CN111735525A - 一种适用于无人声纳的demon谱特征提取方法 - Google Patents

Abstract

本发明是一种适用于无人声纳的DEMON谱特征提取方法。本发明属于DEMON谱特征提取领域，本发明采用小波去噪技术，降低待处理信号中噪声影响；将降噪后的信号通过带通滤波器滤波，提取滤波后的频段信号；根据滤波后的频段信号，进行调制谱检测，进行去信号直流操作，并通过低通滤波器，完成包络检测，得到解调后的信号；对解调后的信号进行傅里叶变换，并进行平均周期图谱估计，得到DEMON线谱；根据得到的DEMON线谱，基于门限准则自主提取线谱；根据基于门限准则自主提取后的线谱，进行轴频估计，并进行桨叶数估计。本发明适用于保持匀速直线运动、具有规则的三至七叶螺旋桨叶、且在矢量水听器工作频带内具有明显调制现象的目标，能够估计出其螺旋桨转速和叶片数信息。本发明能够自主处理目标辐射噪声，提取目标的轴频、桨叶数信息并将算法流程在DSP上进行实现。

Description

一种适用于无人声纳的DEMON谱特征提取方法

技术领域

本发明涉及DEMON谱特征提取技术领域，是一种适用于无人声纳的DEMON谱特征提取方法。

背景技术

目标的检测和识别一直是很多国家重点研究的领域之一，其中水下、水面目标产生的舰船辐射噪声往往携带着目标的重要信息。由LOFAR分析可获得反应舰船目标各部件结构特征的宽频带特征，而DEMON分析则获得较低频段的调制线谱特征，弥补了LOFAR分析在低频端的不足。DEMON谱分析常用来获取目标的轴频与叶频。

矢量水听器由传统的声压水听器和质点振速水听器复合而成，可以空间共点同步测量声场中的标量信息(声压)和矢量信息(质点振速的三个正交分量)，这不仅有助于改善水声系统的性能，而且也拓宽了信号处理空间。矢量水听器具有良好的低频指向性、抗各向同性噪声能力强等诸多优点。它的出现，为解决水下目标的检测、定位及噪声识别等水声问题提供了新的思路和方法。现有的矢量DEMON谱估计只进行到软件部分，并未在硬件平台上进行实现。

发明内容

本发明为对DEMON谱特征提取，本发明提供了一种适用于无人声纳的DEMON谱特征提取方法，本发明提供了以下技术方案：

一种适用于无人声纳的DEMON谱特征提取方法，包括以下步骤：

步骤1：采用小波去噪技术，降低待处理信号中噪声影响；

步骤2：将降噪后的信号通过带通滤波器滤波，提取滤波后的频段信号；

步骤3：根据滤波后的频段信号，进行调制谱检测，进行去信号直流操作，并通过低通滤波器，完成包络检测，得到解调后的信号；

步骤4：对解调后的信号进行傅里叶变换，并进行平均周期图谱估计，得到DEMON线谱；

步骤5：根据得到的DEMON线谱，基于门限准则自主提取线谱；

步骤6：根据基于门限准则自主提取后的线谱，进行轴频估计，并进行桨叶数估计。

优选地，所述步骤1具体为：

步骤1.1：采用Mallat算法去噪，选择Daubechies小波基的DB3小波，对接收信号分别进行三层小波分解，确定小波变换的低通滤波器和小波变换的高通滤波器，通过下式表示小波变换的低通滤波器和小波变换的高通滤波器：得到小波分解系数：

h(z)＝h_-2z²+h_-1z+h₀+h₁z^-1+h₂z^-2+h₃z^-3

g(z)＝-h₃z²+h₂z-h₁+h₀z^-1-h_-1z^-2+h_-2z^-3

其中，h(z)为小波变换的低通滤波器，g(z)为小波变换的高通滤波器，z为小波系数；

得到小波分解系数，通过下式表示小波分解系数：

h_-2＝0.333，h_-1＝0.807，h₀＝0.459，h₁＝-0.135，h₂＝-0.085，h₃＝0.035；

步骤1.2：对分解得到的小波系数进行软阈值处理，通过下式表示软阈值函数：

其中，w_λ为去噪后的小波系数，w为去噪前的小波系数；

对软阈值函数采用了极大极小阈值，通过下式表示极大极小阈值λ：

其中，N为数据长度；

对阈值处理后的小波系数进行重构，得到降噪后的信号。

优选地，所述步骤2具体为：对降噪后的信号进行带通滤波处理，提取滤波后的频段信号，通过下式表示滤波后的频段信号：

p_band(t)＝filter_bandpass(p)

v_xband(t)＝filter_bandpass(v_x)

v_yband(t)＝filter_bandpass(v_y)

其中，p_band(t)为滤波后的p通道数据，v_xband(t)为滤波后的x通道数据，v_yband(t)为滤波后的y通道数据，v_y为降噪后的y通道数据，p为降噪后的p通道数据，v_x为降噪后的x通道数据。

优选地，所述步骤3具体为：根据滤波后的频段信号，进行调制谱检测，进行去信号直流操作，并通过低通滤波器，完成包络检测，得到解调后的信号；

根据滤波后的频段信号，使用声能流处理降低噪声对调制谱检测的影响，在二维水平面内，通过下式表示声能流：

其中，I_x/y(t)为声能流，p_band(t)为滤波后的p通道数据，v_xband/yband(t)为滤波后的x/y通道数据，n_p(t)和

为各向同性噪声干扰；

采用了乘法检波，通过下式表示乘法检波：

I_px(t)＝p_band(t)·v_xband(t)

其中，I_px(t)为处理后的声能流。

进行去信号直流操作，通过下式表示信号直流操作：

I_d(t)＝I_px(t)-mean(I_px(t))

其中，mean()表示去均值操作；

对去直流后的信号I_d(t)进行低通滤波处理，完成包络检测，得到解调后的信号，通过下式表示解调后的信号S(t)：

S(t)＝filter_lowpass(I_d(t))

优选地，所述步骤4具体为：对解调后的信号进行傅里叶变换，通过Welch平均周期图处理进行平均周期图谱估计，选择长度为12.8s或25.6s的矩形窗，窗长度选择2的整数次幂采样点，当窗长为12.8s时，处理后的DEMON谱分辨率为0.08Hz；当窗长为25.6s时，处理后的DEMON谱分辨率约为0.04Hz；

Welch周期图处理选择了窗长为25.6s的矩形窗，窗重合率为50％，此时得到的DEMON谱S_welch(n)分辨率为0.04Hz；

选择了双向α滤波算法对平均周期图处理后的信号S_welch(n)做背景均衡处理，确定α滤波器的输出，通过下式表示α滤波器的输出

确定α逆滤波器的输出，通过下式表示α逆滤波器的输出

其中，自适应阈值为

c为常数，k选值为10，α选值为0.1；

得到估计的DEMON线谱，通过下式表示估计的DEMON线谱S_back(n)：

S_back(n)＝S_welch(n)-S_con(n)

其中，S_con(n)为连续估计谱。

优选地，所述步骤5具体为：根据得到的DEMON线谱，基于门限准则自主提取线谱，所述门限准则包括峰值门限、斜率门限和峰宽门限，同时满足三种门限是，提取所需的调制线谱。

优选地，所述步骤6中根据基于门限准则自主提取后的线谱，进行轴频估计具体为：根据基于门限准则自主提取后的线谱，采用了倍频估计算法估计提取后的DEMON谱的轴频，确定可疑基频个数P，将P根线谱进行从小到大频率排序为F_j，对应的幅度为H_j,j＝1,2,...P

谱线中频率最小的(F₁,H₁)开始，搜索所有的疑似线谱簇，根据判决门限α判断是否满足倍频关系，通过下式表示判断准则：

判定频率f_j为F₁的

次倍频，round()运算表示四舍五入取整，再搜索(F₂,H₂)的各次倍频，并纪录下来；

当某次倍频位置有两个或以上的谱线都满足的门限α的检测准则，将满足的谱线进行比较，取误差最小的作为最后的谐波；

计算P个基频和对应的八次谐波的总能量，总能量最大的对应的基频目标的基频作为轴频估计结果。

优选地，所述步骤6中桨叶数估计具体为：构建螺旋桨DEMON谱谐波簇特征结构模板，计算机生成M级8阶模板，对模板进行初步分类，去除不存在的模板，形成初步的模板库；

对模板库的完整性以及不同模板之间的相似性进行分析；计算目标信号与模板结构的向量相似度Sim；

计算目标信号与模板结构的距离相似度Dis；样本与模板间的综合距离与余弦相似度和距离相似度有关，计算样本与模板间的综合距离，通过下式样本与模板间的综合距离C：

并由综合距离给出识别结果的置信度，得到桨叶数的估计结果。

本发明具有以下有益效果：

本发明适用于保持匀速直线运动、具有规则的三至七叶螺旋桨叶、且在矢量水听器工作频带内具有明显调制现象的目标，能够估计出其螺旋桨转速和叶片数信息。

本发明能够自主处理目标辐射噪声，提取目标的轴频、桨叶数信息并将算法流程在DSP上进行实现。

本发明的优点在于以上软件处理流程均在无人平台上实现，可以预先设定处理频带、门限值等参数，无需操作员手动调整。且通过在DSP上的实现，验证了算法的实时性和有效性。

附图说明

图1为适用于无人声纳的DEMON谱特征提取方法流程图；

图2为使用wavemenu对接收声压信号进行DB3小波分解原理图；

图3为去噪后的信号处理得到的Welch平均周期图；

图4为对平均周期图进行背景均衡处理后的DEMON谱图；

图5为DEMON谱提取后得到的谱线图；

图6为为了进行叶片数估计对DEMON谱进行预处理，得到的DEMON谱前八阶谐波归一化后的线图。

具体实施方式

以下结合具体实施例，对本发明进行了详细说明。

具体实施例一：

平面波条件下，矢量水听器接收到的声压和振速分别为：P_ori(t)，V_xori(t)，V_yori(t)

其中，n_cov(t)为螺旋桨空化噪声，n_p(t)、

和

为矢量水听器各分量接收的海洋环境噪声，m(t)为周期调制函数。

如图1所示，本发明包括：小波去噪、带通滤波、乘法检波、去直流、低通滤波、平均周期图处理、背景均衡、线谱提取、轴频估计、桨叶数估计、DSP实现；

如图1至图6所示，本发明提供一种适用于无人声纳的DEMON谱特征提取方法，包括以下步骤：

一种适用于无人声纳的DEMON谱特征提取方法，包括以下步骤：

步骤1：采用小波去噪技术，降低待处理信号中噪声影响；

所述步骤1具体为：

步骤1.1：采用Mallat算法去噪，选择Daubechies小波基的DB3小波，对接收信号分别进行三层小波分解，确定小波变换的低通滤波器和小波变换的高通滤波器，通过下式表示小波变换的低通滤波器和小波变换的高通滤波器：得到小波分解系数：

h(z)＝h_-2z²+h_-1z+h₀+h₁z^-1+h₂z^-2+h₃z^-3

g(z)＝-h₃z²+h₂z-h₁+h₀z^-1-h_-1z^-2+h_-2z^-3

其中，h(z)为小波变换的低通滤波器，g(z)为小波变换的高通滤波器，z为小波系数；

得到小波分解系数，通过下式表示小波分解系数：

h_-2＝0.333，h_-1＝0.807，h₀＝0.459，h₁＝-0.135，h₂＝-0.085，h₃＝0.035；

步骤1.2：对分解得到的小波系数进行软阈值处理，通过下式表示软阈值函数：

其中，w_λ为去噪后的小波系数，w为去噪前的小波系数；

对软阈值函数采用了极大极小阈值，通过下式表示极大极小阈值λ：

其中，N为数据长度；

对阈值处理后的小波系数进行重构，得到降噪后的信号。

步骤2：将降噪后的信号通过带通滤波器滤波，提取滤波后的频段信号；

所述步骤2具体为：对降噪后的信号进行带通滤波处理，提取滤波后的频段信号，通过下式表示滤波后的频段信号：

p_band(t)＝filter_bandpass(p)

v_xband(t)＝filter_bandpass(v_x)

v_yband(t)＝filter_bandpass(v_y)

其中，p_band(t)为滤波后的p通道数据，v_xband(t)为滤波后的x通道数据，v_yband(t)为滤波后的y通道数据，v_y为降噪后的y通道数据，p为降噪后的p通道数据，v_x为降噪后的x通道数据；；

步骤3：根据滤波后的频段信号，进行调制谱检测，进行去信号直流操作，并通过低通滤波器，完成包络检测，得到解调后的信号；

所述步骤3具体为：根据滤波后的频段信号，进行调制谱检测，进行去信号直流操作，并通过低通滤波器，完成包络检测，得到解调后的信号；

根据滤波后的频段信号，使用声能流处理降低噪声对调制谱检测的影响，在二维水平面内，通过下式表示声能流：

其中，I_x/y(t)为声能流，p(t)为降噪后的信号，p_band(t)为滤波后的p通道数据，v_xband/yband(t)为滤波后的x/y通道数据，n_p(t)和

为各向同性噪声干扰；

采用了乘法检波，通过下式表示乘法检波：

I_px(t)＝p_band(t)·v_xband(t)

其中，I_px(t)为处理后的声能流

进行去信号直流操作，通过下式表示信号直流操作：

I_d(t)＝I_px(t)-mean(I_px(t))

其中，mean()表示去均值操作；

对去直流后的信号I_d(t)进行低通滤波处理，完成包络检测，得到解调后的信号，通过下式表示解调后的信号S(t)：

S(t)＝filter_lowpass(I_d(t))。

步骤4：对解调后的信号进行傅里叶变换，并进行平均周期图谱估计，得到DEMON线谱；

所述步骤4具体为：对解调后的信号进行傅里叶变换，通过Welch平均周期图处理进行平均周期图谱估计，选择长度为12.8s或25.6s的矩形窗，窗长度选择2的整数次幂采样点，当窗长为12.8s时，处理后的DEMON谱分辨率为0.08Hz；当窗长为25.6s时，处理后的DEMON谱分辨率约为0.04Hz；

Welch周期图处理选择了窗长为25.6s的矩形窗，窗重合率为50％，此时得到的DEMON谱S_welch(n)分辨率为0.04Hz；

选择了双向α滤波算法对平均周期图处理后的信号S_welch(n)做背景均衡处理，确定α滤波器的输出，通过下式表示α滤波器的输出

确定α逆滤波器的输出，通过下式表示α逆滤波器的输出

其中，自适应阈值为

c为常数，k选值为10，α选值为0.1；

得到估计的DEMON线谱，通过下式表示估计的DEMON线谱S_back(n)：

S_back(n)＝S_welch(n)-S_con(n)

其中，S_con(n)为连续估计谱。

步骤5：根据得到的DEMON线谱，基于门限准则自主提取线谱；

所述步骤5具体为：根据得到的DEMON线谱，基于门限准则自主提取线谱，所述门限准则包括峰值门限、斜率门限和峰宽门限，同时满足三种门限是，提取所需的调制线谱。

斜率门限：边界的斜率应超过一定的门限。

计算谱S_back(n)在各采样点的斜率：D(n)＝P(n+1)-P(n)，斜率D(n)大于斜率门限slope，将将此点记为1；斜率小于-slope，将此点记为2。如不满足，将该点记为0。

峰宽门限：如1在2左侧，且二者中间仅有0出现，则将这两个点之间构成的谱线当作疑似线谱，考虑其是否满足峰宽门限，这两个点被称为疑似左右边界点。

峰宽门限：找到线谱的疑似左右边界点，左右边界点的宽度应小于某一门限。峰宽门限设为width。若疑似左右边界点间包含的数字0不超过width，则认为该条线谱通过峰宽门限，考虑其是否满足峰值门限。

峰值门限：幅度应超过某一门限。峰值门限设为value，若上述疑似线谱峰值大于value，则判定该条线谱通过峰值门限。

得到最终提取后的DEMON谱S_dt(n)。

步骤6：根据基于门限准则自主提取后的线谱，进行轴频估计，并进行桨叶数估计。

所述步骤6中根据基于门限准则自主提取后的线谱，进行轴频估计具体为：根据基于门限准则自主提取后的线谱，采用了倍频估计算法估计提取后的DEMON谱的轴频，确定可疑基频个数P，将P根线谱进行从小到大频率排序为F_j，对应的幅度为H_j,j＝1,2,...P

谱线中频率最小的(F₁,H₁)开始，搜索所有的疑似线谱簇，根据判决门限α判断是否满足倍频关系，通过下式表示判断准则：

判定频率f_j为F₁的

次倍频，round()运算表示四舍五入取整，再搜索(F₂,H₂)的各次倍频，并纪录下来；

当某次倍频位置有两个或以上的谱线都满足的门限α的检测准则，将满足的谱线进行比较，取误差最小的作为最后的谐波；

计算P个基频和对应的八次谐波的总能量，总能量最大的对应的基频目标的基频作为轴频估计结果。

优选地，所述步骤6中桨叶数估计具体为：构建螺旋桨DEMON谱谐波簇特征结构模板，计算机生成M级8阶模板，对模板进行初步分类，去除不存在的模板，形成初步的模板库；

对模板库的完整性以及不同模板之间的相似性进行分析；计算目标信号与模板结构的向量相似度Sim；

计算目标信号与模板结构的距离相似度Dis；样本与模板间的综合距离与余弦相似度和距离相似度有关，计算样本与模板间的综合距离，通过下式样本与模板间的综合距离C：

并由综合距离给出识别结果的置信度，得到桨叶数的估计结果。

本发明使用DSP系统作为DEMON谱检测系统的试验平台，通过它检测DEMON谱检测系统算法的实时性与有效性，编写和改进信号处理算法。兼顾通用性，本发明采用了一款基于TI公司的8核DSP处理板TMS320C6678。

TMS320C6678信号处理芯片采用的是Key Stone架构。需要不同模块间的相互通信，以及各任务间的合理调度，来达到实时处理的需求，故采用SYS/BIOS操作系统开软件，SYS/BIOS操作系统可最大限度的减少对内存和CPU的要求。

软件平台主要划分为4大模块，分别为：网络数据传输模块、接收信号预处理模块、调制谱处理模块、核间通信模块。

1、网络数据传输模块：

网络数据传输模块由0核负责，主要完成与显控平台和CRIO平台进行数据交互的工作。该模块是通过TI公司提供的NDK(Network Development Kit)网络开发套件实现的。

首先初始化协议栈，包括：(1)调用NC_SystemQpen()函数，对系统环境进行初始化处理。(2)然后调用CfgNew()函数，得到新的待配置文件，此时该配置文件为空，通过CfgAddEntry()函数和CfgLoad()函数对其配置或重新装载。(3)调用NC_NetStart()启动配置好的协议栈，产生一个新的、可以实现网络要求的任务线程。(4)当网络线程任务执行完成时，调用CfgFree()函数，并释放CfgNew()函数之前创建的匹配句柄。(5)待资源全部释放，通过NC_SystemClose()函数关闭系统。

2、调制谱处理模块：

本模块是整个软件的核心部分，任务量庞大，所以分配了核1至核6并行运算。每个核内该模块的算法设计和任务线程是一样的，唯一的区别是在核1的预处理后，根据CoreID分配了不同扫描角度的信号。

下面以核1的工作流程为例，介绍该模块的设计思想。DSP启动时，核间同步由IPC(Inter-Process Communication)模块实现。若无操作，核1将进入空线程运行状态。当核0向核1发送指令或数据时，核1将根据信号量的不同进入到对应的处理任务内。如果是指令，释放信号量Sem1，则进入解指令与回复指令的任务内。如果是数据，释放信号量Sem2，则进入数据处理任务内，进行数据搬移和根据CoreID进行初始信号加载，然后进行信号解调、平均周期图处理、背景均衡、线谱提取、轴叶频估计等一系列数据处理。

本发明在平均周期图处理过程中使用了TI公司提供的FFT库函数，这是一种高度优化的函数，可以在很大程度上减小运算量。

3、信息汇总挑选模块

信息汇总挑选模块由核7完成，本模块需要汇总核1至核6上传的数据，即不同角度目标的轴频、桨叶数信息，并排查出其中具有明显异常的数据。

核7启动后，进入idle线程。当核1至核6通过IPC向核7发送IPC中断后，核7会根据不同的信号量Sem去对应的共享内存区取出信息，进行挑选。

4、核间通信模块

多核DSP的应用开发通过多核的协同工作，以达到高效的信号处理。系统启动后，先要完成8个核的同步。核0通过网口接收CRIO平台的多路数据，然后通过核间中断的方式通知核1至核6数据已经准备好，核1至核6从共享内存中依次拷贝所需目标数据，完成信号检测与参数估计后再通过核间中断通知核7处理完毕，核7按照预先规定的地址，读取6个核的处理结果并汇总，排除明显异常的数据后将结果通过核0进行上传。

以上所述仅是一种适用于无人声纳的DEMON谱特征提取方法的优选实施方式，一种适用于无人声纳的DEMON谱特征提取方法的保护范围并不仅局限于上述实施例，凡属于该思路下的技术方案均属于本发明的保护范围。应当指出，对于本领域的技术人员来说，在不脱离本发明原理前提下的若干改进和变化，这些改进和变化也应视为本发明的保护范围。

Claims (8)

1.一种适用于无人声纳的DEMON谱特征提取方法，其特征是：包括以下步骤：

步骤1：采用小波去噪技术，降低待处理信号中噪声影响；

步骤2：将降噪后的信号通过带通滤波器滤波，提取滤波后的频段信号；

步骤3：根据滤波后的频段信号，进行调制谱检测，进行去信号直流操作，并通过低通滤波器，完成包络检测，得到解调后的信号；

步骤4：对解调后的信号进行傅里叶变换，并进行平均周期图谱估计，得到DEMON线谱；

步骤5：根据得到的DEMON线谱，基于门限准则自主提取线谱；

步骤6：根据基于门限准则自主提取后的线谱，进行轴频估计，并进行桨叶数估计。

2.根据权利要求1所述的一种适用于无人声纳的DEMON谱特征提取方法，其特征是：所述步骤1具体为：

步骤1.1：采用Mallat算法去噪，选择Daubechies小波基的DB3小波，对接收信号分别进行三层小波分解，确定小波变换的低通滤波器和小波变换的高通滤波器，通过下式表示小波变换的低通滤波器和小波变换的高通滤波器：得到小波分解系数：

h(z)＝h_-2z²+h_-1z+h₀+h₁z^-1+h₂z^-2+h₃z^-3

g(z)＝-h₃z²+h₂z-h₁+h₀z^-1-h_-1z^-2+h_-2z^-3

其中，h(z)为小波变换的低通滤波器，g(z)为小波变换的高通滤波器，z为小波系数；

得到小波分解系数，通过下式表示小波分解系数：

h_-2＝0.333，h_-1＝0.807，h₀＝0.459，h₁＝-0.135，h₂＝-0.085，h₃＝0.035；

步骤1.2：对分解得到的小波系数进行软阈值处理，通过下式表示软阈值函数：

其中，w_λ为去噪后的小波系数，w为去噪前的小波系数；

对软阈值函数采用了极大极小阈值，通过下式表示极大极小阈值λ：

其中，N为数据长度；

对阈值处理后的小波系数进行重构，得到降噪后的信号。

3.根据权利要求1所述的一种适用于无人声纳的DEMON谱特征提取方法，其特征是：所述步骤2具体为：对降噪后的信号进行带通滤波处理，提取滤波后的频段信号，通过下式表示滤波后的频段信号：

p_band(t)＝filter_bandpass(p)

v_xband(t)＝filter_bandpass(v_x)

v_yband(t)＝filter_bandpass(v_y)

其中，p_band(t)为滤波后的p通道数据，v_xband(t)为滤波后的x通道数据，v_yband(t)为滤波后的y通道数据，v_y为降噪后的y通道数据，p为降噪后的p通道数据，v_x为降噪后的x通道数据。

4.根据权利要求1所述的一种适用于无人声纳的DEMON谱特征提取方法，其特征是：所述步骤3具体为：根据滤波后的频段信号，进行调制谱检测，进行去信号直流操作，并通过低通滤波器，完成包络检测，得到解调后的信号；

根据滤波后的频段信号，使用声能流处理降低噪声对调制谱检测的影响，在二维水平面内，通过下式表示声能流：

其中，

为声能流，p_band(t)为滤波后的p通道数据，v_xband/yband(t)为滤波后的x/y通道数据，n_p(t)和

为各向同性噪声干扰；

采用了乘法检波，通过下式表示乘法检波：

I_px(t)＝p_band(t)·v_xband(t)

其中，I_px(t)为处理后的声能流；

进行去信号直流操作，通过下式表示信号直流操作：

I_d(t)＝I_px(t)-mean(I_px(t))

其中，mean()表示去均值操作；

对去直流后的信号I_d(t)进行低通滤波处理，完成包络检测，得到解调后的信号，通过下式表示解调后的信号S(t)：

S(t)＝filter_lowpass(I_d(t))。

5.根据权利要求1所述的一种适用于无人声纳的DEMON谱特征提取方法，其特征是：所述步骤4具体为：对解调后的信号进行傅里叶变换，通过Welch平均周期图处理进行平均周期图谱估计，选择长度为12.8s或25.6s的矩形窗，窗长度选择2的整数次幂采样点，当窗长为12.8s时，处理后的DEMON谱分辨率为0.08Hz；当窗长为25.6s时，处理后的DEMON谱分辨率约为0.04Hz；

Welch周期图处理选择了窗长为25.6s的矩形窗，窗重合率为50％，此时得到的DEMON谱S_welch(n)分辨率为0.04Hz；

选择了双向α滤波算法对平均周期图处理后的信号S_welch(n)做背景均衡处理，确定α滤波器的输出，通过下式表示α滤波器的输出

确定α逆滤波器的输出，通过下式表示α逆滤波器的输出

其中，自适应阈值为

c为常数，k选值为10，α选值为0.1；

得到估计的DEMON线谱，通过下式表示估计的DEMON线谱S_back(n)：

S_back(n)＝S_welch(n)-S_con(n)

其中，S_con(n)为连续估计谱。

6.根据权利要求1所述的一种适用于无人声纳的DEMON谱特征提取方法，其特征是：所述步骤5具体为：根据得到的DEMON线谱，基于门限准则自主提取线谱，所述门限准则包括峰值门限、斜率门限和峰宽门限，同时满足三种门限是，提取所需的调制线谱。

7.根据权利要求1所述的一种适用于无人声纳的DEMON谱特征提取方法，其特征是：

所述步骤6中根据基于门限准则自主提取后的线谱，进行轴频估计具体为：根据基于门限准则自主提取后的线谱，采用了倍频估计算法估计提取后的DEMON谱的轴频，确定可疑基频个数P，将P根线谱进行从小到大频率排序为F_j，对应的幅度为H_j,j＝1,2,...P

谱线中频率最小的(F₁,H₁)开始，搜索所有的疑似线谱簇，根据判决门限α判断是否满足倍频关系，通过下式表示判断准则：

判定频率f_j为F₁的

次倍频，round()运算表示四舍五入取整，再搜索(F₂,H₂)的各次倍频，并纪录下来；

当某次倍频位置有两个或以上的谱线都满足的门限α的检测准则，将满足的谱线进行比较，取误差最小的作为最后的谐波；

计算P个基频和对应的八次谐波的总能量，总能量最大的对应的基频目标的基频作为轴频估计结果。

8.根据权利要求1所述的一种适用于无人声纳的DEMON谱特征提取方法，其特征是：

所述步骤6中桨叶数估计具体为：构建螺旋桨DEMON谱谐波簇特征结构模板，计算机生成M级8阶模板，对模板进行初步分类，去除不存在的模板，形成初步的模板库；

对模板库的完整性以及不同模板之间的相似性进行分析；计算目标信号与模板结构的向量相似度Sim；

计算目标信号与模板结构的距离相似度Dis；样本与模板间的综合距离与余弦相似度和距离相似度有关，计算样本与模板间的综合距离，通过下式样本与模板间的综合距离C：

并由综合距离给出识别结果的置信度，得到桨叶数的估计结果。

Images