水中目標新型被動檢測理論及方法檢視原始碼討論檢視歷史

《水中目標新型被動檢測理論及方法》，胡橋 著，出版社： 科學出版社。

科學出版社是中國最大的綜合性科技出版機構，由前中國科學院編譯局與1930年代創建的有較大影響的龍門聯合書局合併而來。科學出版社比鄰皇城根遺址公園，是一個歷史悠久、力量雄厚，以出版學術書刊為主的開放式出版社。

內容簡介

《水中目標新型被動檢測理論及方法》圍繞水中目標新型被動檢測理論及方法，從水聲目標信號與噪聲特性、新型水聲信號處理算法、水中目標被動檢測模型、水中目標智能被動檢測理論及水中目標混合智能識別五個方面進行研究並將相關成果進行總結，可為水下機器人、水下航行器的目標智能探測與識別提供堅實的理論支持，對海洋裝備智能探測與識別等性能的提升具有重要意義。

目錄

叢書前言一

叢書前言二

前言

1 緒論 1

1.1 水中目標被動檢測的意義 1

1.2 國內外研究綜述 2

1.2.1 水聲信號處理和特徵提取 4

1.2.2 水聲目標被動檢測技術及應用 7

1.2.3 水中目標新型被動檢測技術的提出 11

1.3 本書的研究意義和主要內容 12

1.3.1 本書的研究意義 12

1.3.2 本書研究的主要內容 14

1.4 本書章節安排 14

參考文獻 16

2 水聲目標信號與噪聲特性 22

2.1 引言 22

2.2 水聲信號的統計特性分析 23

2.3 水聲目標的輻射噪聲特性分析 25

2.3.1 艦船輻射噪聲的時域和頻域統計特徵 25

2.3.2 艦船輻射噪聲的頻譜及其調製特性 28

2.3.3 水下航行器輻射噪聲的時域和頻域統計特徵 31

2.3.4 水下航行器輻射噪聲的頻譜及其調製特性 32

2.4 水下航行器的自噪聲特性分析 34

2.4.1 自噪聲的時域和頻域統計特徵 34

2.4.2 自噪聲的頻譜及其調製特性 35

2.5 水聲目標的輻射噪聲模型和水下航行器自噪聲模型 36

2.5.1 艦船輻射噪聲模型 36

2.5.2 水下航行器輻射噪聲模型 41

2.5.3 水下航行器自噪聲模型 44

2.6 小結 46

參考文獻 47

3 新型水聲信號處理算法 48

3.1 引言 48

3.2 基於高階統計量的非高斯水聲信號分析 50

3.2.1 高階譜及其切片譜分析 50

3.2.2 線譜特徵提取 52

3.3 基於第二代小波變換的非平穩水聲信號分析 52

3.3.1 第二代小波變換的基本原理 52

3.3.2 第二代小波變換濾波分析 54

3.3.3 水中目標的分頻帶能量觀測 59

3.4 基於經驗模式分解的非線性水聲信號分析 60

3.4.1 經驗模式分解的基本原理 60

3.4.2 一種新的端點效應解決方案 61

3.4.3 一種新的模態混疊解決方案 64

3.4.4 輻射噪聲的特徵提取研究 66

3.5 集成信號處理方法的水聲信號分析 70

3.5.1 集成多個經驗模式分解的特徵提取研究 70

3.5.2 集成第二代小波變換和經驗模式分解的特徵提取研究 75

3.6 基於變分模態分解的非線性水聲信號分析 79

3.6.1 變分模態分解的基本原理 79

3.6.2 變分模態分解參數制定解決方案 81

3.6.3 基於變分模態分解的輻射噪聲特徵提取研究 84

3.7 小結 87

參考文獻 88

4 水中目標被動檢測模型 90

4.1 引言 90

4.2 常規的被動檢測模型及其實驗分析 91

4.2.1 能量檢測模型 92

4.2.2 過零率檢測模型 93

4.2.3 線譜檢測模型 94

4.2.4 仿真性能分析 95

4.2.5 實驗分析 96

4.3 新型的被動檢測模型及其實驗分析 98

4.3.1 集成被動檢測模型 98

4.3.2 基於經驗模式能量熵的被動檢測模型 103

4.3.3 基於第二代小波包近似熵的被動檢測模型 107

4.3.4 基於時頻分析的被動檢測模型 112

4.4 被動檢測模型應用研究 117

4.5 小結 121

參考文獻 122

5 水中目標智能被動檢測理論 124

5.1 引言 124

5.2 特徵提取與特徵選擇技術 126

5.2.1 特徵提取 126

5.2.2 特徵選擇 127

5.3 支持向量數據描述的基本原理 128

5.4 基於組合支持向量數據描述的被動檢測模型 131

5.4.1 被動檢測模型構建 131

5.4.2 應用研究 133

5.5 基於模糊支持向量數據描述的被動檢測模型 134

5.5.1 模糊支持向量數據描述原理 134

5.5.2 被動檢測模型構建 135

5.5.3 應用研究 137

5.6 小結 139

參考文獻 140

6 水中目標混合智能識別研究 142

6.1 引言 142

6.2 集成支持向量機原理 144

6.2.1 基於常規組合的集成支持向量機 144

6.2.2 基於AdaBoost算法的集成支持向量機 145

6.2.3 基於Bagging算法的可選擇集成支持向量機 148

6.3 水中目標混合智能識別框架 151

6.4 基於常規組合的集成支持向量機的實驗分析 151

6.4.1 艦船輻射噪聲數據集 151

6.4.2 常規組合的集成支持向量集與傳統分類器的分類性能比較 154

6.4.3 特徵選擇對分類性能的影響 155

6.5 基於AdaBoost算法和Bagging算法的集成支持向量機的實驗分析 156

6.5.1 水中目標輻射噪聲數據集 156

6.5.2 針對不同集成數目的智能分類器性能比較 158

6.5.3 不同的特徵數目對分類結果的影響 158

6.5.4 集成支持向量機與支持向量機的泛化性能比較 160

6.5.5 討論 161

6.6 深度學習目標分類 161

6.6.1 二維時頻譜圖 162

6.6.2 深度學習模型 163

6.6.3 二維時頻譜圖與深度學習相結合的目標分類識別分析 165

6.7 小結 169

參考文獻 170