科学出版社分享 http://blog.sciencenet.cn/u/sciencepress 中国最大的综合性科技出版机构之一,科学家的出版社!

博文

前沿丨水中目标新型被动检测理论及方法

已有 632 次阅读 2020-10-16 09:35 |系统分类:科研笔记

海洋是未来人类资源的主要来源之一,对它的探测与开发尤为重要,目前已经从浅海延伸到深海。在对海洋进行基础研究、资源开发、工程建设和军事行动等的过程中,先进的海洋探测与识别技术是快速和准确获取海洋目标信息的关键。根据我国建设海洋强国的重大部署,推动海洋科技创新发展已经成为中国特色社会主义事业的重要组成部分。西方各军事强国大力进行隐形舰艇研究,通过铺设消声瓦以降低舰艇的主动目标强度,其舰艇或编队的预警及防御体系不断完善、水声对抗技术不断提高,这使得未来海战对水下航行器在目标探测、目标识别和反对抗能力等方面提出了更高的要求。然而,海洋复杂的水声环境对目标检测构成了极大的挑战,尤其对水下航行器而言,在强噪声、小孔径条件下,从复杂的航行噪声和海洋环境噪声中检测出舰艇辐射噪声并精确定位目标,一直是水下目标检测的难题。随着水声对抗技术不断提高,水声复杂环境中的混响背景增加了水声目标主动检测的难度,而且不易实现远程检测。在这种情况下,必须开展被动检测理论及方法研究,提高复杂环境中水下航行器的远程检测能力,以实现其隐蔽攻击性,从而夺取战场先机。


目标噪声的产生和辐射机理十分复杂,成分多样,既有宽带连续谱分量和较强的窄带线谱分量,又有明显的调制成分,同时由于水声信道的复杂多变以及水声信号传播的多途径效应,水声信号往往呈现出“三非”特性。此外,由于传统的信号处理方法是基于信号和噪声是线性平稳性的高斯随机过程这一假设的,随着舰艇等目标减振降噪性能的提高和噪声的降低,这些传统信号处理方法很难准确地提取水下目标辐射噪声的特征,因此必须将新型的被动检测理论及方法应用到实际中,以提高水下航行器目标检测系统对复杂环境的适应性能。

 

水下航行器目标检测的核心问题是如何有效地运用信号处理理论和方法进行舰艇目标的辐射噪声特征提取,并对这些特征利用合适的模型进行判别决策。因此,有效的特征提取方法是整个检测系统成功的关键。随着现代信号处理理论的快速发展和人们对海洋信道及目标特性更深入的了解,目标特征提取算法得到了较大发展和进步。近年来的研究已经表明,舰艇等水中目标的辐射噪声是一种非高斯性、非平稳性、非线性的“三非”过程。从信号处理的角度出发,可以利用新的现代信号处理方法全面描述这一过程的特性。

 

《水中目标新型被动检测理论及方法》以舰船、水下航行器等水中目标的辐射噪声和航行器自噪声为研究对象,开展新型被动检测的理论与方法研究。利用现代信号处理技术对舰艇辐射噪声、水下航行噪声及海洋环境噪声进行分析,提取多方位、多层次上的目标特征。研究被动检测中的“三非”过程的信号处理问题,确定适合水下航行器微弱信号目标检测的新信号处理技术。根据提取到的有效特征,研究能量熵、近似熵等物理学参数模型和人工智能决策模型,提出新型的目标被动检测理论与方法。开展远程目标被动检测技术的实验研究,对目标检测模型进行评估,从而为开展水下航行器的远程被动探测系统研究提供理论与技术支持。

 

本书的研究内容主要包含以下几个方面。

 

(1)水声目标信号与噪声特性研究。以典型舰艇等水中目标的辐射噪声、航行器自噪声(水下航行噪声及海洋环境噪声)为研究对象,分析它们的时域特性、调制特性及频域宽带特性和线谱特性,根据时域特性、调制特性、谱特性等特点及其差异,分析舰艇辐射噪声中的固有特征,从而为水下航行器水声目标检测提供依据。

 

(2)新型水声信号处理算法研究。根据典型舰艇辐射噪声中的固有特征,研究适合于水声信号“三非”问题的现代信号处理新算法。例如,利用基于高阶统计性理论的高阶统计量来解决非高斯问题,利用基于提升策略的小波变换来处理非平稳问题,利用经验模式分解与变分模态分解等时频分析方法研究非线性、非平稳问题,甚至可以将多种信号处理方法综合使用,以解决更为复杂的水声问题。研究这些方法在强噪声背景下微弱水声信号的滤波和降噪性能,并与传统方法进行比较。

 

(3)目标检测模型的构建。利用新型水声信号处理算法提取目标辐射噪声的时域、频域、时频域等特征,借鉴线谱检测和能量检测的思想,综合时域、频域、时频域中的众多特征,利用特征选择方法或人工智能方法确定合适的综合指标,将其作为检测门限,建立新的目标检测模型。

 

(4)应用研究、原理验证和性能评估。根据确定的目标检测技术方案,以水下航行器为载体进行实验研究,对这些目标检测模型进行评估和改进,验证其实用性和稳健性。

 

本书以水下航行器的被动检测为目的,研究水中目标新型被动检测理论及方法,具体各章内容安排如下。

 

第1章,绪论。论述水中目标被动检测的意义,综述水中目标被动检测的国内外研究现状及其发展方向。同时,讨论基于水声信号处理、特征提取和目标检测的被动检测技术。

 

第2章,水声目标信号与噪声特性。介绍水声信号的非高斯性和非线性等统计特性的判定方法,构建舰船、水下航行器的辐射噪声和水下航行器的自噪声模型,分析实测的舰船辐射噪声、水下航行器的辐射噪声及其自噪声的时域特性、调制特性及频域宽带特性与线谱特性。根据时域特性、调制特性、谱特性等特点及其差异,研究这些辐射噪声和自噪声中的固有特征。

 

第3章,新型水声信号处理算法。研究利用基于高阶统计量理论的高阶谱来解决水声信号中的非高斯问题,提出利用第二代小波变换来处理水声信号中的非平稳问题,利用经验模式分解方法来解决水声信号中的非线性、非平稳问题,并研究了两种相应的改进算法。为了提取瞬态和微弱的辐射噪声特征,提出两种集成信号处理方法:集成多个经验模式分解的特征提取方法和集成第二代小波与经验模式分解的特征提取方法。提出利用变分模态分解方法来解决水声信号中的非线性、非平稳问题,并研究变分模态分解算法参数的制订策略。分别用仿真信号和实测的舰船、水下航行器等水声目标辐射噪声信号对这些新型的水声信号处理方法进行验证。

 

第4章,水中目标被动检测模型。介绍能量检测、过零率检测和线谱检测这三种常规的水中目标被动检测模型,并对其检测性能进行仿真和实验研究。构建四种新型的水中目标被动检测模型,分别为集成被动检测模型、基于经验模式能量熵的被动检测模型、基于第二代小波包近似熵的被动检测模型和基于时频分析的被动检测模型,结合仿真和实测数据对这四种模型进行有效性验证。将已构建的被动检测模型应用于工程系统中,结合实测数据进行对比研究。

 

第5章,水中目标智能被动检测理论。综合分频段滤波、Hilbert包络解调和改进的经验模式分解等现代信号处理方法,基于距离评估技术的特征选择方法,支持向量数据描述的单值检测器和“投票策略”,提出一种组合支持向量数据描述的水声目标智能被动检测新方法,并构建相应的智能检测模型。同时,为了对水声目标辐射噪声的起伏、信噪比从小到大的渐变过程做出准确地检测,提出一种新的基于模糊支持向量数据描述的水声目标智能被动检测模型。以实测的某水下航行器辐射噪声数据为基础,对提出的两种新型智能被动检测模型进行目标检测的仿真研究。

 

第6章,水中目标混合智能识别研究。基于幅值谱分析、滤波、Hilbert包络解调和改进的EMD等现代信号处理方法、特征距离评估技术的特征选择方法和支持向量机(SVMs)分类器,结合遗传算法融合策略,提出一种组合SVMs的水声目标智能识别模型。同时,提出利用集成学习理论中的AdaBoost算法和Bagging算法分别将多个SVMs进行集成,构建两种新型的水中目标混合智能识别模型:基于AdaBoost算法的集成SVMs的智能识别模型和基于Bagging算法的可选择集成SVMs的智能识别模型。结合实测的水中目标辐射噪声数据对这三种混合智能识别模型的有效性进行研究,同时研究基于二维时频谱图和卷积神经网络构建深度学习模型,验证深度学习方法在舰船噪声分类中的可行性。
 

本文摘编自水中目标新型被动检测理论及方法一书,内容有删减改动。标题为编者所加。


640.webp (4).jpg

水中目标新型被动检测理论及方法

胡桥 著

ISBN  978-7-5088-5711-4

责任编辑:宋无汗  李  萍


《水中目标新型被动检测理论及方法》围绕水中目标新型被动检测理论及方法,从水声目标信号与噪声特性、新型水声信号处理算法、水中目标被动检测模型、水中目标智能被动检测理论及水中目标混合智能识别五个方面进行研究并将相关成果进行总结,可为水下机器人、水下航行器的目标智能探测与识别提供坚实的理论支持,对海洋装备智能探测与识别等性能的提升具有重要意义。


本书可作为高等院校海洋目标探测与识别相关专业师生的参考书,对从事水下机器人、水下航行器等研究的科研人员,以及在此领域内从事生产、试验和互用工作的技术人员也具有一定的参考价值。



向上滑动阅览

目录
丛书前言一
丛书前言二
前言
1 绪论 1
1.1 水中目标被动检测的意义 1
1.2 国内外研究综述 2
1.2.1 水声信号处理和特征提取 4
1.2.2 水声目标被动检测技术及应用 7
1.2.3 水中目标新型被动检测技术的提出 11
1.3 本书的研究意义和主要内容 12
1.3.1 本书的研究意义 12
1.3.2 本书研究的主要内容 14
1.4 本书章节安排 14
参考文献 16
2 水声目标信号与噪声特性 22
2.1 引言 22
2.2 水声信号的统计特性分析 23
2.3 水声目标的辐射噪声特性分析 25
2.3.1 舰船辐射噪声的时域和频域统计特征 25
2.3.2 舰船辐射噪声的频谱及其调制特性 28
2.3.3 水下航行器辐射噪声的时域和频域统计特征 31
2.3.4 水下航行器辐射噪声的频谱及其调制特性 32
2.4 水下航行器的自噪声特性分析 34
2.4.1 自噪声的时域和频域统计特征 34
2.4.2 自噪声的频谱及其调制特性 35
2.5 水声目标的辐射噪声模型和水下航行器自噪声模型 36
2.5.1 舰船辐射噪声模型 36
2.5.2 水下航行器辐射噪声模型 41
2.5.3 水下航行器自噪声模型 44
2.6 小结 46
参考文献 47
3 新型水声信号处理算法 48
3.1 引言 48
3.2 基于高阶统计量的非高斯水声信号分析 50
3.2.1 高阶谱及其切片谱分析 50
3.2.2 线谱特征提取 52
3.3 基于第二代小波变换的非平稳水声信号分析 52
3.3.1 第二代小波变换的基本原理 52
3.3.2 第二代小波变换滤波分析 54
3.3.3 水中目标的分频带能量观测 59
3.4 基于经验模式分解的非线性水声信号分析 60
3.4.1 经验模式分解的基本原理 60
3.4.2 一种新的端点效应解决方案 61
3.4.3 一种新的模态混叠解决方案 64
3.4.4 辐射噪声的特征提取研究 66
3.5 集成信号处理方法的水声信号分析 70
3.5.1 集成多个经验模式分解的特征提取研究 70
3.5.2 集成第二代小波变换和经验模式分解的特征提取研究 75
3.6 基于变分模态分解的非线性水声信号分析 79
3.6.1 变分模态分解的基本原理 79
3.6.2 变分模态分解参数制定解决方案 81
3.6.3 基于变分模态分解的辐射噪声特征提取研究 84
3.7 小结 87
参考文献 88
4 水中目标被动检测模型 90
4.1 引言 90
4.2 常规的被动检测模型及其实验分析 91
4.2.1 能量检测模型 92
4.2.2 过零率检测模型 93
4.2.3 线谱检测模型 94
4.2.4 仿真性能分析 95
4.2.5 实验分析 96
4.3 新型的被动检测模型及其实验分析 98
4.3.1 集成被动检测模型 98
4.3.2 基于经验模式能量熵的被动检测模型 103
4.3.3 基于第二代小波包近似熵的被动检测模型 107
4.3.4 基于时频分析的被动检测模型 112
4.4 被动检测模型应用研究 117
4.5 小结 121
参考文献 122
5 水中目标智能被动检测理论 124
5.1 引言 124
5.2 特征提取与特征选择技术 126
5.2.1 特征提取 126
5.2.2 特征选择 127
5.3 支持向量数据描述的基本原理 128
5.4 基于组合支持向量数据描述的被动检测模型 131
5.4.1 被动检测模型构建 131
5.4.2 应用研究 133
5.5 基于模糊支持向量数据描述的被动检测模型 134
5.5.1 模糊支持向量数据描述原理 134
5.5.2 被动检测模型构建 135
5.5.3 应用研究 137
5.6 小结 139
参考文献 140
6 水中目标混合智能识别研究 142
6.1 引言 142
6.2 集成支持向量机原理 144
6.2.1 基于常规组合的集成支持向量机 144
6.2.2 基于AdaBoost算法的集成支持向量机 145
6.2.3 基于Bagging算法的可选择集成支持向量机 148
6.3 水中目标混合智能识别框架 151
6.4 基于常规组合的集成支持向量机的实验分析 151
6.4.1 舰船辐射噪声数据集 151
6.4.2 常规组合的集成支持向量集与传统分类器的分类性能比较 154
6.4.3 特征选择对分类性能的影响 155
6.5 基于AdaBoost算法和Bagging算法的集成支持向量机的实验分析 156
6.5.1 水中目标辐射噪声数据集 156
6.5.2 针对不同集成数目的智能分类器性能比较 158
6.5.3 不同的特征数目对分类结果的影响 158
6.5.4 集成支持向量机与支持向量机的泛化性能比较 160
6.5.5 讨论 161
6.6 深度学习目标分类 161
6.6.1 二维时频谱图 162
6.6.2 深度学习模型 163
6.6.3 二维时频谱图与深度学习相结合的目标分类识别分析 165
6.7 小结 169
参考文献 170



本期编辑丨王芳


640.webp (2).jpg


一起阅读科学!

科学出版社│微信ID:sciencepress-cspm

专业品质  学术价值

原创好读  科学品味




http://wap.sciencenet.cn/blog-528739-1254553.html

上一篇:探索高质量发展之路——中宣部2020年主题出版重点出版物《迈向高质量发展之路》出版
下一篇:前沿丨气体爆轰的物理机制、传播规律

0

该博文允许注册用户评论 请点击登录 评论 (0 个评论)

数据加载中...

Archiver|手机版|科学网 ( 京ICP备07017567号-12 )

GMT+8, 2020-11-26 07:10

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部