基于短波通信的飞机类型识别

论文摘要

在军用和其它用途的短波无线电通信中,由于短波无线电通信信道自身的特点以及飞机舱内的环境特点,其噪声来源异常复杂,声学环境极其恶劣,信号质量一般来讲也很差。而目前对截获声音信息,进行飞机类型辨别的主要途径是采用侦听人员进行人工倾听,记录信息也采用人工方式。因此,短波无线电通信中基于空-地应答语音短语的飞机类型识别有着重要的军事意义。关于短波无线电通信中基于空-地应答语音短语的飞机类型识别,目前尚未有公开的相关文献报道。本文采用小波包分解抽取出飞机声信号的特征参数。小波包变换在信号的时频域处理上具有优越的性能,因此根据声信号小波包分解后在不同频带上信号能量特征不同的特点,本文提取出了有效的飞机声信号的特征向量。根据所要处理的声信号的自身特点,本文选择BP神经网络和支持向量机分别作为分类器来识别五种飞机的声信号。相比BP神经网络,支持向量机作为多类分类器更适合处理小样本,它有优秀的统计学习能力,并且计算量小,运算速度快,能满足实时处理的要求,不存在局部最优问题、过拟合问题及拟合不够问题,并且有更好的收敛性、可靠性。本论文的实验中,基于短波无线电通信的飞机类型识别的两种方法被提出来:小波包分解与BP神经网络的结合算法和小波包分解与支持向量机的结合算法。从五种飞机的分类识别的实验结果来看,小波包分解与支持向量机的结合算法有更高的识别率,更能够抽取出有效的飞机舱内噪声信号特征向量及有效地识别出五种类型飞机。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景
• 1.2 国内外研究现状分析
• 1.3 飞机短波无线电信道及飞机舱背景噪音
• 1.3.1 飞机短波无线电信道分析
• 1.3.2 飞机舱内背景噪音分析
• 1.4 论文的研究内容及结构安排
• 第2章 基于小波变换的背景噪音特征提取
• 2.1 连续小波变换
• 2.1.1 一维连续小波变换
• 2.1.2 对偶小波
• 2.1.3 连续小波变换性质
• 2.2 离散小波变换
• 2.3 二进小波变换
• 2.3.1 二进小波变换及其逆变换
• 2.3.2 二进小波的性质
• 2.4 多分辨分析与MALLAT算法
• 2.4.1 多分辨分析
• 2.4.2 MALLAT算法
• 2.5 小波包分析
• 2.5.1 小波包的定义
• 2.5.2 小波包的性质
• 2.5.3 小波包的快速算法
• 2.5.4 常用小波函数
• 2.6 飞机短波无线电通信基于空-地应答语音声信号的分析
• 2.6.1 特征提取
• 2.6.2 实验及结果分析
• 2.7 本章小结
• 第3章 基于神经网络的分类器设计
• 3.1 人工神经网络的模型
• 3.2 神经网络进行模式识别的特点
• 3.3 BP神经网络理论
• 3.3.1 BP神经网络结构
• 3.3.2 BP神经网络层数设计
• 3.3.3 BP神经网络的算法
• 3.3.4 BP神经网络的学习规则
• 3.3.5 BP神经网络的初始权值的选取
• 3.3.6 BP神经网络的不足及改进
• 3.4 典型的BP神经网络识别系统
• 3.5 实验及结果分析
• 3.6 本章小结
• 第4章 基于支持向量机的分类器设计
• 4.1 统计学习理论
• 4.1.1 统计学习理论基本内容
• 4.1.2 VC维
• 4.1.3 推广性的界
• 4.1.4 结构风险最小化
• 4.2 支持向量机
• 4.2.1 最优分类超平面
• 4.2.2 支持向量机
• 4.2.3 支持向量机的优点
• 4.2.4 支持向量机的核函数
• 4.2.5 支持向量机的分类学习算法
• 4.2.6 支持向量机的多分类划分
• 4.3 实验及结果分析
• 4.4 本章小结
• 结论
• 参考文献
• 攻读学位期间发表的论文和取得的科研成果
• 致谢