基于多尺度分辨的声目标识别研究

论文摘要

声目标识别是一种利用目标在介质中运动时所产生的声音信号,进行处理以提取其区别于其他目标的特征向量并最终进行分类识别的技术。由于声目标识别是被动的接受目标所发出的声信号,并进行探测识别,不易被发现具有很好的隐蔽性,因而在现代军事战争中,具有广泛的应用前景。本文以多尺度分辨为基础,着重研究了三类战场声目标即武装直升机、军用运输机和坦克,对其声信号进行去噪预处理得到较为纯净的目标声信号,并进一步提取其特征向量,然后进行分类器设计以实现目标识别。声目标识别的一般过程包含三个步骤,第一步声信号去噪预处理,第二步特征向量提取,第三步分类器设计。因此本文按上述流程首先研究了不同阈值选取准则下的去噪方法,并通过实验,分析和对比各阈值选取准则下的去噪效果,并得到了一些战场声目标信号去噪的经验；其次,在特征向量提取方面,采用Mel频率倒谱系数即MFCC和小波包进行特征向量提取,对比分析了两种特征向量的提取方法及效果；最后,在分类器设计方面,本文将遗传算法与BP神经网络相结合,对BP神经网络的权值和阈值进行优化从而避免了BP神经网络易于陷入局部极小值的缺点,通过实验证实了遗传算法与BP神经网络相结合的方法可以大幅提高目标识别率,从而证明该方法的有效性和可行性。综上所述,本文所提供的战场声目标识别方法,具有较高的目标识别率,对后续战场声目标识别相关研究具有借鉴意义。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 引言
• 1.2 研究的背景及意义
• 1.3 声目标识别的国内外研究概况
• 1.4 声目标识别的研究趋势
• 1.5 主要研究内容和文章的整体架构
• 2 声目标信号预处理
• 2.1 引言
• 2.2 声波特性
• 2.3 三类目标声信号产生机理分析
• 2.4 多尺度分辨
• 2.5 声目标信号去噪处理方法
• 2.6 本章小结
• 3 声目标信号特征向量提取
• 3.1 引言
• 3.2 常用的声信号特征向量提取方法
• 3.2.1 短时过零率
• 3.2.2 自相关函数
• 3.2.3 功率谱分析
• 3.3 本文的特征向量提取方法
• 3.3.1 MFCC特征向量提取方法
• 3.3.2 小波包特征向量提取方法
• 3.4 本章小结
• 4 分类器设计
• 4.1 引言
• 4.2 神经网络
• 4.2.1 神经网络原理
• 4.2.2 BP神经网络
• 4.3 遗传算法优化BP神经网络
• 4.3.1 遗传算法原理
• 4.3.2 遗传算法特点
• 4.3.3 遗传算法模型
• 4.3.4 遗传算法步骤
• 4.3.5 遗传算法优化BP神经网络
• 4.4 本章小结
• 5 计算机仿真与总结
• 5.1 计算机仿真
• 5.2 仿真总结
• 5.3 本章小结
• 6 总结
• 致谢
• 参考文献