海上目標(biāo)被動識別方法研究.pdf

1、海上目標(biāo)被動識別是聲納信號處理的重要研究方向。被動聲納探測海上目標(biāo)的問題十分復(fù)雜，艦船輻射噪聲級逐年降低和樣本獲取困難等因素制約了被動聲納目標(biāo)識別的發(fā)展。如何在低信噪比、小樣本情況下提取海上目標(biāo)信號的有效特征參數(shù)，快速、準(zhǔn)確、穩(wěn)健地實(shí)現(xiàn)目標(biāo)類型判決，是新技術(shù)背景下被動聲納目標(biāo)識別的新需求。論文針對被動聲納目標(biāo)識別的需求，研究了低信噪比條件下、從海洋環(huán)境噪聲背景中提取艦船輻射噪聲時域波形的有效方法，探討了提取海上目標(biāo)輻射噪聲信號有效特征的

2、方法，設(shè)計(jì)了小樣本目標(biāo)分類器，建立了海上目標(biāo)多類特征的決策級融合算法，實(shí)現(xiàn)了在低信噪比、小樣本條件下對兩類典型海上目標(biāo)輻射噪聲信號的有效辨識。文章內(nèi)容主要包含以下四部分：
　　(1)基于非線性動力學(xué)模型的微弱信號提取算法。該方法基于相空間重構(gòu)的基本原理，應(yīng)用二階Volterra級數(shù)濾波器方法構(gòu)建了艦船輻射噪聲和海洋環(huán)境噪聲的非線性動力學(xué)模型；針對傳統(tǒng) Volterra濾波器收斂速度慢和參數(shù)不易選擇的問題，采用 Kalman濾波器估

3、計(jì)了Volterra級數(shù)核，改進(jìn)了Volterra級數(shù)濾波器的非線性逼近能力，提升了非線性動力學(xué)模型的預(yù)測精度和收斂速度。在此基礎(chǔ)上，基于該非線性動力學(xué)模型構(gòu)建了微弱信號提取算法。仿真表明，該算法可在低信噪比情況下，從具有混沌特性的背景噪聲中有效提取出有規(guī)信號和混沌信號的時域波形。海上實(shí)測數(shù)據(jù)的處理表明，該算法實(shí)現(xiàn)了從海洋環(huán)境強(qiáng)噪聲背景中有效提取艦船輻射噪聲信號的時域波形。建立的基于非線性動力學(xué)模型的微弱信號提取算法可用于提高海上目標(biāo)分

4、類識別系統(tǒng)的輸入信噪比。
　　(2)海上目標(biāo)輻射噪聲信號的有效特征提取。依據(jù)不同噪聲源的物理機(jī)制，分別從時域波形結(jié)構(gòu)、功率譜（ Power Spectral Density， PSD）、LOFAR（ Low- Frequency Acquisition and Ranging）譜、DEMON（Detection of Envelope Modulation On Noise）譜和相空間吸引子拓?fù)浣Y(jié)構(gòu)五個方面提取海上目標(biāo)輻射噪聲的特

5、征參數(shù)；探討了兩類典型海上目標(biāo)輻射噪聲時域波形結(jié)構(gòu)特征和非線性特征的類間可分性。海上實(shí)測數(shù)據(jù)的處理表明，兩種典型海上目標(biāo)輻射噪聲的時域波形在統(tǒng)計(jì)意義上具有獨(dú)立性，相空間延遲時間、關(guān)聯(lián)維數(shù)和最大 Lyapunov指數(shù)滿足類內(nèi)聚集、類間可分。依據(jù)線性投影分析法（Linear Projection Analysis,LPA）和PCA（Principal Component Analysis,PCA）方法線性壓縮了特征維數(shù)，避免了數(shù)據(jù)冗余，提取

6、了有效特征。
　　(3)海上目標(biāo)分類器。為解決小樣本條件下的非線性分類問題，基于支持向量機(jī)（Support vector machines,SVM）優(yōu)化設(shè)計(jì)了海上目標(biāo)分類器，提出了改進(jìn)的SVM參數(shù)尋優(yōu)算法。采用改進(jìn)的網(wǎng)格搜索法進(jìn)行了二次搜索，提高了搜索速度；將差分進(jìn)化（Differential Evolution,DE）算法和粒子群優(yōu)化（Particle Swarm Optimization,PSO）算法結(jié)合，提出了 DEPSO算

7、法；得到了 SVM懲罰參數(shù)和核參數(shù)的全局最優(yōu)解?；诟倪M(jìn)尋優(yōu)算法 DEPSO的SVM分類器顯著提高了泛化能力。采用時域波形結(jié)構(gòu)特征對六組海上目標(biāo)輻射噪聲信號進(jìn)行了分類實(shí)驗(yàn)，檢驗(yàn)了改進(jìn)網(wǎng)格搜索法、改進(jìn)的混合優(yōu)化算法 DEPSO以及特征篩選對 SVM分類性能的影響，提高了分類精度，減小了計(jì)算時間成本。
　　(4)海上目標(biāo)輻射噪聲多類特征的決策級融合方法。針對傳統(tǒng)D-S證據(jù)理論在處理沖突證據(jù)方面適用性差的問題，采用改進(jìn)的加權(quán)平均方法分配

8、基本概率賦值（ Basic Probability Assignment，BPA），對沖突證據(jù)進(jìn)行了預(yù)處理；為克服單傳感器獲取信息不完整的影響，構(gòu)造了基于SVM分類器后驗(yàn)概率和識別率的BPA分配函數(shù)；提出了海上目標(biāo)輻射噪聲多類特征的決策級融合模型，該模型融合了海上目標(biāo)輻射噪聲的時域波形結(jié)構(gòu)特征、PSD特征、LOFAR譜特征、DEMON譜特征和混沌分形特征的初步判決結(jié)果。海試數(shù)據(jù)的處理結(jié)果表明，提出的決策級融合方法實(shí)現(xiàn)了特征的篩選，為判斷

9、特征的有效性提供了依據(jù)；利用了多信息源的優(yōu)勢，顯著提高了兩類典型海上目標(biāo)識別的準(zhǔn)確率；增強(qiáng)了被動識別系統(tǒng)的容錯能力，提高了對目標(biāo)追蹤和識別的性能。
　　論文研究了低信噪比、小樣本條件下海上目標(biāo)被動分類識別方法，提出了改進(jìn)的Volterra濾波器級數(shù)核估計(jì)方法，預(yù)測模型的精度提高3-5個數(shù)量級，收斂性增強(qiáng)；建立了基于改進(jìn)Volterra濾波器微弱信號提取模型，實(shí)現(xiàn)了在甚低信噪比情況下從海洋環(huán)境噪聲背景中提取艦船輻射噪聲信號的時域波形