi)B(tài)分解和集合經(jīng)驗?zāi)B(tài)分解中的上述問題，提出了噪聲自適應(yīng)集合經(jīng)驗?zāi)B(tài)分解方法。仿真結(jié)果表明，提出的改進(jìn)算法不但減少了算法運行時間，而且得到原始信號的時-頻分布更為精確，分解結(jié)果的重構(gòu)誤差也大幅減小，其分解性能優(yōu)

4、于標(biāo)準(zhǔn)經(jīng)驗?zāi)B(tài)分解和集合經(jīng)驗?zāi)B(tài)分解方法。進(jìn)一步，探討了基于噪聲自適應(yīng)集合經(jīng)驗?zāi)B(tài)分解的混沌信號降噪方法，提出了基于能量密度和平均周期的固有模態(tài)函數(shù)相關(guān)系數(shù)法，自適應(yīng)地選擇降噪重構(gòu)的固有模態(tài)函數(shù)分量。該方法被應(yīng)用到不同信噪比的Lorenz仿真信號和實測四類水下艦船輻射噪聲信號的時-頻分析和降噪處理中，得到了較為滿意的結(jié)果。
　　3.基于復(fù)數(shù)經(jīng)驗?zāi)B(tài)分解的特點和白噪聲在經(jīng)驗?zāi)B(tài)分解下的統(tǒng)計特性，本文將噪聲輔助分析思想引入到復(fù)數(shù)經(jīng)驗?zāi)?/p>

5、態(tài)分解中，提出了噪聲輔助復(fù)數(shù)經(jīng)驗?zāi)B(tài)分解方法，并通過詳細(xì)推導(dǎo)分析了添加的白噪聲對該方法分解結(jié)果的影響。該方法將原一維觀測信號和添加的白噪聲分別作為實部和虛部，構(gòu)建二維復(fù)數(shù)據(jù)，再利用復(fù)數(shù)經(jīng)驗?zāi)B(tài)分解方法進(jìn)行時-頻分析。進(jìn)一步，提出了基于噪聲輔助復(fù)數(shù)經(jīng)驗?zāi)B(tài)分解的混沌信號降噪方法，并利用不同信噪比的Lorenz仿真信號和實測四類水下艦船輻射噪聲信號驗證該方法的有效性，通過降噪前后的時域波形、混沌吸引子相圖，以及計算降噪前后的噪聲強度、相關(guān)系

6、數(shù)、關(guān)聯(lián)維數(shù)和 Lyapunov指數(shù)等參數(shù)，從定性和定量兩個方面評價該方法的降噪性能。
　　4.通過對經(jīng)驗?zāi)B(tài)分解、集合經(jīng)驗?zāi)B(tài)分解和提出的兩種改進(jìn)方法的比較，發(fā)現(xiàn)噪聲輔助復(fù)數(shù)經(jīng)驗?zāi)B(tài)分解方法的分解性能要優(yōu)于標(biāo)準(zhǔn)經(jīng)驗?zāi)B(tài)分解、集合經(jīng)驗?zāi)B(tài)分解，而與噪聲自適應(yīng)集合經(jīng)驗?zāi)B(tài)分解性能相仿，但前者運算量要遠(yuǎn)小于后者。綜合考慮這兩種改進(jìn)方法的分解性能以及運行時間等因素，本文最終選定噪聲輔助復(fù)數(shù)經(jīng)驗?zāi)B(tài)分解作為下一步對水聲混沌信號分析處理的方

7、法。因此，為進(jìn)一步探討噪聲輔助復(fù)數(shù)經(jīng)驗?zāi)B(tài)分解方法在水聲混沌信號的降噪、特征提取與分類識別等應(yīng)用中的可行性，本文開展了噪聲輔助復(fù)數(shù)經(jīng)驗?zāi)B(tài)分解方法在基于非線性理論的局部投影算法中的應(yīng)用研究。針對局部投影算法中鄰域難以準(zhǔn)確選擇，而鄰域大小又直接影響其降噪效果這一問題，提出了基于噪聲輔助復(fù)數(shù)經(jīng)驗?zāi)B(tài)分解的改進(jìn)局部投影算法，并把該方法用于Lorenz仿真信號和實測四類艦船輻射噪聲的降噪實驗中，得到了較為滿意的結(jié)果。
　　5.基于噪聲輔助

8、復(fù)數(shù)經(jīng)驗?zāi)B(tài)分解方法的良好分解性能，用噪聲輔助復(fù)數(shù)經(jīng)驗?zāi)B(tài)分解代替希爾伯特-黃變換中的標(biāo)準(zhǔn)經(jīng)驗?zāi)B(tài)分解，進(jìn)而提出了改進(jìn)的希爾伯特-黃變換方法，并探討將該方法用于水下目標(biāo)信號的特征提取與分類識別的可行性和有效性。根據(jù)艦船輻射噪聲的Hilbert譜圖，探討水下目標(biāo)信號的基于固有模態(tài)函數(shù)的特征參數(shù)提取方法。這些特征參數(shù)包括：最強固有模態(tài)函數(shù)中心頻率、高低頻能量差、瞬時能量變化范圍和固有模態(tài)函數(shù)能量熵等。選擇三種典型的混沌系統(tǒng)：Lorenz混沌

9、系統(tǒng)、Rossler混沌系統(tǒng)和Henon混沌系統(tǒng)，分別提取了這三種混沌信號的上述特征參數(shù)，計算結(jié)果表明：提出的基于固有模態(tài)函數(shù)的特征參數(shù)對不同類型的混沌信號具有可分性，可以作為不同混沌信號分類的依據(jù)。繼而選擇實測的四類艦船輻射噪聲作為水聲混沌信號，分別提取它們的上述特征，分析不同類別艦船輻射噪聲的特征參數(shù)間的區(qū)別與聯(lián)系。結(jié)果表明：最強固有模態(tài)函數(shù)中心頻率、高低頻能量差和固有模態(tài)函數(shù)能量熵是幾個較好的特征，對四類不同艦船目標(biāo)具有較好的可分

10、性。瞬時能量變化范圍僅能區(qū)分出第三類艦船目標(biāo)。
　　6.選擇最強固有模態(tài)函數(shù)中心頻率、高低頻能量差和固有模態(tài)函數(shù)能量熵作為水下目標(biāo)信號的分類特征，構(gòu)成特征矢量，設(shè)計基于支持向量機的水下目標(biāo)信號分類器。每類目標(biāo)選取30個樣本作為訓(xùn)練樣本，20個樣本作為測試樣本，利用設(shè)計的水下目標(biāo)信號分類器對四類艦船信號進(jìn)行分類識別，得到了較為滿意的結(jié)果，也驗證了本文提出的水下目標(biāo)信號的提取和分類方法是有效的，這一結(jié)果將為水下目標(biāo)的探測、自動識別和分