舰船水下瞬态噪声特征分析方法研究

舰船水下辐射噪声包含了丰富的特征信息,主要由稳态和瞬态两种信号形式构成,对于稳态信号的检测方式,目前已经非常完善了,而瞬态信号的检测一直是水声信号处理中的很"头疼"的问题。如何能够有效地获取舰船水声信号瞬态特征,一直是信号处理的难点问题,基于此原因,本文从工程应用的角度出发,重点对比分析了短时傅立叶变换和维格纳分布两种瞬态信号特征提取方法,通过仿真和实船分析结果表明,平滑维格纳分布方法可以更为精确地提取出舰船水下瞬态噪声的随时间变化规律及影响频谱范围,对其瞬态噪声号的检测、估计和识别有重大的意义。     

一种基于FFT技术的水声信号识别方法研究

在水下设备试验中,为了能有效掌握设备水下工作情况,经常需要第三方设备对设备水声信号进行实时记录和分析,为事后恢复现场查找问题提供有力的数据支持。本文通过分析试验现场的基本情况,提出了基于FFT技术的第三方水下设备水声信号实时识别方法,该方法在浅海水中设备试验中存在较强混响的情况下,对信号的识别取得了良好的效果。     

浅谈水声信号的调制方式识别

在我国海洋事业风生水起的当今社会,海洋业的建设对于我国的国防事业和渔业的发展都是一个里程碑的意义。而在水下的工程作业必然会设计和研发水下信息的传播技术,这就是水声信号,这种信号的传播会受到很多因素的影响。因此,对于它的调配和运用也非易事,需要通过大量的研究和探索对于水下波动的信号进行了解,将水下的干扰因素降到最低,从而使其发挥出最大的作用来探测水下信息,这些信息和信号的采取和调制运用了很多的科技技术,这就是水声信号的作用,它的调制和发展对我国的海洋管理有重要作用。     

水声图像增强技术研究

图像增强是水声图像处理的重要环节,主要侧重于图像降噪、边缘提取和有效目标信息的增强等。本文研究了水声图像处理领域常用的降噪与增强技术,并以海洋中常见的扇贝目标的水声图像为样本进行了试验,分析了该类水下目标声学图像的噪声干扰分布特点。在对比了各类图像增强技术的处理效果之后,本文具体给出了类似水声图像增强时的一般处理步骤,为该类目标水声图像降噪与增强处理方法的选取提供了有力的参考。     

不忘初心,再创辉煌:声呐技术助推海洋强国梦

水声是人类迄今为止所知道的唯一能在海洋里远距离传播的能量形式。其他的物理媒介,如可见光、电磁波、激光等在海水里传播时会很快衰减掉,因而无法传向远方。凡是利用水声能量进行观测、通讯的系统,均称为声呐系统。水声信号处理和声呐技术是一门发展迅速、需求推动力强大、应用前景异常广阔的学科。在声学领域的众多分支学科中,没有其他学科像水声学那样,其发展受着战争需求的推动。反过来,水声学的发展又为水下战武器装备的研制和创新注入活力。文章介绍我国改革开放40年来水声信号处理和声呐技术领域的研究进展和发展前景。包括水声信号建模、声场匹配、海洋波导和内波现象的探索与研究、水声信道的时/空相关特性、水下目标辐射噪声的提取及检测技术、高分辨力水下成像技术,以及水下语音、图像传输和抗干扰技术。文章还介绍了我国"863"计划海洋监测主题所取得的成就。提出了我国水声信号处理和声呐技术领域的发展前景,包括深海声学、北极声学、安静型潜艇辐射噪声检测、水下-水面-空天一体化信息获取和融合技术等,以及在建设海洋强国战略中不可替代的独特作用。     

LabVIEW平台下应用自适应Notch滤波器检测CW信号

水声测距定位技术在海洋资源勘探、工程建设,水下作战武器引导、敌方目标定位跟踪等民用及军事方面得到了广泛使用.水声测距信号通常采用CW信号,为准确检测测距信号,需要对接收到的信号进行滤波,以抑制噪声或干扰.常用的CW信号检测方法主要有能量检测器和匹配滤波器.     

水声定位导航技术的发展与展望

声波是迄今为止唯一有效的水下无线信息载体,水声定位导航是人类依赖众多水下航行器进入深海、探测深海和开发深海的关键。自"十五"计划以来,我国水声定位导航技术进入了快速发展期,从理论、技术到装备均取得了长足的进步。文章介绍了我国的相关技术发展历程及相关产业的现状,并探讨了面向新时期支撑和保障我国海洋利益诉求所需的水声定位导航技术手段与能力。     

起舞在"水声世界"——记我国水声工程专家、西北工业大学航海学院黄建国教授

什么叫水声工程?可能很多人都不了解.其实,水声工程是指以声波作为信息载体,实现水下探测、定位、导航、识别、通信等技术的工程学科,它集物理学、电子技术、信息工程、计算机技术、传感器技术等学科为一体,是一门综合性交叉学科,在国防建设和国民经济建设中都有广泛的应用.     

基于关联特征提取的舰船噪声混迭谱分解

不同舰船目标辐射噪声的噪声平均功率谱具有差异性特征,能在一定程度上反映舰船目标的吨位、航速、类型等。研究舰船辐射噪声信号的特征提取和频谱分解方法,对提高舰船目标的识别能力具有重要意义。传统的舰船辐射噪声关联特征提取采用的是基于定量递归分析的关联维特征提取方法,当在关联特征提取中舰船辐射噪声信号出现奇异吸引子特征时,提取的舰船目标特征产生混迭谱,导致频谱畸变,影响目标识别性能。针对这一问题,提出一种基于预畸变趋化关联特征提取的舰船噪声信号混迭谱分解方法,设计舰船辐射噪声产生与信号源系统模型,进行声传感器布置研究,进行特征提取和混迭谱分解算法改进分析。仿真实验得出,采用该方法进行舰船辐射噪声信号的预畸变趋化关联特征提取,能有效展示舰船辐射噪声信号的内部规律特征,提高对舰船辐射噪声信号的特征提取性能和目标识别精度。     

水下信息新技术——信息伪装技术

介绍了信息伪装技术在信息安全领域的重要意义,探索了信息伪装技术在水下保密通信和目标识别等方面的应用前景.根据水下信道的特点,分析了水下信道对信息伪装技术应用的影响,探讨了现有的信息伪装算法在水下环境应用时的不足之处和改进的方向.讨论了信息伪装技术在水下应用的主要瓶颈及对策.     

一种基于非线性特征提取的被动声纳目标识别方法研究

目标噪声特征提取是被动声纳目标识别系统的关键技术。首先提出了一种利用从噪声极限环中提取的非线性特征来分析舰船噪声信号的新方法,然后采用基于自适应遗传BP算法的神经网络对提取的特征进行分类。实验结果表明,该系统具有较好的分类效果。     

基于GMDH模型及模糊聚类的特征提取研究

特征提取算法可以去除目标数据中的冗余特征、无关特征甚至噪声特征,从而得到一个无冗余、无噪声的样本集,有助于提高目标对象的识别率以及数据的挖掘速度。现有的特征提取方法在定性数据及噪声数据的处理上存在局限性,而定性数据及带噪声数据在现实建模过程中是不可避免的。本文从特征提取需解决的根本问题出发,就如何确定特征子集并选择适当的隶属函数来表示模糊子空间,使模糊规则归纳模型有最大的识别率及抗干扰性的方法进行讨论、研究。     

水声目标探测技术研究现状与展望

水声目标探测技术是水声信号处理与声呐领域的重要研究方向,是环境感知、海洋监测、资源勘探、情报收集等海洋应用领域的核心技术之一。文章概述了水声目标探测技术发展现状,并结合实际所面临的科学问题介绍了一些水声目标探测研究方向上的新概念、新方法与新趋势,最后分析和展望了水声目标探测技术发展对国家安全和经济发展的重要作用。     

四川口音普通话的声学建模

考虑到对因受地方口音导致的相近、相似、模糊发音的语音的识别困难,本文以易受四川口音(含有特定的声母zh-z/ch-c/sh-s)孤立词语音为识别语音,对其进行声学建模。通过对初始的49维特征参数分三个步骤进行二次特征提取,得到对特定四川口音敏感的特征参数。最后采用矢量量化技术对初始特征参数和通过二次特征提取得到的特征参数进行对比实验。实验表明,经过二次特征提取得到的特征参数有效地改进了易受四川口音(含有特定的声母zh-z/ch-c/sh-s)影响的语音的识别效果,提高了识别率。     

深海声传播信道和目标被动定位研究现状

随着我国海洋技术逐渐从近浅海向深远海的战略性转移,深海目标远程探测技术逐渐受到重视。海洋中目前已知的可用于远距离传播的信号是声信号,海洋是"声透明"的。基于水声传播特性的新型水声技术是实现装备探测能力突破的关键。文章主要概述了目前研究比较集中的深海表面波导、表面波导泄露、会聚区、海底弹射和可靠声路径5种深海声传播信道,以及基于可靠声路径的目标被动定位方法。旨在通过梳理深海声传播规律及相关被动定位技术,为水声技术的快速发展提供思路。     

基于ARM的人脸特征提取与辨识

本文设计了一种基于RFIC和人脸识别的ARM嵌入式安全认证系统。深入地分析人脸识别过程中的预处理,以及PCA和LDA等特征提取方法,利用MATLAB对人脸识别算法仿真,并比较特征向量个数以及分类器等因素对识别率的影响。     

Learning soft mask with DNN and DNN-SVM for multi-speaker DOA estimation using an acoustic vector sensor

Using an acoustic vector sensor (AVS), an efficient method has been presented recently for direction of arrival (DOA) estimation of multiple speech sources via the clustering of the inter-sensor data ratio (AVS-ISDR). Through extensive experiments on simulated and recorded data, we observed that the performance of the AVS-DOA method is largely dependent on the reliable extraction of the target speech dominated time–frequency points (TD-TFPs) which, however, may be degraded with the increase in the level of additive noise and room reverberation in the background. In this paper, inspired by the great success of deep learning in speech recognition, we design two new soft mask learners, namely deep neural network (DNN) and DNN cascaded with a support vector machine (DNN-SVM), for multi-source DOA estimation, where a novel feature, namely, the tandem local spectrogram block (TLSB) is used as the input to the system. Using our proposed soft mask learners, the TD-TFPs can be accurately extracted under different noisy and reverberant conditions. Additionally, the generated soft masks can be used to calculate the weighted centers of the ISDR-clusters for better DOA estimation as compared to the original center used in our previously proposed AVS-ISDR. Extensive experiments on simulated and recorded data have been presented to show the improved performance of our proposed methods over two baseline AVS-DOA methods in presence of noise and reverberation.     

水声通信中多普勒系数估计方法研究

本文针对水声通信中的多普勒效应,提出一种基于Notch滤波器的多普勒系数估计方法,该方法利用Notch滤波器对经过信道的窄带CW脉冲信号频率进行估计,进而得到多普勒系数,并与基于宽带信号的多普勒系数方法进行对比分析。通过计算机仿真基于CW脉冲频率估计与基于宽带信号的多普勒系数估计方法就估计性能进行了对比研究,详细地给出了两种方法各自的优缺点与适用场合。     

MKL-SING: A data-driven approach of sign recognition for managing and improving public services

The detection and identification of traffic signs is a fundamental function of an intelligent transportation system. The extraction or identification of a road sign poses the same problems as object identification in natural contexts: conditions of illumination are variable and uncontrollable, and various objects frequently surround road signs. These difficulties make the extraction of features difficult. The fusion of time and space features of traffic signs is important for improving the performance of sign recognition. Deep learning-based algorithms are time-consuming to train based on a large amount of data. They are difficult to deploy on resource-constrained portable devices and conduct sign detection in real time. The accuracy of sign detection should be further improved, which is related to the safety of traffic participants. To improve the accuracy of feature extraction and classification of traffic signs, we propose MKL-SING, a hybrid approach based on multi-kernel support vector machine (MKL-SVM) for public transportation SIGN recognition. It contains three main components: a principal component analysis for image dimension reduction, a fused feature extractor, and a multi-kernel SVM-based classifier. The fused feature extractor extracts and fuses the time and space features of traffic signs. The multi-kernel SVM then classifies the traffic signs based on the fused features. Different kernel functions in the multi-kernel SVM are fused based on a feature weighting procedure. Compared with single-core SVM, multi-kernel SVM can better process massive data because it can project each kernel function into high-dimensional feature space to get global solutions. Finally, the performance of SVM-TSR is validated based on three traffic sign datasets. Experiment results show that SVM-TSR performs better than state-of-the-art methods in terms of dynamic traffic sign identification and recognition.