论文阅读总结.docxVIP

水下运动目标被动声纳信号识别研究马晶晶主动声呐目标识别是由主动声呐发射脉冲声信号，然后对接收到的经目标反射会开的回波信号进行分析，依据回波信号具有的特征来判断目标的类别。因为经目标反射的回波是关于目标的类型、目标和声呐设备之间的距离以及目标的方位等的函数，通过对函数进行分析可以得出许多表征目标特征的信息，比如回波展宽、幅度、相位、目标尺度、反射系数、能谱等；被动声呐目标识别技术的原理则是利用被动声呐接收到的目标辐射的噪声对其进行分析进而根据其特性做出分类判决，因为目标的辐射噪声中包含了表征目标的特征的相关信息。本文基于小波和小波变换理论以及经验模式分解方法对非平稳、非线性信号处理的有事，采用小波包分解算法以及经验模式分界算法提取目标信号的相应特征并且结合了特征融合技术，构造了一种新的特征向量；在分类器设计上，研究了模糊C均值（FCM）算法原理以及模式识别中人工神经网络的特点，将FCM和广义回归神经网络（GRNN）结合起来形成一种新的分类方法将其用于对提取到的信号特征值进行识别。特征提取和选择：信号特征提取是指获取信号中的有效信息，主要是经特征形成、变换或选择到最终形成有效特征的过程。这一过程包括的处理工作有：特征的形成、特征的提取，特征的选择。特征形成是根据被识别的对象产生出一些基本特征值来表示被识别的对象，这组基本特征成为原始特征，可以通过直接测量或计算获得。特征提取在广义上是指一种变换，原始特征一般都存在信息冗余、区分性不高以及维数过高等问题，为了更有效的表征信号的本质，利用数学变换的方法对维数较高的原始特征数据进行变换，得到高维的原始特征的某种组合，对原始特征的维数进行了压缩，从而形成低维的特征量。特征选择是指为了降低特征空间的维数，从得到的基本特征中选用对分类识别最有效的特征，去除基本特征中那些对分类作用不大的特征。短时傅里叶变换：假设窗函数为，则函数的短时傅里叶变换为短时傅里叶的逆变换为短时傅里叶变换是先把信号分解成许许多多很小的时间间隔，再针对每一个很小的时间间隔，采用傅里叶变换进行分析确定该时间间隔存在的频率，从而获得时刻的频率信息。小波变换：小波变换是一种时频分析方法，在时域和频域上都能够对信号的局部特征进行分析。小波变换是一种窗口大小固定不变但其形状可改变的时频分析方法。小波函数根据需要可以调整时间和频率的分辨率，在低频使得频率分辨率较高而时间分辨率较低，在高频部分使得时间分辨率较高而频率分辨率较低。基于经验模态分解的特征提取技术固有模态函数必须满足一下两个条件：在整个信号波形中，极值点的个数包括极大值点和极小值点和零点的个数必须相等或最多相差一个。在任意时刻，分别由局部极大值点构成的上包络线和极小点构成的下包络线的平均值为零。方法的具体实现：首先可以分别利用局部极大值和极小值的包络来进行分解。将获得的所有局部极大值用三次样条插值函数来形成数据的上包络，同样，对所有的局部极小值用同样的方法通过三次样条插值形成数据的下包络。计算得到上包络线和下包络线的平均值，，再将原始信号减去上包络线和下包络线的平均值得到：理想情况下，通过上述得到的应该是一个固有模态函数，但实际上得到的不能满足上述固有模态函数所必须满足的两个条件。此时需要重复筛选过程。把第一次得到的看做是原始信号，是的上下包络的平均值，则采用上述处理方法筛选得到为再判断是否满足上述固有模态函数所满足的两个条件，如果不满足，则重复上述的筛选过程，直到第次得到的是固有模态函数，则此时为原始信号的一阶IMF分量，记为。在实际情况中，上下包络的均值一般是无法为零，因而得到的无法严格满足固有模态函数所必要的两个条件，所以必须定义使筛选过程停止的条件，通过计算连续两次筛选的结果和之间的标准差的值来定义：当取值在之间时，上述的筛选过程将会停止。将上述得到的一阶IMF分量从原始信号中提取出来，则得到一阶残余信号，，把一阶残余信号作为一个新的原始信号重复进行上述的筛选过程，得到第个IMF分量和阶剩余信号，直到为单调函数，分解结束，因为单调函数不能在分解出固有模态函数。此时原信号可以表示为：综合EMD方法的基本原理，可总结应用EMD方法分解的具体步骤：找出原始信号上的所有局部极大值点和极小值点，分别用三次样条插值函数插值得到对应的上包络线和下包络线。计算两条包络线的均值，计算原始信号与两条包络线均值的差值，判断是否为IMF分量。若不是，把作为原始信号替换重复循环次得到，直到满足IMF条件，此时为第一个IMF分量，记为。将从原始信号中分离出来，得到一阶剩余信号，。将看做新的原始信号重复以上步骤得到第个IMF分量和阶剩余信号，直到为单调函数，分解结束。特征向量的融合根据所处理的信息层次，可以将数据融合由浅到深分为三个层次：数据层融合，特征层融合，决策层融合。径向基函数神经网络的学习