水中目標新型被動檢測理論及方法

目錄
叢書前言一
叢書前言二
前言
1 緒論 1
1.1 水中目標被動檢測的意義 1
1.2 國內(nèi)外研究綜述 2
1.2.1 水聲信號處理和特征提取 4
1.2.2 水聲目標被動檢測技術及應用 7
1.2.3 水中目標新型被動檢測技術的提出 11
1.3 本書的研究意義和主要內(nèi)容 12
1.3.1 本書的研究意義 12
1.3.2 本書研究的主要內(nèi)容 14
1.4 本書章節(jié)安排 14
參考文獻 16
2 水聲目標信號與噪聲特性 22
2.1 引言 22
2.2 水聲信號的統(tǒng)計特性分析 23
2.3 水聲目標的輻射噪聲特性分析 25
2.3.1 艦船輻射噪聲的時域和頻域統(tǒng)計特征 25
2.3.2 艦船輻射噪聲的頻譜及其調(diào)制特性 28
2.3.3 水下航行器輻射噪聲的時域和頻域統(tǒng)計特征 31
2.3.4 水下航行器輻射噪聲的頻譜及其調(diào)制特性 32
2.4 水下航行器的自噪聲特性分析 34
2.4.1 自噪聲的時域和頻域統(tǒng)計特征 34
2.4.2 自噪聲的頻譜及其調(diào)制特性 35
2.5 水聲目標的輻射噪聲模型和水下航行器自噪聲模型 36
2.5.1 艦船輻射噪聲模型 36
2.5.2 水下航行器輻射噪聲模型 41
2.5.3 水下航行器自噪聲模型 44
2.6 小結(jié) 46
參考文獻 47
3 新型水聲信號處理算法 48
3.1 引言 48
3.2 基于高階統(tǒng)計量的非高斯水聲信號分析 50
3.2.1 高階譜及其切片譜分析 50
3.2.2 線譜特征提取 52
3.3 基于第二代小波變換的非平穩(wěn)水聲信號分析 52
3.3.1 第二代小波變換的基本原理 52
3.3.2 第二代小波變換濾波分析 54
3.3.3 水中目標的分頻帶能量觀測 59
3.4 基于經(jīng)驗模式分解的非線性水聲信號分析 60
3.4.1 經(jīng)驗模式分解的基本原理 60
3.4.2 一種新的端點效應解決方案 61
3.4.3 一種新的模態(tài)混疊解決方案 64
3.4.4 輻射噪聲的特征提取研究 66
3.5 集成信號處理方法的水聲信號分析 70
3.5.1 集成多個經(jīng)驗模式分解的特征提取研究 70
3.5.2 集成第二代小波變換和經(jīng)驗模式分解的特征提取研究 75
3.6 基于變分模態(tài)分解的非線性水聲信號分析 79
3.6.1 變分模態(tài)分解的基本原理 79
3.6.2 變分模態(tài)分解參數(shù)制定解決方案 81
3.6.3 基于變分模態(tài)分解的輻射噪聲特征提取研究 84
3.7 小結(jié) 87
參考文獻 88
4 水中目標被動檢測模型 90
4.1 引言 90
4.2 常規(guī)的被動檢測模型及其實驗分析 91
4.2.1 能量檢測模型 92
4.2.2 過零率檢測模型 93
4.2.3 線譜檢測模型 94
4.2.4 仿真性能分析 95
4.2.5 實驗分析 96
4.3 新型的被動檢測模型及其實驗分析 98
4.3.1 集成被動檢測模型 98
4.3.2 基于經(jīng)驗模式能量熵的被動檢測模型 103
4.3.3 基于第二代小波包近似熵的被動檢測模型 107
4.3.4 基于時頻分析的被動檢測模型 112
4.4 被動檢測模型應用研究 117
4.5 小結(jié) 121
參考文獻 122
5 水中目標智能被動檢測理論 124
5.1 引言 124
5.2 特征提取與特征選擇技術 126
5.2.1 特征提取 126
5.2.2 特征選擇 127
5.3 支持向量數(shù)據(jù)描述的基本原理 128
5.4 基于組合支持向量數(shù)據(jù)描述的被動檢測模型 131
5.4.1 被動檢測模型構(gòu)建 131
5.4.2 應用研究 133
5.5 基于模糊支持向量數(shù)據(jù)描述的被動檢測模型 134
5.5.1 模糊支持向量數(shù)據(jù)描述原理 134
5.5.2 被動檢測模型構(gòu)建 135
5.5.3 應用研究 137
5.6 小結(jié) 139
參考文獻 140
6 水中目標混合智能識別研究 142
6.1 引言 142
6.2 集成支持向量機原理 144
6.2.1 基于常規(guī)組合的集成支持向量機 144
6.2.2 基于AdaBoost算法的集成支持向量機 145
6.2.3 基于Bagging算法的可選擇集成支持向量機 148
6.3 水中目標混合智能識別框架 151
6.4 基于常規(guī)組合的集成支持向量機的實驗分析 151
6.4.1 艦船輻射噪聲數(shù)據(jù)集 151
6.4.2 常規(guī)組合的集成支持向量集與傳統(tǒng)分類器的分類性能比較 154
6.4.3 特征選擇對分類性能的影響 155
6.5 基于AdaBoost算法和Bagging算法的集成支持向量機的實驗分析 156
6.5.1 水中目標輻射噪聲數(shù)據(jù)集 156
6.5.2 針對不同集成數(shù)目的智能分類器性能比較 158
6.5.3 不同的特征數(shù)目對分類結(jié)果的影響 158
6.5.4 集成支持向量機與支持向量機的泛化性能比較 160
6.5.5 討論 161
6.6 深度學習目標分類 161
6.6.1 二維時頻譜圖 162
6.6.2 深度學習模型 163
6.6.3 二維時頻譜圖與深度學習相結(jié)合的目標分類識別分析 165
6.7 小結(jié) 169
參考文獻 170