CN109784410A - 一种舰船辐射噪声信号的特征提取和分类方法 - Google Patents

一种舰船辐射噪声信号的特征提取和分类方法 Download PDF

Info

Publication number
CN109784410A
CN109784410A CN201910049953.XA CN201910049953A CN109784410A CN 109784410 A CN109784410 A CN 109784410A CN 201910049953 A CN201910049953 A CN 201910049953A CN 109784410 A CN109784410 A CN 109784410A
Authority
CN
China
Prior art keywords
noise signal
radiated noise
ships
ships radiated
imf
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910049953.XA
Other languages
English (en)
Other versions
CN109784410B (zh
Inventor
李国辉
杨智超
杨宏
高立鹏
张翔宇
常婉妮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Posts and Telecommunications
Original Assignee
Xian University of Posts and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xian University of Posts and Telecommunications filed Critical Xian University of Posts and Telecommunications
Priority to CN201910049953.XA priority Critical patent/CN109784410B/zh
Publication of CN109784410A publication Critical patent/CN109784410A/zh
Application granted granted Critical
Publication of CN109784410B publication Critical patent/CN109784410B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种舰船辐射噪声信号的特征提取和分类方法；该方法采用RPSEMD方法对舰船辐射噪声信号进行分解，克服了EMD的模态混叠现象以及EEMD的计算量大问题；首次把微分符号熵应用于水声信号处理，DSE不仅具有计算效率高的优点，而且适合于度量较短时间序列的复杂性；现有技术中多是只选择一个典型的IMF进行特征提取，而本发明公开的方法通过对每一个IMF的熵进行加权，考虑了每一个IMF的重要性，使得最终提取出的每种舰船辐射噪声信号特征更加准确。

Description

一种舰船辐射噪声信号的特征提取和分类方法
【技术领域】
本发明属于水声信号处理领域，具体涉及一种舰船辐射噪声信号特征提取和分类方法。
【背景技术】
文献“Feature extraction of ship-radiated noise based on permutationentropy of the intrinsic mode function with the highest energy,Entropy,2016,18(11)：393(1-15)”公开了一种基于经验模态分解(EMD)和排列熵的舰船辐射噪声信号特征提取方法，首先使用EMD把舰船辐射噪声信号分解为若干固有模态函数(IMF)，然后把能量最高的IMF确定为典型IMF，最后以典型IMF的排列熵作为特征参数，实现了三类舰船辐射噪声信号的分类。但是该方法只以一个IMF的熵作为特征，而忽略了其他IMF的重要性，造成三类舰船辐射噪声信号识别精度低的问题。
【发明内容】
本发明的目的在于克服上述现有技术的缺点，提供一种舰船辐射噪声信号的特征提取和分类方法。主要解决现有的特征提取方法中，往往只选择一个典型IMF的熵值作为特征，而忽略了其他IMF的重要性，造成三类舰船辐射噪声信号识别精度低的问题。
为达到上述目的，本发明采用以下技术方案予以实现：
一种舰船辐射噪声信号的特征提取和分类方法，包括以下步骤：
(1)对实测舰船辐射噪声信号样本进行归一化预处理；
(2)通过再生相移正弦辅助经验模态分解将舰船辐射噪声信号分解为若干个固有模态函数；
(3)计算每个固有模态函数的差分符号熵；
(4)计算每个固有模态函数与舰船辐射噪声信号之间的互信息，然后将所有互信息之和作为分母，计算每个互信息的归一化值，得到归一化互信息；
(5)以归一化互信息作为权重系数对相应的差分符号熵进行加权求和，提取出特征参数的加权差分符号熵；
(6)将加权差分符号熵输入支持向量机进行分类，得到舰船辐射噪声信号的分类结果。
本发明的进一步改进在于：
优选的，步骤(1)中，对实测舰船辐射噪声信号样本进行归一化预处理：
其中：t表示采样点，x(t)为实测舰船辐射噪声信号序列，y(t)为归一化后测量的舰船辐射噪声信号序列，N为舰船辐射噪声信号序列的长度。
优选的，步骤(2)中，再生相移正弦辅助经验模态分解将舰船辐射噪声信号y(n)分解为若干个固有模态函数具体步骤为，将归一化后测量的舰船辐射噪声信号序列y(t)分解为K个固有模态函数，则归一化后测量的舰船辐射噪声信号序列表示为：
其中：K被分解的固有模态函数的数量，IMFi(t)为第i个固有模态函数，依次从高频到低频排列。
优选的，步骤(3)中，计算每个固有模态函数的差分符号熵包括以下步骤：
(3-1)对于时间序列X＝{x1,x2,...,xj,...}，分别计算其前向差分D1＝||xj-xj-1||和后向差分D2＝||xj+1-xj||；式中xj为第j个采样点的值；
(3-2)将步骤(3-1)得到的差分结果转换为4符号化的符号序列S(j)，xj的转换公式如下所示：
其中：diff＝D1-D2，控制因子α在0.3到0.6之间取值；
(3-3)依次以m比特为单位对符号序列S(j)进行编码，每相邻m比特的子符号序列表示一个“字符”，所有的“字符”组成了编码序列C(j)；对于4符号化处理，将会在编码序列中存在4m个种编码符号；对于某个序列，设每种编码符号的概率分别为
(3-4)根据所有编码“字符”的概率分布计算其Shannon熵得到差分符号熵：
上式(4)中的p(πl)表示第l种“字符”出现的概率。
优选的，步骤(3)的步骤(3-4)中，当序列为舰船辐射噪声信号时，m为3。
优选的，第i个IMF与舰船辐射噪声信号y(t)之间的归一化互信息norMI如下式(7)所示：
式中，IMFn(t)为第n个固有模态函数。
优选的，式(7)中的MI(IMFi(t)；y(t))表示为下式：
优选的，步骤(5)中，特征参数加权差分符号熵WDSE计算公式为：
式中，DSEi表示第i个IMF的差分符号熵。
与现有技术相比，本发明具有以下有益效果：
本发明公开了一种舰船辐射噪声信号的特征提取和分类方法；该方法采用RPSEMD方法对舰船辐射噪声信号进行分解，克服了EMD的模态混叠现象以及EEMD的计算量大问题；首次把微分符号熵应用于水声信号处理，DSE不仅具有计算效率高的优点，而且适合于度量较短时间序列的复杂性；现有技术中多是只选择一个典型的IMF进行特征提取，而本发明公开的方法通过对每一个IMF的熵进行加权，考虑了每一个IMF的重要性，使得最终提取出的每种舰船辐射噪声信号特征更加准确。
采用本发明降噪方法对三种不同类别的舰船辐射噪声信号进行特征提取后，并与原始舰船辐射噪声信号的DSE、最高能量的IMF的差分符号熵(IMF-Energy-DSE)和最大norMI的IMF的差分符号熵(IMF-norMI-DSE)三种方法的比较，通过支持向量机的分类证明通过本方法进行特征提取的识别率达到98.3333％，说明本发明中的方法能够更好的提取出舰船辐射噪声信号的特征。
【附图说明】
图1为本发明提供的一种舰船辐射噪声信号的特征提取和分类方法的流程图；
图2为三种舰船辐射噪声信号的归一化时域波形图，
其中，(a)图为Ship-1的归一化时域波形图，
(b)图为Ship-2的归一化时域波形图，
(c)图为Ship-3的归一化时域波形图；
图3为三种舰船辐射噪声信号经过RPSEMD分解后的分解结果，
其中，(a)图为Ship-1的分解结果，
(b)图为Ship-2的分解结果，
(c)图为Ship-3的分解结果；
图4为三种舰船辐射噪声信号的IMF的DSE和norMI曲线，
其中，(a)图为Ship-1的IMF的DSE和norMI曲线，
(b)图为Ship-2的IMF的DSE和norMI曲线，
(c)图为Ship-3的IMF的DSE和norMI曲线；
图5为三种舰船辐射噪声信号的特征提取结果，
其中，(a)图为使用本发明方法的特征提取结果，
(b)图为原始舰船辐射噪声信号的DSE的特征提取结果，
(c)图为IMF-Energy-DSE方法的特征提取结果，
(d)图为IMF-norMI-DSE方法的特征提取结果；
图6为三种舰船辐射噪声信号的支持向量机输出结果，
其中，(a)图为使用本发明方法的支持向量机输出结果，
(b)图为原始舰船辐射噪声信号的DSE的支持向量机输出结果，
(c)图为IMF-Energy-DSE方法的支持向量机输出结果，
(d)图为IMF-norMI-DSE方法的支持向量机输出结果。
【具体实施方式】
下面结合附图和具体步骤对本发明做进一步详细描述；本发明公开了一种舰船辐射噪声信号的特征提取方法，本发明将RPSEMD、DSE和MI引入，以克服识别精度低的问题；其中，再生相移正弦辅助经验模态分解(RPSEMD)是一种优化的EMD，它克服了EMD的模态混叠问题。差分符号熵(DSE)是一种新型的香农熵，不仅计算速度快，而且可以度量较短序列的非线性复杂性。互信息(MI)能够定量地表示两个变量之间相互依赖程度，比相关系数更加准确。
参见图1，本发明舰船辐射噪声信号的特征提取方法具体包括以下步骤：
(1)对实测舰船辐射噪声信号样本进行归一化预处理，
其中：t表示采样点，x(t)为实测舰船辐射噪声信号序列，y(t)为归一化后测量的舰船辐射噪声信号序列，N为舰船辐射噪声信号序列的长度。在本发明方法中，三种舰船辐射噪声信号的归一化预处理后的时域波形如图2所示，从图中可以看出归一化处理后的时域波形符合三种舰船辐射噪声信号样本采集规律。
(2)首先，利用RPSEMD将每一种的舰船辐射噪声信号分解为一系列IMF。
RPSEMD将每一个归一化后的舰船辐射噪声信号序列y(t)分解为K个固有模态函数，即IMF1(t)，IMF2(t)，IMFi(t)，…，IMFK(t)，则舰船辐射噪声信号可表示为：
其中：K为被分解的固有模态函数的数量，IMFi(t)为第i个固有模态函数，依次从高频到低频排列。
在本发明方法中，经RPSEMD分解的三种舰船辐射噪声信号分解结果分别如图3中的(a)图、(b)图和(c)图所示。可以看出，舰船辐射噪声信号被RPSEMD分解为一系列IMF，IMF的频率随模态的阶次的增加而依次减小。对于不同的舰船辐射噪声信号，RPSEMD分解得到的IMF的数量是不同的。
(3)计算每一种舰船辐射中的每个固有模态函数的差分符号熵，具体包括以下步骤：
(3-1)对于时间序列X＝{x1,x2,…,xj,…}，分别计算其前向差分D1＝||xj-xj-1||和后向差分D2＝||xj+1-xj||；式中xj为第j个采样点的值；
(3-2)通过转换公式(3)，将步骤(3-1)得到的差分结果转换为4符号化的符号序列S(j)，转换公式如下所示：
其中：diff＝D1-D2，控制因子α在0.3到0.6之间取值。
(3-3)依次以m比特为单位对符号序列S(j)进行编码，每相邻m比特的子符号序列表示一个“字符”，所有的“字符”组成了编码序列C(j)。以3比特编码为例，编码公式可以写成c(j)＝α·n2+β·n+γ，其中n＝4。例如当符号序列{2,0,3,1,2}，以3比特为单位，得到子符号序列{2,0,3}、{0,3,1}和{3,1,2}，根据编码公式得到三个“字符”35、13和54。对于4符号化的符号序列，在编码序列中存在4m种可能的编码“字符”。给出某个序列，统计每种编码“字符”出现的概率，记为
(3-4)最后，根据所有编码“字符”的概率分布计算其Shannon熵得到差分符号熵：
式中，p(πl)表示第l种“字符”出现的概率。
当序列为舰船辐射噪声信号时，m为3。三种舰船辐射噪声信号的IMF的DSE在图4中用三角形表示，可以看出DSE随着IMF的次序的增加而依次减小。
(4)计算每个固有模态函数与舰船辐射噪声信号之间的互信息，然后将所有互信息之和作为分母，计算每个互信息的归一化值，得到归一化互信息。具体包括以下步骤：
(4-1)在概率论和信息论中，两个随机变量的互信息表示变量之间相互依赖的程度。离散随机变量X和Y之间的互信息MI定义为：
其中：H(X)是H(Y)是信息熵，H(X|Y)和H(Y|X)是条件熵，H(X,Y)是X和Y的联合熵；如果X和Y是独立的，则MI(X；Y)＝0。第i个IMF与舰船辐射噪声信号y(t)之间的互信息可以表示为MI(IMFi(t)；y(t)),i＝1,2,...,K，计算公式如下：
(4-2)将所有互信息之和作为分母，计算每个互信息的归一化值，得到归一化互信息，第i个IMF与舰船辐射噪声信号y(t)之间的归一化互信息norMI可以表示为：
式中，IMFn(t)为第n个固有模态函数。
三种舰船辐射噪声信号的IMF的norMI在图4中用圆形表示，可以看出对于不同的舰船辐射噪声信号，它们的norMI分布明显不同。
(5)以归一化互信息作为权重系数对相应的差分符号熵(DSE)进行加权求和，结合第(3)步和第(4)步，得到特征参数加权差分符号熵WDSE，其计算公式为：
式中，DSEi表示第i个IMF的差分符号熵。
针对三类舰船辐射噪声信号，每类舰船辐射噪声信号含有30个样本，分别计算其中的每个样本的WDSE，提取出每类舰船辐射噪声信号的特征值；同时，与原始舰船辐射噪声信号的DSE、IMF-Energy-DSE方法以及IMF-norMI-DSE方法进行对比。本发明的特征参数分布如图5中的(a)图所示，其他三种技术的特征参数分布如图(b)、图(c)和图(d)所示，可以看出，对于同种类型的舰船，它们的特征参数基本一致；对于不用类型的舰船，它们的特征参数具有明显差异。而其他三种技术无法正确区分三类舰船辐射噪声信号。
(6)把WDSE输入支持向量机进行分类，得到分类结果。
为了定量分析本发明方法的特征提取结果，通过本发明中的方法、原始舰船辐射噪声信号的DSE、IMF-Energy-DSE方法以及IMF-norMI-DSE方法分别进行特征提取，将各自的特征参数输入支持向量机，以支持向量机的识别率来判定舰船辐射噪声信号的优劣，支持向量机中有包括训练SVM分类器和测试SVM分类器。选取三类舰船辐射噪声信号，每类舰船辐射噪声信号含有30个样本。随机选取10个样本作为训练样本，其余20个作为测试样本，分别计算其WDSE，并输入支持向量机中进行分类。图6为支持向量机的输出结果，识别率如表1所示，从表1可以看出，如果直接以原始舰船辐射噪声信号的DSE为特征参数，具有最低的识别率。使用本发明方法的识别率得到了较大的提高，达到98.3333％。由此说明更好地提取出了舰船辐射噪声信号的特征。因此，本发明方法是一种行之有效的特征提取方法，可以为舰船辐射噪声信号的进一步研究和处理中奠定基础。
表1不同方法的支持向量机输出效果
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种舰船辐射噪声信号的特征提取和分类方法，其特征在于，包括以下步骤：
(1)对实测舰船辐射噪声信号样本进行归一化预处理；
(2)通过再生相移正弦辅助经验模态分解将舰船辐射噪声信号分解为若干个固有模态函数；
(3)计算每个固有模态函数的差分符号熵；
(4)计算每个固有模态函数与舰船辐射噪声信号之间的互信息，然后将所有互信息之和作为分母，计算每个互信息的归一化值，得到归一化互信息；
(5)以归一化互信息作为权重系数对相应的差分符号熵进行加权求和，提取出特征参数的加权差分符号熵；
(6)将加权差分符号熵输入支持向量机进行分类，得到舰船辐射噪声信号的分类结果。
2.根据权利要求1所述的一种舰船辐射噪声信号的特征提取和分类方法，其特征在于，步骤(1)中，对实测舰船辐射噪声信号样本进行归一化预处理：
其中：t表示采样点，x(t)为实测舰船辐射噪声信号序列，y(t)为归一化后测量的舰船辐射噪声信号序列，N为舰船辐射噪声信号序列的长度。
3.根据权利要求2所述的一种舰船辐射噪声信号的特征提取和分类方法，其特征在于，步骤(2)中，再生相移正弦辅助经验模态分解将舰船辐射噪声信号y(n)分解为若干个固有模态函数具体步骤为，将归一化后测量的舰船辐射噪声信号序列y(t)分解为K个固有模态函数，则归一化后测量的舰船辐射噪声信号序列表示为：
其中：K被分解的固有模态函数的数量，IMFi(t)为第i个固有模态函数，依次从高频到低频排列。
4.根据权利要求3所述的一种舰船辐射噪声信号的特征提取和分类方法，其特征在于，步骤(3)中，计算每个固有模态函数的差分符号熵包括以下步骤：
(3-1)对于时间序列X＝{x1,x2,...,xj,...}，分别计算其前向差分D1＝||xj-xj-1||和后向差分D2＝||xj+1-xj||；式中xj为第j个采样点的值；
(3-2)将步骤(3-1)得到的差分结果转换为4符号化的符号序列S(j)，xj的转换公式如下所示：
其中：diff＝D1-D2，控制因子α在0.3到0.6之间取值；
(3-3)依次以m比特为单位对符号序列S(j)进行编码，每相邻m比特的子符号序列表示一个“字符”，所有的“字符”组成了编码序列C(j)；对于4符号化处理，将会在编码序列中存在4m个种编码符号；对于某个序列，设每种编码符号的概率分别为
(3-4)根据所有编码“字符”的概率分布计算其Shannon熵得到差分符号熵：
上式(4)中的p(πl)表示第l种“字符”出现的概率。
5.根据权利要求4所述的一种舰船辐射噪声信号的特征提取和分类方法，其特征在于，步骤(3)的步骤(3-4)中，当序列为舰船辐射噪声信号时，m为3。
6.根据权利要求4所述的一种舰船辐射噪声信号的特征提取和分类方法，其特征在于，第i个IMF与舰船辐射噪声信号y(t)之间的归一化互信息norMI如下式(7)所示：
式中，IMFn(t)为第n个固有模态函数。
7.根据权利要求6所述的一种舰船辐射噪声信号的特征提取和分类方法，其特征在于，式(7)中的MI(IMFi(t)；y(t))表示为下式：
8.根据权利要求6所述的一种舰船辐射噪声信号的特征提取和分类方法，其特征在于，步骤(5)中，特征参数加权差分符号熵WDSE计算公式为：
式中，DSEi表示第i个IMF的差分符号熵。
CN201910049953.XA 2019-01-18 2019-01-18 一种舰船辐射噪声信号的特征提取和分类方法 Active CN109784410B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910049953.XA CN109784410B (zh) 2019-01-18 2019-01-18 一种舰船辐射噪声信号的特征提取和分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910049953.XA CN109784410B (zh) 2019-01-18 2019-01-18 一种舰船辐射噪声信号的特征提取和分类方法

Publications (2)

Publication Number Publication Date
CN109784410A true CN109784410A (zh) 2019-05-21
CN109784410B CN109784410B (zh) 2022-11-22

Family

ID=66501669

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910049953.XA Active CN109784410B (zh) 2019-01-18 2019-01-18 一种舰船辐射噪声信号的特征提取和分类方法

Country Status (1)

Country Link
CN (1) CN109784410B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110220593A (zh) * 2019-07-15 2019-09-10 西安邮电大学 一种基于深度学习的声音异常检测系统
CN110412467A (zh) * 2019-07-30 2019-11-05 重庆邮电大学 一种归一化互信息准则约束的锂电池故障数据筛选方法
CN111488801A (zh) * 2020-03-16 2020-08-04 天津大学 基于振动噪声识别的船舶分类方法
CN111553207A (zh) * 2020-04-14 2020-08-18 哈尔滨工程大学 一种基于统计分布的舰船辐射噪声特征重组方法
CN111723701A (zh) * 2020-06-08 2020-09-29 西安交通大学 一种水中目标识别方法
CN112183280A (zh) * 2020-09-21 2021-01-05 西安交通大学 基于emd和压缩感知的水声目标辐射噪声分类方法及系统
CN114398925A (zh) * 2021-12-31 2022-04-26 厦门大学 一种基于多特征的舰船辐射噪声样本长度选取方法与系统
CN114462457A (zh) * 2022-04-11 2022-05-10 自然资源部第一海洋研究所 基于本征概率密度函数的舰船水下噪声深度学习识别方法
CN114764579A (zh) * 2022-05-12 2022-07-19 西北工业大学 一种舰船辐射噪声信号的去噪特征提取方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107315996A (zh) * 2017-05-19 2017-11-03 燕山大学 一种基于imf能量熵与pca的水下船舰噪声特征提取方法
CN108304768A (zh) * 2017-12-12 2018-07-20 重庆邮电大学 一种基于emd去噪和imf判别能量熵的磨音特征提取方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107315996A (zh) * 2017-05-19 2017-11-03 燕山大学 一种基于imf能量熵与pca的水下船舰噪声特征提取方法
CN108304768A (zh) * 2017-12-12 2018-07-20 重庆邮电大学 一种基于emd去噪和imf判别能量熵的磨音特征提取方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
LI, GH (LI, GUOHUI) ET. AL: "Feature Extraction of Ship-Radiated Noise Based on Regenerated Phase-Shifted Sinusoid-Assisted EMD, Mutual Information, and Differential Symbolic Entropy", 《ENTROPY》 *
LI, GH (LI, GUOHUI) ET.AL: "Noise reduction of ship-radiated noise based on noise-assisted bivariate empirical mode decomposition", 《INDIAN JOURNAL OF GEO-MARINE SCIENCES》 *
李余兴等: "一种基于样本熵与EEMD的舰船辐射噪声特征提取方法", 《水下无人系统学报》 *
杨宏 等: "基于集合经验模态分解的舰船辐射噪声能量分析", 《振动与冲击》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110220593A (zh) * 2019-07-15 2019-09-10 西安邮电大学 一种基于深度学习的声音异常检测系统
CN110412467A (zh) * 2019-07-30 2019-11-05 重庆邮电大学 一种归一化互信息准则约束的锂电池故障数据筛选方法
CN110412467B (zh) * 2019-07-30 2021-07-23 重庆邮电大学 一种归一化互信息准则约束的锂电池故障数据筛选方法
CN111488801A (zh) * 2020-03-16 2020-08-04 天津大学 基于振动噪声识别的船舶分类方法
CN111553207A (zh) * 2020-04-14 2020-08-18 哈尔滨工程大学 一种基于统计分布的舰船辐射噪声特征重组方法
CN111723701A (zh) * 2020-06-08 2020-09-29 西安交通大学 一种水中目标识别方法
CN111723701B (zh) * 2020-06-08 2022-05-20 西安交通大学 一种水中目标识别方法
CN112183280A (zh) * 2020-09-21 2021-01-05 西安交通大学 基于emd和压缩感知的水声目标辐射噪声分类方法及系统
CN114398925A (zh) * 2021-12-31 2022-04-26 厦门大学 一种基于多特征的舰船辐射噪声样本长度选取方法与系统
CN114462457A (zh) * 2022-04-11 2022-05-10 自然资源部第一海洋研究所 基于本征概率密度函数的舰船水下噪声深度学习识别方法
CN114764579A (zh) * 2022-05-12 2022-07-19 西北工业大学 一种舰船辐射噪声信号的去噪特征提取方法

Also Published As

Publication number Publication date
CN109784410B (zh) 2022-11-22

Similar Documents

Publication Publication Date Title
CN109784410A (zh) 一种舰船辐射噪声信号的特征提取和分类方法
Li et al. Toward convolutional neural networks on pulse repetition interval modulation recognition
CN109034127B (zh) 一种频谱异常检测方法、装置和电子设备
Wei et al. PRI modulation recognition based on squeeze-and-excitation networks
Liu et al. Deep learning and recognition of radar jamming based on CNN
Cain et al. Convolutional neural networks for radar emitter classification
CN111724770B (zh) 一种基于深度卷积生成对抗网络的音频关键词识别方法
CN110148425A (zh) 一种基于完整局部二进制模式的伪装语音检测方法
CN107315996A (zh) 一种基于imf能量熵与pca的水下船舰噪声特征提取方法
Liu et al. Classification of power quality disturbance using segmented and modified S-transform and DCNN-MSVM hybrid model
CN113156376B (zh) 基于sacnn的雷达辐射源信号识别方法
CN113111786B (zh) 基于小样本训练图卷积网络的水下目标识别方法
CN106483550A (zh) 一种模拟能谱曲线仿真方法
CN113378652B (zh) 一种基于ewt-mpe-pso-bp的扰动分类方法
CN111010356A (zh) 一种基于支持向量机的水声通信信号调制方式识别方法
CN108198324B (zh) 一种基于图像指纹的多国纸币币种识别方法
CN106483551A (zh) 一种仿核信号发生器及其工作方法
CN106940688B (zh) 一种emd虚假分量识别的数学模型建模方法
CN116797796A (zh) Drfm间歇采样下基于时频分析与深度学习的信号识别方法
CN113438209B (zh) 一种基于改进的Stacking策略的钓鱼网站检测方法
Guo et al. Audio Deepfake Detection With Self-Supervised Wavlm And Multi-Fusion Attentive Classifier
CN111797396B (zh) 恶意代码可视化及变种检测方法、装置、设备及存储介质
CN112541524A (zh) 基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法
CN104318931A (zh) 一种音频文件的情绪活跃度获取方法及分类方法、装置
Anh et al. Prediction of magnetic storm events using the D st index

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant