水聲目標(biāo)線譜特征提取及神經(jīng)網(wǎng)絡(luò)的在線分類識別.pdf

1、水聲目標(biāo)被動聲納的自動識別是水聲領(lǐng)域中一個重要的研究課題。目標(biāo)分類一般來說可按兩部分進(jìn)行：一是特征提取，二是模式識別。識別特征提取的好壞對識別來說非常重要。識別譜特征的提取大體可以從三個方面進(jìn)行：功率譜，線譜和動態(tài)特征即俗稱的動態(tài)譜。大量的工作發(fā)現(xiàn)了不少識別特征，其中經(jīng)研究發(fā)現(xiàn)動態(tài)特征解決實(shí)際工程問題的效果較好。艦船噪聲可用時變功率譜和雙重功率譜來描述。測量短時傅里葉變換的平方可得到時變功率譜的估計(jì)，稱為短時譜圖，通常用一幅灰度圖來顯示

2、短時譜圖，其中用灰度的深淺表示譜強(qiáng)度，平面上的X軸和Y軸分別表示頻率和時間。本文介紹了一種分析時變功率譜的方法——瀑布圖，并對其進(jìn)行分析。 近年來，人工神經(jīng)網(wǎng)絡(luò)技術(shù)在被動聲納目標(biāo)的模式識別領(lǐng)域取得了很大的發(fā)展。然而訓(xùn)練樣本集的不完備性與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的局部收斂性及目標(biāo)特征提取的缺陷造成了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)分類器識別率低、難以達(dá)到預(yù)期目標(biāo)的缺陷。因此尋找一種新的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法是實(shí)現(xiàn)在線學(xué)習(xí)目標(biāo)的關(guān)鍵。本文介紹了一種新穎的隱節(jié)點(diǎn)可

3、調(diào)的變結(jié)構(gòu)徑向基函數(shù)網(wǎng)絡(luò)，并應(yīng)用進(jìn)化規(guī)劃最優(yōu)地確定和調(diào)節(jié)變結(jié)構(gòu)徑向基函數(shù)網(wǎng)絡(luò)隱層節(jié)點(diǎn)的數(shù)目及其核函數(shù)的中心和寬度，從而使網(wǎng)絡(luò)具有在線學(xué)習(xí)和記憶新的目標(biāo)模式的功能。 文章分為兩大部分五個章節(jié).第一部分包括一、二、三章，主要分析了系統(tǒng)的特征提取部分的原理及實(shí)現(xiàn)。第二部分包括四、五兩章，主要介紹了系統(tǒng)模式識別部分的原理及實(shí)現(xiàn)。第一章分析了水聲目標(biāo)輻射噪聲的調(diào)制機(jī)理。第二章介紹了局部平穩(wěn)過程的時變功率譜與雙重功率譜的原理與應(yīng)用，并利用時

4、變功率譜形成瀑布圖展開進(jìn)行介紹。第三章利用圖像處理的方法就艦船噪聲的瀑布圖展開分析，同時分析了各目標(biāo)的穩(wěn)定特征線譜的判定及多普勒頻移對目標(biāo)線譜的影響，并據(jù)此區(qū)分高速運(yùn)動目標(biāo)與低速運(yùn)動目標(biāo)。第四章介紹了神經(jīng)網(wǎng)絡(luò)在模式識別方面的應(yīng)用，并分析了傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)分類識別器的優(yōu)點(diǎn)與不足，介紹了一種新的訓(xùn)練算法——進(jìn)化算法。第五章介紹了在線學(xué)習(xí)能力較好、泛化識別率較高的一種新的神經(jīng)網(wǎng)絡(luò)——基于進(jìn)化規(guī)劃的變結(jié)構(gòu)徑向基函數(shù)網(wǎng)絡(luò)，并就其應(yīng)用效果進(jìn)行介紹。在