專利名稱：一種水雷目標(biāo)的識(shí)別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及聲納信號(hào)處理技術(shù)領(lǐng)域，更具體地，本發(fā)明涉及一種水雷目標(biāo) 的識(shí)別方法。
背景技術(shù)：
水雷目標(biāo)的外形大多為近似圓柱形、近似球形和不規(guī)則體，尺度較小，內(nèi) 部有空腔存在，外殼材料多為金屬或者諸如玻璃鋼的非金屬。非水雷目標(biāo)可以 是礁石、碎石、實(shí)心的人造物、沉船等，尺度范圍變化很大。對(duì)于水下掩埋目 標(biāo)，通常通過(guò)一維主動(dòng)聲納進(jìn)行探測(cè)，目標(biāo)的特性反映在回波信號(hào)中，通過(guò)分 析回波信號(hào)可以實(shí)現(xiàn)對(duì)目標(biāo)的識(shí)別。
圖1的水雷目標(biāo)主動(dòng)探測(cè)示意圖示出水雷目標(biāo)掩埋于海底，聲納陣發(fā)送探 測(cè)信號(hào)，經(jīng)目標(biāo)和水底反射得到回波信號(hào)，對(duì)回波信號(hào)進(jìn)行分析，獲取目標(biāo)信
息。水雷目標(biāo)按其在水下的狀態(tài)大致分為懸吊、沉底和掩埋。利用主動(dòng)聲納 探測(cè)懸吊狀態(tài)目標(biāo)的工作背景主要是體積混響，在許多時(shí)候體積混響相對(duì)較弱， 是比較容易探測(cè)的一種狀態(tài)；沉底狀態(tài)探測(cè)的干擾背景主要以海底混響為主， 混響強(qiáng)度與發(fā)射功率、距離、海底底質(zhì)、工作頻率、掠射角等因素有關(guān)，這給 目標(biāo)的探測(cè)和識(shí)別帶來(lái)極大的困難；掩埋探測(cè)時(shí)，不僅存在海底混響，而且掩 埋層對(duì)聲波的強(qiáng)烈吸收使探測(cè)工作變的極為艱難。
現(xiàn)有的諸如時(shí)域波形分析，信號(hào)頻譜分析，功率譜分析，時(shí)頻聯(lián)合分布的 目標(biāo)識(shí)別方法可以反映高斯平穩(wěn)信號(hào)的目標(biāo)特征信息，但對(duì)于海底混響引起的 非高斯非平穩(wěn)性問(wèn)題，難以描述回波信號(hào)的真實(shí)譜信息，從而難以實(shí)現(xiàn)對(duì)水雷目標(biāo)和非水雷目標(biāo)的準(zhǔn)確識(shí)別。

發(fā)明內(nèi)容
為克服現(xiàn)有水雷目標(biāo)回波信號(hào)中非高斯性問(wèn)題帶來(lái)的水雷目標(biāo)難以準(zhǔn)確識(shí) 別的缺陷，本發(fā)明^提出 一種水雷目標(biāo)的識(shí)別方法。
根據(jù)本發(fā)明的一個(gè)方面，提出了一種水雷目標(biāo)的識(shí)別方法，包括 步驟10)、獲取聲納陣接收的目標(biāo)回波數(shù)據(jù)信號(hào)，計(jì)算所述目標(biāo)回波數(shù)據(jù) 信號(hào)的雙譜特征；
步驟20)、對(duì)所述雙譜特征進(jìn)行優(yōu)化，獲取獨(dú)立的雙譜特征；
步驟30)、利用分類器識(shí)別所述獨(dú)立雙譜特征，確定所述目標(biāo)是否為水雷 目標(biāo)。
其中，步驟10)還包括
對(duì)接收的回波數(shù)據(jù)信號(hào)進(jìn)行預(yù)處理，使其幅度歸一化，也可以利用匹配相 關(guān)處理方法提高所述信號(hào)的輸入信噪比；或者對(duì)接收的回波數(shù)據(jù)信號(hào)運(yùn)用直達(dá) 聲信號(hào)與接收陣信號(hào)進(jìn)行匹配濾波。
其中，步驟10)還包括使用公式5(^，w2)-X(q)Z(^)JT(q+w2)計(jì)算所述回 波數(shù)據(jù)信號(hào)的雙譜特征，其中，x(t)為所述回波凄t據(jù)信號(hào)，ZO)為x(t)的傅立葉 變換；*為復(fù)共軛。
其中，步驟IO)還包括使用公式5(/)二^S(A,^)計(jì)算所述回波數(shù)據(jù)信號(hào)
的圍線面積積分雙譜特征，其中，、是積分路徑；1=1、 2.....L， L為積分凄史，
積分路徑為以原點(diǎn)為中心的正方形間的面積，W^，為所述回波數(shù)據(jù)信號(hào)的雙 譜特征值。
其中，步驟20)中的所述優(yōu)化包括去除所述積分雙鐠特征分量的一、二階相關(guān)性及特征間的高階相關(guān)信息，提取獨(dú)立的積分雙i脊特征。
其中，步驟20)還包括根據(jù)快速獨(dú)立成分分析方法使用公式^ =<%在各積 分雙語(yǔ)特征中提取負(fù)熵最大化的積分雙譜特征，其中，X是所述積分雙譜特征，
《為所述快速獨(dú)立成分分析模型中待估計(jì)的分離矩陣『的、與積分雙譜特征^ 相對(duì)應(yīng)的行向量；當(dāng)Z在w「X上的投影非高斯最大時(shí)，^為所提取的獨(dú)立的雙譜 特征。
其中，步驟30)中，所述分類器比較訓(xùn)練獲取的獨(dú)立雙譜特征和步驟20) 中獲取的所述獨(dú)立雙譜特征，確定所述目標(biāo)是否為水雷目標(biāo)。
其中，步驟30)中，所述訓(xùn)練獲取的獨(dú)立雙譜特征為通過(guò)步驟10)和步驟 20對(duì)已知水雷目標(biāo)獲得的獨(dú)立雙譜特征。
其中，步驟30)中，所述分類器為概率神經(jīng)網(wǎng)絡(luò)分類器。
本發(fā)明通過(guò)基于局部積分雙譜特征來(lái)識(shí)別水雷目標(biāo)，計(jì)算積分雙譜特征， 從而保證獲取目標(biāo)識(shí)別中的重要信息；根據(jù)快速獨(dú)立成分分析方法對(duì)所提特征 進(jìn)行獨(dú)立成分分析，構(gòu)成局部積分雙譜特征進(jìn)行水雷非水雷目標(biāo)識(shí)別，經(jīng)理i侖 分析、湖海試實(shí)驗(yàn)數(shù)據(jù)驗(yàn)證，可較好的進(jìn)行水雷非水雷目標(biāo)的識(shí)別。


圖1為聲納陣用于水雷目標(biāo)主動(dòng)探測(cè)的示意圖2為根椐本發(fā)明的水雷目標(biāo)識(shí)別流程圖3 (a)和(b)分別是典型水雷和非水雷雙譜分布示意圖4為根據(jù)本發(fā)明的FastICA算法流程圖5為圍面積分雙語(yǔ)的積分路徑示意圖。
具體實(shí)施例方式
6下面結(jié)合附圖和具體實(shí)施例對(duì)本發(fā)明提供的一種水雷目標(biāo)的識(shí)別方法進(jìn)行 詳細(xì)描述。
目標(biāo)特征提取是目標(biāo)識(shí)別的關(guān)鍵，良好的特征提取應(yīng)該是可以使用較少的 特征存儲(chǔ)量來(lái)準(zhǔn)確表達(dá)目標(biāo)的類別屬性。水下目標(biāo)回波特性既可以由時(shí)間域的 沖擊響應(yīng)描述，也可以由頻率域上的系統(tǒng)函數(shù)描述。理論上，目標(biāo)回波信號(hào)中 包含有目標(biāo)特征的豐富信息，可以直接用于目標(biāo)分類。但由于目標(biāo)回波信號(hào)中 包含的目標(biāo)信息具有很強(qiáng)的動(dòng)態(tài)性和隨機(jī)性，使得目標(biāo)特征和目標(biāo)客體之間的 關(guān)系難以良好表達(dá)。而且無(wú)論哪種描述都是不全面的，而僅僅是目標(biāo)特性在特 定的特征空間的投影。
功率譜分析是一種常用的數(shù)據(jù)分析手段，但也只能得到信號(hào)包含哪些頻率 分量以及各分量的相對(duì)強(qiáng)度信息，無(wú)法獲得這些頻率分量如何隨時(shí)間演變的信 息，也就是說(shuō)只有針對(duì)平穩(wěn)信號(hào)才能夠反映其真實(shí)的譜信息。從嚴(yán)格的意義上 講，自然界幾乎所有的信號(hào)，其頻率特征都是隨時(shí)間變化的。這導(dǎo)致以頻譜分 析為基礎(chǔ)的傳統(tǒng)數(shù)字信號(hào)處理方法陷入困境，無(wú)法細(xì)致跟蹤信號(hào)的時(shí)變特征， 至少是無(wú)法直觀地得到信號(hào)的動(dòng)力學(xué)特征。
由于水聲信號(hào)的產(chǎn)生是一個(gè)十分復(fù)雜的非線性過(guò)程，若要對(duì)其做出精確的 描述，僅用二階統(tǒng)計(jì)量顯然不夠。從沉底和掩埋水雷的回波生成機(jī)理方面考慮， 存在時(shí)域和頻域統(tǒng)計(jì)特征參數(shù)的、甚至可能是嚴(yán)重的非高斯性問(wèn)題。非高斯過(guò) 程的分析處理工具是高階累積量，將高階統(tǒng)計(jì)量用于水下目標(biāo)識(shí)別可以有效抑 制高斯噪聲的影響。
雙譜是高階譜中階數(shù)為3的一種特例，應(yīng)用4交廣。在機(jī)械故障診斷中，為 了更有效地提取信號(hào)特征，不能總假設(shè)信號(hào)具有高斯性，周期信號(hào)與準(zhǔn)周期信 號(hào)可以當(dāng)作非高斯信號(hào)，復(fù)雜機(jī)械系統(tǒng)的自激信號(hào)也可以當(dāng)作非高斯信號(hào)處理， 所以作為非高斯信號(hào)處理更容易捕獲故障信息。高階譜是分析非高斯信號(hào)的有 力工具，從更高階概率結(jié)構(gòu)表征隨機(jī)信號(hào)，可以彌補(bǔ)二階統(tǒng)計(jì)量(功率譜)不包含 相位信息的缺陷，高階譜有很強(qiáng)的消噪能力，理論上能完全抑制高斯噪聲。雙i普定義為
, w2) = ^r(w,)義(《2 )義* +w2) (l)
其中，x(t)為零均值、實(shí)平穩(wěn)隨機(jī)信號(hào)，i(")為x(t)的傅立葉變換；*為復(fù)共 扼。與功率譜不同，雙譜不僅有幅度，而且有相位，因而與功率譜、傅立葉變 換幅度譜相比能夠更好地反映回波信號(hào)的信息。雙譜可以抑制概率密度分布對(duì) 稱的噪聲，如高斯噪聲，均勻噪聲等。
一維時(shí)間序列的雙譜變換為復(fù)矩陣，包括幅值信息與相位信息。雙譜分布 屬于高維空間分辨，可以視為一幅圖像，直接利用圖像本身顯然計(jì)算量太大， 必須對(duì)之進(jìn)行合適的特征提取，降低維數(shù)，才能成為有意義的分類標(biāo)準(zhǔn)。
本方法從雙譜矩陣提取了雙譜的局部積分特征。通過(guò)沿雙譜平面過(guò)原點(diǎn)的 直線進(jìn)行積分得到徑向積分雙譜；以一組原點(diǎn)為圓心的同心圓作為積分路徑得 到圓周積分雙譜；對(duì)雙譜進(jìn)行圍線面積積分得到圍面積分雙譜。這些積分雙譜 特征普遍具有平移不變性和尺度不變性，并且保留了信號(hào)的尺度信息和部分相 位信息，從而保證能夠獲取目標(biāo)識(shí)別中的重要信息。
基于局部積分雙譜特征的水雷非水雷識(shí)別方法，實(shí)現(xiàn)大致分為4個(gè)步驟。 其方法流程圖見(jiàn)圖2所示，對(duì)已知的水雷目標(biāo)使用下述方法，獲取獨(dú)立積分特 征，然后對(duì)測(cè)試目標(biāo)使用下述方法獲取獨(dú)立積分特征，使用分類器進(jìn)行比較識(shí) 別，獲得所識(shí)別的水雷目標(biāo)的信息，詳細(xì)如下所述。
步驟l:信號(hào)預(yù)處理
對(duì)時(shí)域接收數(shù)據(jù)信號(hào)，即聲納接收陣獲取的目標(biāo)發(fā)射回波數(shù)據(jù)，進(jìn)行幅度 歸一化，保證所提信號(hào)特征數(shù)量級(jí)統(tǒng)一；再次，為了克服時(shí)域接收數(shù)據(jù)信號(hào)信 噪比低的缺點(diǎn)，可利用匹配相關(guān)處理的方法提高特征提取的輸入信噪比。根據(jù) 主動(dòng)發(fā)射信號(hào)形式，仿真水下傳輸信道，模擬接收端信號(hào)形式與時(shí)域接收信號(hào) 進(jìn)行匹配濾波；或者，運(yùn)用直達(dá)聲信號(hào)與接收陣信號(hào)進(jìn)行匹配濾波。
步驟2:計(jì)算經(jīng)過(guò)預(yù)處理的數(shù)據(jù)信號(hào)的雙譜
根據(jù)公式(1)計(jì)算信號(hào)雙譜，即對(duì)接收的回波數(shù)據(jù)x(t)計(jì)算其雙語(yǔ)，典型
8水雷非水雷雙語(yǔ)圖如圖3所示。從信號(hào)域到雙譜域的變換一方面使變換后的雙 譜域數(shù)據(jù)具有平移不變性質(zhì)，同時(shí)保持相位信息，這些對(duì)識(shí)別非常有價(jià)值，同 時(shí)信號(hào)變換到雙譜域也抑制和降低了干擾和噪聲的影響。
由于數(shù)據(jù)量的復(fù)雜，如果直接使用雙譜矩陣作為特征，目標(biāo)模板庫(kù)的存儲(chǔ) 量巨大，而且雙譜具有很大的信息冗余，需要降低維數(shù)，將二維特征變化為可 用的一維空間，尋找既能反映目標(biāo)特征又能降低運(yùn)算量的方法。
1. 求解徑向積分雙譜-
1
公式為m及/萬(wàn)o) = g+ s(y;,q/;)浙；
其中，0〈a〈l,w^2; /;。 B為雙譜，f!為頻率；其積分路徑為過(guò)原點(diǎn)的直線，徑 向積分雙譜特征具有平移不變性和尺度不變性。
2. 求解圓周積分雙譜
其中，^(a,。是B(^,^)的極坐標(biāo)形式，其積分3各徑為以原點(diǎn)為圓心的同心圓； 徑向積分雙譜和圓周積分雙語(yǔ)特征具有平移不變性，而且保留了信號(hào)的尺度信 息和部分相位信息，但會(huì)出現(xiàn)雙譜值被遺漏的情況。
3. 求解圍線面積積分雙譜 7>式為五(/) = Z丑Opw2);
其中，Si是積分路徑；1=1,2，...,L, L為積分?jǐn)?shù)目，其積分路徑為以原點(diǎn)為 中心的正方形間的面積，如圖5所示。1=1,2,...,L。圍線面積積分雙譜不會(huì)遺漏 雙語(yǔ)值，也不會(huì)導(dǎo)致某些雙譜值被重復(fù)使用，還能得到雙譜能量信息，從而保 證能夠獲取目標(biāo)識(shí)別中的重要信息。
步驟3:提取獨(dú)立積分雙譜特征
對(duì)雙譜矩陣進(jìn)行積分計(jì)算后，根據(jù)快速獨(dú)立成分分析方法(Fast Independent Component Analysis, FastICA )對(duì)所提取特征，即各局部積分雙譜結(jié)果進(jìn)行優(yōu)化， 構(gòu)成有效的局部積分雙i普特征。FASTICA方法，又稱固定點(diǎn)算法，可以去除輸入數(shù)據(jù)分量的一、二階相關(guān) 性，及數(shù)據(jù)間的高階相關(guān)信息，使得輸出分量相互獨(dú)立，處理結(jié)果減小信息冗 余。輸入數(shù)據(jù)分量相關(guān)性越強(qiáng)，充分描述它們的獨(dú)立變量數(shù)就越少。負(fù)熵是ICA 中一個(gè)極其重要的判據(jù)，負(fù)熵最大化可導(dǎo)致互信息最小化。常用的方法是通過(guò) 用高階累積量來(lái)近似計(jì)算負(fù)熵。FastICA算法是一種快速的尋優(yōu)迭代算法，具有 非?？斓氖諗克俣?，而且不需要確定學(xué)習(xí)步長(zhǎng)。該算法以負(fù)熵最大作為一個(gè)搜 尋方向，可以實(shí)現(xiàn)順序地提取獨(dú)立源。
本發(fā)明使用FASTICA算法對(duì)以上所提取的積分雙譜進(jìn)行特征優(yōu)化，提取獨(dú) 立的積分雙譜特征用于后面的識(shí)別。
FastICA算法流程圖見(jiàn)圖4,最終可以處理得到獨(dú)立成分權(quán)向量矩陣W。流
程詳細(xì)說(shuō)明如下設(shè)X為各局部積分雙譜結(jié)果， <為ICA模型中待估計(jì)的分離
矩陣^的與獨(dú)立分量A相對(duì)應(yīng)的行向量，滿足下式
&=<義 (11)
FastICA算法的基本思想就是尋找投影向量1^,使得尤在<^上面的投 影非高斯最大。
首先考慮提取一個(gè)分量，假設(shè)神經(jīng)元的調(diào)整權(quán)值為w,，即投影方向，并以負(fù) 熵作為目標(biāo)函數(shù)?？紤]到ICA的假設(shè)條件，w「X為單位方差，而義事先經(jīng)過(guò)了
白化處理，所以限制條件等價(jià)于要求w'的模為1，即lk卜1。
在實(shí)際的負(fù)熵計(jì)算中，由于概率密度分布函數(shù)未知，故度量分離結(jié)果在非高 斯性時(shí)采用負(fù)熵很不方便，HyvarinenA采用了更有效的負(fù)熵的近似公式，如下 所示
J(w,) * [鄉(xiāng)(w,X"-(i .2) 式中，G為一些非二次函數(shù)，v是一個(gè)標(biāo)準(zhǔn)正態(tài)分布的隨機(jī)變量。
該算法通過(guò)尋找使得7 ')取極大值的投影方向A ，相應(yīng)地便可以提取出一個(gè)獨(dú)立分量。J(w')取極大值，即使得^G(w)》取極大值，而^G(w,義》的極值 點(diǎn)^就是以下方程的解，
其中，函數(shù)g是函數(shù)G的導(dǎo)數(shù)，由牛頓迭代定理，得
<formula>formula see original document page 11</formula>
其中，5(Hg'(w「X)卜五(H^(g'(v^義)H五(g'(w,7^》，并進(jìn)行歸一化處理
<formula>formula see original document page 11</formula>
如果(1.4)式等號(hào)兩邊都乘以—￡& )}，令w,、-可g'K^O]w'+，則得到簡(jiǎn) 化的迭代公式
<formula>formula see original document page 11</formula>
其中，求期望值過(guò)程可用樣本的平均值進(jìn)行估計(jì)；按照上式進(jìn)行迭代，收
斂得到的w,對(duì)應(yīng)于分離矩陣『中的行向量，可提出 一個(gè)獨(dú)立分量。
上述的每個(gè)迭代過(guò)程估計(jì)一個(gè)獨(dú)立分量，要估計(jì)"個(gè)獨(dú)立分量，雖然只需要
使用"個(gè)列向量WI ， W2 ，…，W"重復(fù)使用上述過(guò)程進(jìn)行分離，但為了防止不同的權(quán)向
量收斂到相同的極值點(diǎn)，在每次迭代后必須對(duì)估計(jì)的權(quán)向量進(jìn)行去相關(guān)，可以
使用類似Gram-Schmidt正交歸一化的方法。當(dāng)估計(jì)了 個(gè)獨(dú)立分量后，在得到
p個(gè)列向量w'，…，wp的基礎(chǔ)上，求出 +',在每一次迭代后進(jìn)行去相關(guān)，并重新 歸一化
<formula>formula see original document page 11</formula>
步驟4:識(shí)別分析根據(jù)運(yùn)用FASTICA算法優(yōu)化后的局部積分雙謙特征，利用分類器對(duì)待識(shí)別數(shù) 據(jù)進(jìn)行識(shí)別分析依據(jù)上述方法首先對(duì)已知類別目標(biāo)數(shù)據(jù)提取特征并進(jìn)行訓(xùn)練； 然后再運(yùn)用分類器將測(cè)試集與訓(xùn)練的統(tǒng)計(jì)結(jié)果進(jìn)行比較判別，判斷目標(biāo)的種類 是水雷還是非水雷。分類器的種類很多，本發(fā)明采用概率神經(jīng)網(wǎng)絡(luò)分類器 (Probabilistic neural networks ， PNN)。
概率神經(jīng)網(wǎng)絡(luò)分類器用于檢測(cè)和模式分類時(shí)，可以得到貝葉斯最優(yōu)結(jié)果?？?察水雷非水雷識(shí)別的情況時(shí)，已知類別狀態(tài)e為水雷目標(biāo)A和非水雷目標(biāo)^兩
類。"4=來(lái)自水雷目標(biāo)夂類的訓(xùn)練模式數(shù)，、=來(lái)自非水雷目標(biāo)~類的訓(xùn)練模 式數(shù)。^為^A時(shí)判定"("^s的損失函數(shù)；^為^=^時(shí)判定4" = ^的損失 函數(shù)(取正確判定的損失等于O);、為模式來(lái)自水雷目標(biāo)A出現(xiàn)的先驗(yàn)概率； 一、為6=^的先驗(yàn)概率。當(dāng)兩個(gè)神經(jīng)元加權(quán)求和輸出值大于l時(shí)，判定測(cè)試集目 標(biāo)屬于水雷目標(biāo)A;小于l時(shí)判定測(cè)試集目標(biāo)屬于非水雷目標(biāo)&。
概率神經(jīng)網(wǎng)絡(luò)訓(xùn)練容易，收斂速度快，非常適用于湖海試實(shí)驗(yàn)實(shí)時(shí)處理； 模式層的傳遞函數(shù)可以選用各種用來(lái)估計(jì)概率密度的核函數(shù)。并且分類結(jié)果對(duì) 核函數(shù)的形式不敏感。
本發(fā)明對(duì)部分湖海試實(shí)驗(yàn)數(shù)據(jù)進(jìn)行測(cè)試，已知訓(xùn)練集水雷目標(biāo)25個(gè)，假 目標(biāo)34個(gè)。識(shí)別集水雷目標(biāo)122個(gè)，假目標(biāo)180個(gè)。識(shí)別結(jié)果為水雷目 標(biāo)識(shí)別率為83%,非水雷目標(biāo)識(shí)別率為87%，目標(biāo)正確識(shí)別率為85%。識(shí)別的 算法流程見(jiàn)圖2所示，首先對(duì)已知類別訓(xùn)練集目標(biāo)數(shù)據(jù)提取特征并進(jìn)行訓(xùn)練； 然后根據(jù)訓(xùn)練結(jié)果對(duì)測(cè)試集目標(biāo)進(jìn)行識(shí)別；最后根據(jù)分類器識(shí)別結(jié)果統(tǒng)計(jì)目標(biāo) 識(shí)別率，把它作為判別識(shí)別方法好壞的依據(jù)。
最后應(yīng)說(shuō)明的是，以上實(shí)施例僅用以描述本發(fā)明的技術(shù)方案而不是對(duì)本技 術(shù)方法進(jìn)行限制，本發(fā)明在應(yīng)用上可以延伸為其他的修改、變化、應(yīng)用和實(shí)施 例，并且因此認(rèn)為所有這樣的修改、變化、應(yīng)用、實(shí)施例都在本發(fā)明的精神和 教導(dǎo)范圍內(nèi)。
權(quán)利要求
1、一種水雷目標(biāo)的識(shí)別方法，包括步驟10)、獲取聲納陣接收的目標(biāo)的回波數(shù)據(jù)信號(hào)，計(jì)算所述目標(biāo)回波數(shù)據(jù)信號(hào)的雙譜特征；步驟20)、對(duì)所述雙譜特征進(jìn)行優(yōu)化，獲取獨(dú)立的雙譜特征；步驟30)、利用分類器識(shí)別所述獨(dú)立雙譜特征，確定所述目標(biāo)是否為水雷目標(biāo)。
2、 權(quán)利要求1的方法，其中，步驟10)還包括對(duì)接收的回波數(shù)據(jù)信號(hào)進(jìn)行預(yù)處理，使其幅度歸一化，也可以利用匹配相 關(guān)處理方法提高所述信號(hào)的輸入信噪比；或者對(duì)接收的回波數(shù)據(jù)信號(hào)運(yùn)用直達(dá) 聲信號(hào)與接收陣信號(hào)進(jìn)行匹配濾波。
3 、權(quán)利要求1的方法，其中，步驟10 )還包括使用公式 5(叫,W2) = X(^)X02)^To, +化)計(jì)算所述回波數(shù)據(jù)信號(hào)的雙譜特征，其中，x(t)為 所述回波l史據(jù)信號(hào)，x(w)為x(t)的傅立葉變換；*為復(fù)共軛。
4、 權(quán)利要求3的方法，其中，步驟10)還包括使用公式￡(/) = Z 5(^, 2)計(jì)算所述回波數(shù)據(jù)信號(hào)的圍線面積積分雙譜特征，其中， 是積分路徑；1=1、2.....L， L為積分?jǐn)?shù)，積分路徑為以原點(diǎn)為中心的正方形間的面積，W W為所述回波數(shù)據(jù)信號(hào)的雙譜特征值。
5、 權(quán)利要求4的方法，其中，步驟20)中的所述優(yōu)化包括去除所述積分雙 譜特征分量的一、二階相關(guān)性及特征間的高階相關(guān)信息，提取獨(dú)立的積分雙譜 特征。
6、 權(quán)利要求5的方法，其中，步驟20)還包括根據(jù)快速獨(dú)立成分分析方法使用公式& = ^義在各積分雙譜特征中提取負(fù)熵最大化的積分雙譜特征，其中， 義是所述積分雙譜特征，^為所述快速獨(dú)立成分分析模型中待估計(jì)的分離矩陣『的、與積分雙譜特征^相對(duì)應(yīng)的行向量；當(dāng)義在《義上的投影非高斯最大時(shí)， &為所提取的獨(dú)立的雙譜特征。
7、 權(quán)利要求l的方法，其中，步驟30)中，所述分類器比較訓(xùn)練獲取的獨(dú) 立雙譜特征和步驟20)中獲取的所述獨(dú)立雙i普特征，確定所述目標(biāo)是否為水雷 目標(biāo)。
8、 權(quán)利要求7的方法，其中，步驟30)中，所述訓(xùn)練獲取的獨(dú)立雙譜特征 為通過(guò)步驟10 )和步驟20對(duì)已知水雷目標(biāo)獲得的獨(dú)立雙譜特征。
9、 權(quán)利要求l的方法，其中，步驟30)中，所述分類器為概率神經(jīng)網(wǎng)絡(luò)分 類器。
全文摘要
本發(fā)明公開(kāi)一種水雷目標(biāo)的識(shí)別方法，包括步驟10)獲取聲納陣接收的目標(biāo)的回波數(shù)據(jù)信號(hào)，計(jì)算所述回波數(shù)據(jù)信號(hào)的雙譜特征；步驟20)對(duì)所述雙譜特征進(jìn)行優(yōu)化，獲取獨(dú)立的雙譜特征；步驟30)利用分類器比較訓(xùn)練獲取的獨(dú)立雙譜特征和步驟20)中獲取的所述獨(dú)立雙譜特征，確定所述目標(biāo)是否為水雷目標(biāo)。本方法經(jīng)理論分析、湖海試實(shí)驗(yàn)數(shù)據(jù)驗(yàn)證，可較好的解決水雷非水雷目標(biāo)識(shí)別問(wèn)題。
文檔編號(hào)G01S7/52GK101470194SQ20081012993
公開(kāi)日2009年7月1日 申請(qǐng)日期2008年7月24日 優(yōu)先權(quán)日2007年12月26日
發(fā)明者杰 田, 薛山花, 黃海寧 申請(qǐng)人:中國(guó)科學(xué)院聲學(xué)研究所