一、一种改进的最大熵方法在船舶辐射噪声盲分离中的应用（论文文献综述）
姚家驰[1]（2019）在《内燃机辐射噪声分离方法及活塞敲击噪声的定量评估研究》文中指出噪声源分离识别技术是内燃机噪声研究领域的重点和热点。活塞敲击噪声和燃烧噪声作为内燃机的主要噪声源都发生在上止点附近,它们在时域和频域混叠在一起,因此,难以对其进行准确有效的分离识别和评估。文中通过研究内燃机单通道噪声源盲分离算法和活塞敲击噪声计算方法以及燃烧噪声获取方法解决活塞敲击噪声和燃烧噪声的分离识别及定量评估问题,主要内容包括:（1）在轮机综合机舱中设计并搭建内燃机单通道辐射噪声试验获取平台,用基于三层包裹覆盖方式的铅覆盖屏蔽法隔离六缸内燃机中五个缸产生的噪声,并在内燃机周围搭建吸声尖劈板消除内燃机周围其他机械设备及舱壁产生的反射声影响,通过试验测量内燃机不同试验工况下不同典型位置处的单缸辐射噪声,为后续的计算提供优质的试验数据。（2）为了解决单通道分离算法中存在的欠定盲源分离问题,研究人耳听觉Gammatone滤波器组模型,设计适合内燃机噪声源分离识别的Gammatone滤波器组,并结合独立分量分析算法,提出基于人耳听觉模型的单通道Gammatone-RobustICA噪声源分离算法,用Gammatone-RobustICA算法分离识别内燃机不同工况、不同典型位置处的噪声源,通过研究发现该算法对活塞敲击噪声的分离效果好,对燃烧噪声的分离效果有待提高。（3）研究数据分解模型,针对VMD算法分解非平稳内燃机辐射噪声信号时存在的欠分解和过分解问题,提出模态数最优变分模态分解算法,并提出适合内燃机噪声源分离的基于数据分解模型的单通道MNOVMD-RobustICA噪声源分离算法,用该算法对内燃机五种不同工况六个不同典型位置处的噪声源进行分离,通过研究发现该算法能够很好的分离活塞敲击噪声和燃烧噪声。（4）研究基于动力学分析的活塞敲击噪声计算方法。通过分析活塞在缸套内的轴向往复运动和横向倾斜运动,得到活塞在缸套内运动的动力学方程,继而考虑活塞裙部和缸套间润滑油膜对活塞运动的影响,进一步地得到耦合雷诺方程的活塞动力学方程,通过该方程计算得到活塞敲击缸套内壁产生的振动噪声,然后研究缸套内壁处的振动噪声通过机体结构的衰减情况,计算得到内燃机向外辐射的活塞敲击噪声,并对Gammatone-RobustICA算法和MNOVMD-RobustICA算法分离提取的活塞敲击噪声进行定量评估。（5）研究内燃机燃烧噪声的产生机理,采用频谱滤波法获取燃烧噪声,并与所研究提出的单通道盲分离算法分离的燃烧噪声进行比较,分析发现基于MNOVMD-RobustICA算法分离的燃烧噪声比Gammatone-RobustICA算法分离的燃烧噪声所含的干扰噪声少,其原因是Gammatone滤波器组在高频部分带宽稀疏,分解精度不如MNOVMD算法。
胡亭亭[2]（2019）在《基于盲源分离技术的惯性测量信号分离方法研究》文中认为运动载体光电跟踪系统广泛应用在监控搜索、靶场测量、激光通信中,它的基本原理是依靠CCD传感器测量的脱靶量信息使目标尽可能的保证在视轴中心,但由于外界干扰、载体振动的影响,载体的稳定能力是不够的,需要额外的惯性传感器辅助稳定,其测量信号是包含了目标跟踪信号、载体扰动信号、测量噪声的混合信号,通过跟踪系统对扰动闭环抑制能力来隔离扰动。但是当载体扰动剧烈时,仍然无法实现系统视轴的高精度稳定。为了在源头上克服扰动的影响,本文将借助信号处理的方式,把混合测量信号的各组成信号单独分离出来,然后结合控制的方式分别对载体扰动信号和噪声进行单独控制,进而消除扰动对系统的影响,提高运动载体光电跟踪系统的扰动抑制精度。目前对混合惯性测量信号的处理方法主要集中在信号消噪方面,一般方法是通过信号滤波提取有用信号。但该方法无法对混合惯性测量信号中的各组成信号进行同时分离,且该方法需要依赖信号的先验知识建立模型和设置参数,自适应性差。盲源分离算法则可以在组成信号的模型未知,组成信号的传输通道参数也未知的情况下,只通过混合的惯性测量信号同时恢复出信号中的各组成信号,更适合用于处理系统中先验知识未知的复杂惯性测量信号。于是,本文采用盲源分离方法,对混合信号中的目标跟踪信号、载体扰动信号和噪声信号进行同时、单独的分离。针对光电跟踪系统中惯性测量信号数目不足,不满足盲源分离假设条件的问题,本文基于过采样和局部均值分解,提出了两种通道重构盲分离方法,通过多通道重构的方式将单路的惯性测量信号转换为多路信号,再进行盲源分离处理,恢复出信号中的多路组成信号。通过不含噪声的实测惯性测量信号分别对这两种方法进行仿真,结果表明,两种方法都能实现混合信号中目标跟踪信号和载体扰动信号的分离。搭建实验平台对通道重构盲分离方法的有效性进行验证,在平台中分别添加目标跟踪信号和载体扰动信号,采用基于过采样的惯性测量信号盲分离方法,对平台输出的混合FOG信号进行分离,得到的2个分离信号与2个添加信号的相关系数为0.9327、0.9976,且分离信号间频谱混叠程度低,分离结果准确,并将实验结果与小波滤波方法结果进行对比分析,结果表明通道重构盲分离方法相对于小波滤波方法具有更好的分离效果。当系统使用的惯性传感器精度不高时,惯性测量信号由3路信号混合组成:目标跟踪信号、载体扰动信号、噪声信号。针对目前没有成熟的算法对混合惯性测量信号中多路组成信号进行同时分离的问题,提出一种多源惯性测量信号精细盲分离方法,对惯性测量信号中的3路组成信号进行单独分离。本文通过合成信号仿真验证了该方法的有效性,并将该方法的合成信号仿真结果与EEMDICA方法、小波滤波方法结果进行对比分析,本方法得到的组成信号与分离信号间相关系数为0.8712、0.9716、0.9994,EEMDICA方法得到的结果为0.7987、0.9379、0.9474,小波滤波方法为0.8133、0.5829、0.7697,本方法得到的相关系数更高,分离结果更好,另外,本文通过实测数据仿真和平台实验,验证了该方法的可实现性。
谢加武[3]（2019）在《基于深度学习的水下声源分离技术研究》文中进行了进一步梳理运用源分离技术不仅可以分离出多个目标信号,还能降低噪声对目标信号的干扰,从而提高被动声呐系统的接收精度和可靠性。因此,研究水声源分离技术有着重要的现实意义。本文首先对传统水声分离的研究过程做深入了解,并通过仿真对传统系统模型进行验证选择,以便为深度学习技术的应用选择合适的系统模型。对正定、超正定模型下的快速独立分量（Fast Independent Component Analysis,FastICA）算法、联合对角化（Joint Approximate Diagonalization of Eigenmatrices,JADE）算法使用舰船辐射噪声仿真信号进行性能分析和对比,仿真结果表明:性能相似,其中,无噪情况下相似系数分别能达到0.94和0.95。对欠定模型下的二值时频掩蔽方法使用线性调频（Linear Frequency Modulation,LFM）信号进行仿真分析,在无噪情况下相似系数达到0.9。源数目估计是源分离的前提条件,于是通过仿真对比了赤池信息准则（Akaike Information Criterion,AIC）、最小描述长度（Minimum Description Length,MDL）、盖尔源圆盘法（Gerschgorin Disk Estimation,GDE）三种估计源数目的方法,仿真结果表明:高信噪比（Signal-to-Noise Ratio,SNR）下MDL、GDE能达到对源数目的一致性估计,准确率几乎为1,而AIC则存在过估计问题。通过对上述仿真结果的分析与对比,本文选择二值时频掩蔽系统模型。由于二值时频掩蔽依赖于聚类特征向量,本文利用深度神经网络将每个时频点嵌入到高维空间,从样本中根据能量主导产生区分特征用于聚类。然后依次选择循环神经网络（Recurrent Neural Network,RNN）、长短期记忆网络（Long Short Term Memory,LSTM）、双向长短期记忆网络（Bidirectional Long Short Term Memory,BiLSTM）作为深度模型,并使用三种实测水声数据进行训练,实验结果表明:使用BiLSTM能有效地分离任意类型组成的混合源,且相似系数可达到0.97。更进一步地,在多种信噪比情况下与传统时频掩蔽方法作对比,虽然应用了深度学习技术之后性能有所提升,但受到噪声影响分离结果都较差。然而实验发现增加聚类数目可以解决未知噪声的影响。为了进一步提高被动声呐的识别能力,同样将深度学习技术应用于识别过程的特征提取。本文使用深度玻尔兹曼机（Deep Boltzmann Machine,DBM）在水声目标信号的原始时频特征上进行特征提取,并设置了三种实验验证方法的性能:（1）先调整不同的结构参数作对比,DBM在隐藏层结构为200-50-20下能达到91%的识别率;（2）相同结构下与多层感知机（Multi-Layer Perceptron,MLP）以及深信网络（Deep Belief Network,DBN）作对比,DBM表现更好;（3）将学习到的特征与线谱、波形结构特征、梅尔倒谱系数特征（Mel Frequency Cepstral Coefficient,MFCC）在相同分类器下作对比。实验结果表明:使用DBM提取到的特征比起人工特征能达到更高的识别率。
王强[4]（2018）在《基于深度学习理论的水声目标识别方法研究》文中研究指明目标识别是水声探测的重要任务之一,也是水声信号处理领域的难题。利用各种信号分析处理手段提取特征,再结合模式识别方法设计分类器对目标类别属性进行判断,这是现有研究常用的方法。在面向实用时,这类方法尚难以解决训练-测试失配和样本类别缺失等问题。为了解决上述问题,本文分别从特征提取、识别方法以及构建联合优化系统三个方面进行研究。基于深度学习、因子分析、生成式概率建模等理论提出了特征学习及增强方法,分别针对有、无样本类别信息情况开展了有监督识别和无监督聚类方法研究,并通过对三个实测水声数据集的实验研究,证明了本文方法的有效性。本文主要工作包括:1)提出谱乘法及因子分析方法用于增强传统目标特征特征容易受到多种工况影响是训练-测试失配问题产生的原因之一。本文在信号级提出一种谱乘法用于增强目标特征,用于实测噪声环境下提取鲁棒特征。本文还提出利用因子分析方法提取不同时刻水声信号共有特征进而提高鲁棒性的方法。这两种方法的有效性分别在有监督的目标识别和无监督聚类系统中得到了验证。2)提出对不同数据集具有适应性的深度学习特征提取方法选择适用于当前数据集的特征是水声目标识别的重要问题。以往研究中提取的多种特征对不同数据集的测试性能差异很大。本文从深度学习角度,基于数据集自动学习用于特征提取的底层神经网络参数,提取出最有可能表达出当前数据集信息的特征。实验表明,这种学习策略可以有效地提高特征在不同数据集上的鲁棒性。3)研究堆叠神经网络在水声目标识别中的应用本文将能够对新数据进行不断训练的深度学习方法引入到水声目标识别问题中,研究这类方法在水声目标识别系统中的性能。实验表明,这些方法既继承了深度学习特征对不同数据集的鲁棒性特点,不弱于组合了最优特征和分类器的传统方法,又能在原有堆叠深度学习特征和分类器的基础上进一步提高系统整体性能。4)提出新的卷积神经网络架构用于水声目标识别本文提出了一种用于水声目标信号的卷积神经网络架构,实现了从信号波形到信号类别的直接映射关系。对卷积核施加均值为零的约束、L2正则化约束以及正交化约束,以提升卷积神经网络的性能。实验结果表明,该方法能够显着地提升识别性能。5)基于传统特征及深度学习特征的无监督水声目标聚类方法研究本文面对水声数据集类别信息缺失问题提出的挑战,对水声数据聚类方法进行了研究:1)引入k-means和高斯混合模型（GMM）用于分析无类别信息数据集;2)引入基于Dirichlet过程的GMM（DP-GMM）聚类方法,用于解决类别数目估计的问题;3)测试了多种特征和聚类方法的组合在水声数据集上的性能。结果显示,与有监督目标识别任务相似,深度学习特征在不同数据集上聚类性能也更加稳健。6)特征提取和识别/聚类一体化系统构建方法研究本文区分有监督识别和无监督聚类,分别提出了构建一体化系统的方法。在有监督识别中,构建了不同的深度神经网络,通过底层网络实现对水声信号特征提取,然后通过softmax层连接到输出的类别信息层。实验表明,这些深度神经网络能够通过整体优化策略进一步提高性能。在无监督聚类中,基于图模型架构,提出一种深度生成式聚类方法,并提出相应的联合优化算法实现了目标特征提取以及聚类方法的融合。该方法通过Gibbs采样进行学习优化,构建了一套能够直接从目标信号底层信息中提取特征并进行聚类分析的一体化系统。在不同数据集上通过与其他聚类方法进行对比,证明了一体化系统具有更好的性能。
程星[5]（2018）在《低信噪比水声信标信号处理方法研究及试验》文中认为黑匣子是空难事故中最为重要的数据记录仪器,能否找到黑匣子已成为解开航班失踪之谜的关键性问题。黑匣子中安装了水声信标,需用水声信号处理方法对其发出的水声信号进行检测识别与定位。然而信号会被海洋环境背景噪声淹没而难以识别,加上海洋的传播损失会使信号在长距离传播过程中严重衰减,这些因素使得傅里叶变换、小波变换等现有的水声信号处理方法难以识别远距离、低信噪比情况下的水声信标信号。因此本文提出了一种信号增强算法,可在不改变信号波形的情况下使源信号得到增强和放大,设计了一种水声信标信号处理系统并进行了试验研究。本文提出了一种基于随机减量技术的信号增强算法——错位叠加算法,分析了相邻脉冲的叠加和相同时间间隔的叠加这两种叠加方式,首先选取叠加起始点,并按照两种不同的叠加方式确定各截取信号段的长度;然后将各截取的信号段进行线性叠加,以完成对水声信标信号的提取。最后,对信号进行相关性分析和能量分析来判断截取信号的准确性。基于该信号增强算法,本文设计了一种水声信标信号处理系统,该系统主要由水听器、前置放大器、数字存储示波器、电路板、显示模块组成,其中电路板采用的是STM32系列的单片机。该系统通过检测四个位置的信号级,计算出四点传播距离,从而解算出水声信标信号的方位信息。试验过程中,采用不同的信号处理方法分别对采集的声信标信号进行处理,经过数据的对比分析,结果表明:错位叠加算法可使被关注信号的能量得到保持,噪声部分明显减弱;经过多次叠力加,合成信号与关注的正弦信号之间的相关性达到80%以上,提取效果显着优于其他方法。通过错位叠加算法提取的声信标信号波形准确性高,且方法简便易行。
陈晓屹[6]（2016）在《水声信号的盲源分离算法研究》文中指出为了提高被动声纳的检测能力,从盲源分离的理论及应用出发,对水声信号的盲分离问题进行了研究。结合已有的经典盲分离算法成果,以更符合水声实际的线性卷积混合模型为基础,从时域、频域等多个角度出发,提出了几类适用于水声信号的盲分离算法,并通过多种仿真数据及水池实验对算法的可行性和有效性进行了验证。论文的主要研究内容及创新点如下:1、研究了几种线性瞬时混合模型下经典的盲分离算法。首先介绍了盲源分离的三种数学模型:线性瞬时混合模型、线性卷积混合模型和非线性混合模型,其中线性瞬时混合模型下的盲分离问题是研究的基础。其次对盲分离问题的基本假设和固有的不确定性进行讨论。随后,重点介绍了几种经典的盲源分离算法,以及算法分离性能的评价准则。最后通过计算机仿真对基于瞬时混合模型的多种水声混合信号在不同条件（不同信噪比、信干比等）下的分离性能进行了测试,为后续线性卷积混合盲分离问题的研究奠定了基础。2、提出了一种二阶统计信息和波束形成相结合的水声信号盲分离算法。首先分析了窄带水声基阵接收信号的数学模型,指出水声信号符合盲分离问题中的卷积混合模型。随后对卷积混合模型下在时域、频域的盲分离思路及其优缺点分别进行讨论。接着,通过引入水声信号的非平稳特征,论文提出一种二阶统计信息和波束形成相结合的盲分离算法,在提高分离性能的同时,大大减小了算法的迭代次数。并且,可以依据多目标波束形成中的方位信息,与分离子信号的相关系数相结合,对输出信号在不同的频率子带进行排序,有效解决了频域盲分离算法的次序不确定性问题。最后通过计算机仿真对算法在不同信噪比情况下的分离性能及其对弱目标的提取能力分别进行了验证。3、提出了一种欠定条件下的水声信号盲分离算法。当接收传感器数目少于源信号数目时,基于独立分量分析的盲分离算法均无法对信号进行分离,欠定条件下的盲分离算法通常基于信号在时频域的稀疏特性,通过对属于同一信号的特征进行聚类实现源信号的分离。根据聚类方法的不同,算法分为二值时频掩蔽和泛值时频掩蔽两种。论文首先对上述两种算法思路进行介绍,其次针对基于期望最大化（EM）的泛值时频掩蔽算法在初始值远离真值的情况下易陷入局部极小的问题,引入具有全局寻优能力的模拟退火算法,提出了一种基于退火期望最大化（A-EM）的盲分离算法。最后通过计算机仿真验证了该算法的有效性和稳健性。4、提出了一种基于单矢量水听器的水声信号盲分离算法。与传统声压水听器不同,矢量水听器可以同时捕捉声场中的声压信息和质点振速信息,携带了更丰富的信息,因此具备良好的测向性能。论文首先对单矢量水听器的方位估计方法进行介绍,并在此基础上提出了一种改进的多目标方位估计方法。随后,针对基于方位信息的盲分离算法在源信号角度接近时分离性能迅速变差的问题,引入混合向量信息,提出了一种方位信息和混合向量相结合的盲分离算法,并将其用于水声信号盲分离。最后通过计算机仿真对该算法的有效性进行验证,并证明其在源信号角度较为接近时分离性能明显优于对比算法。5、对超定、正定和欠定情况下的源数目估计方法和基于单矢量传感器的源数目估计方法分别进行了研究。在实际中,通常源信号的数目无法预先知道,如何在仅有混合信号的情况下对源数目进行准确估计是保证盲分离算法分离性能的重要前提。论文对不同情况下的源数目估计方法分别进行了研究,并通过计算机仿真对相应方法的估计精度受信噪比、快拍数和源信号个数等不同因素的影响进行了讨论。6、通过水池实验,对论文中提出的水声信号盲分离算法进行了实验验证,分别在正定和欠定情况下验证了盲分离算法的有效性,并具体分析了阵元数目、FFT长度、分离滤波器长度等参数对分离结果的影响。同时,对源数目估计方法在实际中的估计性能进行了验证。
徐灵基[7]（2016）在《水声信号多普勒参数估计及其应用研究》文中研究表明线谱是水下航行器辐射噪声谱的重要组成部分,其强度远高于宽带连续谱,是被水声设备探测和识别的关键。而由水下线谱辐射噪声源与接收水听器之间相对运动形成的多普勒特征,隐含着水下运动声源的参数信息。本文对水声信号的多普勒特征分析及其参数估计方法进行了深入研究。在此基础上,重点研究了基于多普勒特征的水下航行器低频线谱噪声源定位识别和水下运动目标被动测速测距技术。本论文具体研究内容及创新点包括:1.研究了单水听器识别水下航行器低频线谱噪声源位置的方法。针对现有单水听器通过特性法识别水下航行器低频线谱噪声源位置精度不高的问题,提出了基于多普勒频移特征分析的水下低频线谱噪声源定位识别方法。首先,结合Chirp-Z变换,给出了基于多项式调频变换的瞬时频率估计的窄带细化算法,快速精确地提取出水听器接收信号的多普勒频移特征;其次,通过交点法或最小二乘法进行正横时刻估计;最后,参考已知声源获得低频线谱噪声源在水下运动航行器表面的辐射位置。仿真分析和海上试验验证了多普勒频移特征分析定位识别方法的有效性。2.针对单水听器多普勒频移特征分析法识别水下航行器低频线谱噪声源位置需要先验参数的问题,提出了基于多普勒频移变化率特征分析的水下低频线谱噪声源定位识别方法。推导发现接收信号的多普勒频移变化率在正横时刻处具有极小值。通过基于多项式调频变换的迭代算法估计多普勒信号的等效高阶多项式相位信号的系数,继而获得多普勒频移变化率后估计出正横时刻,再参考已知声源可知低频线谱噪声源在水下航行器表面的位置。此外,还提出了一种新的时频分析方法-L相位分布,并给出了其基于S-Method的快速实现算法,可直接获得多普勒频移变化率特征,进而实现对水下低频线谱噪声源的定位识别。仿真分析和海上试验验证了多普勒频移变化率特征分析定位识别方法的有效性。3.研究了圆环阵识别水下航行器低频线谱噪声源位置的方法。针对单水听器定位方法不能识别频率相同或相近线谱噪声源位置的问题,提出了阵列处理与时频分析相结合的波束域时频分析定位识别方法。首先,利用小孔径圆环阵的超指向性波束形成,将各低频线谱噪声源匀速通过正横位置附近时产生的多普勒信号在时域上分离。其次,分别使用窄带细化的伪Wigner-Ville分布和Chirplet变换两种时频分析方法对波束输出的近似线性调频信号进行处理,得到各噪声源信号的时频图像。最后,转换时间坐标到空间并参考已知声源,即可识别低频线谱噪声源在水下航行器表面的辐射位置。该方法联合利用了空时频三维信息,可以有效地解决聚焦波束形成法识别水下低频线谱噪声源时孔径受限的问题。数值仿真验证了波束域时频分析定位识别方法的有效性。4.研究了单水听器对水下运动目标测速测距的方法。针对经典的窄带被动测速测距方法的两个基本步骤,提出了一种改进的水下运动目标测速测距方法。首先,在分析多普勒信号Wigner-Ville分布形成自交叉项原因的基础上,引入了一种时频变换—匹配Wigner变换。该变换通过泰勒级数扩展的傅立叶旋转因子来匹配双线性信号核,可以对多普勒信号分析得到能量聚集度满意的时频分布,且能够抑制自交叉项干扰。基于匹配Wigner变换,可以有效地实现多普勒频移的估计。其次,推导发现多普勒信号的Wigner-Ville分布在正横时刻处具有峰值。因此,可通过峰值提取精确获得正横时刻值,从而将二维非线性最小二乘求解问题降为一维。海上试验数据验证了改进方法的有效性。
孟庆昕[8]（2016）在《海上目标被动识别方法研究》文中研究指明海上目标被动识别是声纳信号处理的重要研究方向。被动声纳探测海上目标的问题十分复杂,舰船辐射噪声级逐年降低和样本获取困难等因素制约了被动声纳目标识别的发展。如何在低信噪比、小样本情况下提取海上目标信号的有效特征参数,快速、准确、稳健地实现目标类型判决,是新技术背景下被动声纳目标识别的新需求。论文针对被动声纳目标识别的需求,研究了低信噪比条件下、从海洋环境噪声背景中提取舰船辐射噪声时域波形的有效方法,探讨了提取海上目标辐射噪声信号有效特征的方法,设计了小样本目标分类器,建立了海上目标多类特征的决策级融合算法,实现了在低信噪比、小样本条件下对两类典型海上目标辐射噪声信号的有效辨识。文章内容主要包含以下四部分:（1）基于非线性动力学模型的微弱信号提取算法。该方法基于相空间重构的基本原理,应用二阶Volterra级数滤波器方法构建了舰船辐射噪声和海洋环境噪声的非线性动力学模型;针对传统Volterra滤波器收敛速度慢和参数不易选择的问题,采用Kalman滤波器估计了 Volterra级数核,改进了 Volterra级数滤波器的非线性逼近能力,提升了非线性动力学模型的预测精度和收敛速度。在此基础上,基于该非线性动力学模型构建了微弱信号提取算法。仿真表明,该算法可在低信噪比情况下,从具有混沌特性的背景噪声中有效提取出有规信号和混沌信号的时域波形。海上实测数据的处理表明,该算法实现了从海洋环境强噪声背景中有效提取舰船辐射噪声信号的时域波形。建立的基于非线性动力学模型的微弱信号提取算法可用于提高海上目标分类识别系统的输入信噪比。（2）海上目标辐射噪声信号的有效特征提取。依据不同噪声源的物理机制,分别从时域波形结构、功率谱（Power Spectral Density,PSD）、LOFAR（Low-Frequency Acquisition and Ranging）谱、DEMON（Detection of Envelope Modulation On Noise）谱和相空间吸引子拓扑结构五个方面提取海上目标辐射噪声的特征参数;探讨了两类典型海上目标辐射噪声时域波形结构特征和非线性特征的类间可分性。海上实测数据的处理表明,两种典型海上目标辐射噪声的时域波形在统计意义上具有独立性,相空间延迟时间、关联维数和最大Lyapunov指数满足类内聚集、类间可分。依椐线性投影分析法（Linear Projection Analysis,LPA）和 PCA（Principal Component Analysis,PCA）方法线性压缩了特征维数,避免了数数据冗余,提取了有效特征。（3）海上目标分类器。为解决小样本条件下的非线性分类问题,基于支持向量机（Support vector machines,SVM）优化设计了海上目标分类器,提出了改进的SVM参数寻优算法。采用改进的网格搜索法进行了二次搜索,提高了搜索速度;将差分进化（Differential Evolution,DE）算法和粒子群优化（Particle Swarm Optimization,PSO）算法结合,提出了 DEPSO算法;得到了 SVM惩罚参数和核参数的全局最优解。基于改进寻优算法DEPSO的SVM分类器显着提高了泛化能力。采用时域波形结构特征对六组海上目标辐射噪声信号进行了分类实验,检验了改进网格搜索法、改进的混合优化算法DEPSO以及特征筛选对SVM分类性能的影响,提高了分类精度,减小了计算时间成本。（4）海上目标辐射噪声多类特征的决策级融合方法。针对传统D-S证据理论在处理冲突证据方面适用性差的问题,采用改进的加权平均方法分配基本概率赋值（Basic Probability Assignment,BPA）,对冲突证据进行了预处理;为克服单传感器获取信息不完整的影响,构造了基于SVM分类器后验概率和识别率的BPA分配函数;提出了海上目标辐射噪声多类特征的决策级融合模型,该模型融合了海上目标辐射噪声的时域波形结构特征、PSD特征、LOFAR谱特征、DEMON谱特征和混沌分形特征的初步判决结果。海试数据的处理结果表明,提出的决策级融合方法实现了特征的筛选,为判断特征的有效性提供了依据;利用了多信息源的优势,显着提高了两类典型海上目标识别的准确率;增强了被动识别系统的容错能力,提高了对目标追踪和识别的性能。论文研究了低信噪比、小样本条件下海上目标被动分类识别方法,提出了改进的Volterra滤波器级数核估计方法,预测模型的精度提高3-5个数量级,收敛性增强;建立了基于改进Volterra滤波器微弱信号提取模型,实现了在甚低信噪比情况下从海洋环境噪声背景中提取舰船辐射噪声信号的时域波形;将DE算法和PSO算法结合,改进了SVM分类器参数寻优算法,获取了使测试集识别率最大的全局最优解,设计了适合海上目标的小样本分类器;提出了基于海上目标辐射噪声多类特征的决策级融合方法,克服了单一类型特征获取的信息不完整的影响。海试数据检验表明,所提出的方法显着提高了水面、水下目标识别的准确率和鲁棒性。研究成果为提高复杂海洋环境下被动声纳目标识别系统的性能提供了新途径。
吴微[9]（2014）在《含噪盲源分离算法研究及其在水声信号中的应用》文中提出盲源分离是指在各个源信号均未知的情况下,根据某种条件和假设,从混合的观测信号中分离出这些源信号的方法。在过去的几十年中,盲源分离技术由于其潜在的应用价值得到了众多学者的关注,发展迅速。在实际应用中,无论是通信信号、语音信号、医学信号还是水声信号等等都不可避免地会被各种形式的噪声和干扰影响。大多数盲源分离算法在没有噪声时具有最优的性能,当观测信号受到噪声污染时其性能会急剧下降,严重时可能导致分离失败。由于无法获得更多关于源信号的先验信息,并且信道参数未知,使得含噪盲源分离问题较无噪时的盲源分离问题更加复杂。目前,对含噪盲源分离问题的研究成果相对较少。本文紧紧围绕含噪盲源分离问题进行深入研究,主要对基于偏差去除的含噪盲源分离算法和基于去噪的含噪盲源分离算法两部分内容进行了研究,取得了一定的成果,最后将含噪盲源分离算法应用于水声信号中,验证了含噪盲源分离算法对水声信号盲分离的有效性和可行性。本文的主要工作概括如下:1.研究了盲源分离算法中的源信号数目估计问题,针对已有的源数估计算法在信噪比较低时的性能较差的问题,提出了一种基于奇异值分解的转折点检测算法,实验结果表明该算法提升了低信噪比时的估计性能。对Fast ICA和RobustICA这两种算法的性能进行了详细的分析和比较,分别针对亚高斯源、超高斯源以及由亚高斯源和超高斯源组成的混合源在不同信噪比以及不同采样点数的情况下进行了仿真实验,结果表明总体而言Robust ICA算法的性能更加稳健。2.对基于偏差去除的含噪盲源分离算法进行了研究。针对盲源分离超定模型提出了基于特征值分解的准白化FastICA算法,该算法通过特征值分解获得噪声方差的估计,从而可以对含噪信号中的有用信号进行白化,去除噪声引入的偏差,同时降低信号空间的维数,将超定模型转化为正定模型。进一步针对每路含噪混合信号的信噪比不完全相同的情况,提出了一种基于迭代的二次白化FastICA算法,该算法能够准确估计出每路混合信号的噪声方差,从而更准确地去除噪声引入的偏差,使得对有用信号的白化更加有效。仿真实验表明了这两种算法解决含噪盲源分离问题的有效性。3.研究了去噪算法与盲源分离算法相结合的策略,目前主要有去噪预处理、去噪后处理以及去噪预处理与后处理的级联方式。本文对去噪预处理的算法进行了深入研究,并讨论了去噪预处理与后处理的级联方式下的含噪盲源分离问题的解决策略。由于已有文献中提出的串行级联方式和并行级联方式没有充分利用分离算法得到的分离矩阵以及分离出的估计信号,本文提出了一种改进的预处理与后处理的并行级联方式,该方式同时使用了并行级联方式中的两路输出信号,充分利用了能够获得的有用信息,在进行去噪后处理之前先提高了含噪信号的信噪比,从而减小了去噪后信号的失真程度。实验仿真表明该方法较已有的串行和并行两种级联方式的分离性能更优。4.对小波去噪算法作为去噪预处理算法进行了深入研究。针对较低信噪比条件下小波去噪算法性能不佳的问题提出了改进的基于平移不变量的小波去噪算法,该算法对小波去噪算法中的关键参数进行了优化,并提出了一种更加稳健的噪声方差估计算法——高频系数滑动窗口法,同时缩小了平移不变量的范围,在减少运算量的同时去噪效果几乎没有降低。将该去噪算法作为去噪预处理应用于含噪盲源分离问题中,仿真实验验证该算法的有效性。针对高斯色噪声的去噪问题,提出了一种小波去噪算法,该算法使用改进的分层gcv阈值估计算法,将其应用于含有高斯色噪声的盲源分离问题,仿真实验证明了该算法能够更加有效去除高斯色噪声,提升盲源分离算法的性能。5.对基于经验模态分解的去噪算法作为去噪预处理算法进行了研究。针对传统的经验模态分解去噪算法存在的去噪不彻底以及有用信号被当作噪声滤除的问题,提出了一种分段emd阈值去噪算法,该算法首先使用平均周期法将经验模态分解得到的若干个本征模态函数分成噪声主导部分和信号主导部分,对噪声主导部分使用已有文献中的阈值估计算法,对信号主导部分使用新的下降更快的阈值估计算法,然后使用改进的阈值收缩算法对每个本征模态函数进行阈值收缩处理,重构信号。该算法能够克服已有算法的缺点,具有更好的去噪性能。将该算法应用于含噪盲源分离中,能够显着提升盲源分离算法的性能。接下来研究了高斯色噪声条件下基于经验模态分解的去噪算法。研究发现,同高斯白噪声相比,高斯色噪声经过经验模态分解后第一个imf分量的幅值相对较小,其余幅值下降速度相对平缓,根据高斯色噪声的这些特性对已有的阈值算法中的参数进行调整,同时采用了分段阈值估计算法,将该去噪算法应用于含有高斯色噪声的盲源分离问题中,实验结果证明了该算法的有效性。6.研究了含噪盲源分离算法在水声信号处理中的应用。由于计算机仿真信号在科研中具有特殊的优势,本文首先对海洋环境噪声、水声测试信号、水声通信信号以及舰船辐射噪声进行模拟仿真,然后分别针对盲源分离的正定模型和超定模型进行了仿真实验。对正定模型而言,主要使用了针对高斯色噪声的基于分层gcv阈值估计的小波去噪算法和基于分段emd阈值去噪算法这两种算法作为去噪预处理,然后使用robustica算法进行分离,仿真实验验证了这两种算法能够有效去除水声信号中的海洋环境噪声,显着提升盲源分离算法的性能。同时还讨论了算法性能同采样率之间的关系,实验表明,由于提高采样率能够改变噪声在有用信号宽带内的分布从而有助于提升去噪算法的性能,进一步提升盲源分离算法的性能。针对超定模型,主要使用了本文提出的两种基于偏差去除的含噪盲源分离算法:基于特征值分解的准白化fastica算法和基于迭代的二次白化fastica算法。仿真结果表明,直接使用fastica算法,对于水声通信信号,snr>32db时分离得到的信号均方误差降至10-2数量级,使用本文提出的算法,SNR>14dB时信号的均方误差就已降至10-2数量级;对于舰船辐射噪声,SNR>22dB时分离得到的信号均方误差降至10-2数量级,使用本文提出的算法,SNR>10dB时信号的均方误差就已降至10-2数量级。因此在含有噪声条件下本文提出的算法能够获得令人满意的分离效果。同时验证了采样率的提升对于基于偏差去除的分离算法的性能几乎没有影响,这是因为该算法不受噪声分布状态的影响,因此该算法对于含噪条件下的水声信号盲分离十分有效。
刘佳[10]（2011）在《单通道盲源分离及其在水声信号处理中的应用研究》文中指出多干扰源背景下的目标探测一直是水声被动信号处理中重要的研究内容。盲源分离算法不需要过多的先验知识,可以仅利用接收收信号估计源信号,适用于接收信号中存在多干扰源的被动信号处理。常规的盲源分离算法大都是适用于多观测通道的阵列信号处理方法,然而实际中有时存在仅有单观测通道的极端情况,此时基于矩阵运算的常规盲源分离算法将会失效,为此,论文研究了单通道盲源分离算法及其在水声信号处理中的应用。论文首先重点研究适用于源信号瞬时混合情况的单通道盲源分离算法。以解决单通道欠定问题为目的,从通道扩展的思路出发,研究三种单通道盲源分离算法：（1）基于虚拟通道的盲源分离方法。该方法依据水声信号远场的空间分布规律,通过将单观测通道信号延时和滤波的方法构造虚拟通道,使单通道转化为多通道,以实现单通道的盲源分离。仿真及实验数据分析的结果显示,该方法能在一定程度上利用单观测通道数据将海洋环境噪声与船舶辐射噪声分离,实验数据分析同时表明该方法对双目标船的分离也有一定效果。（2）基于总体经验模态分解（Ensemble Empirical Mode Decomposition,简称EEMD）子空间分解技术的单通道盲源分离方法。该方法采用EEMD算法对信号在固有模态子空间上进行分解,利用分解得到的固有模态函数作为输入矩阵,实现盲源分离。该方法结合了EEMD算法与盲源分离算法的优点,对频带有交叠的源信号分离有一定效果,更适合非平稳信号处理,同时具有较好的抗瞬态干扰性。仿真及实测数据分析表明,该算法适用于水声信号处理,分离性能较为稳定。通过大连海域的实验数据处理表明,该算法能够在复杂的背景干扰下较为有效地分离出船舶辐射噪声信号,从而提高了接收信号的信噪比,增强了探测设备对目标的检测能力,该方法为水下声源激发的地震波信号提供了一种有效的处理方法。（3）基于间隔重采样的单通道盲源分离方法。论文将间隔抽样方法引入到单通道盲源分离算法中。在采样率足够的条件下,通过对接收信号进行间隔抽样以构建新的接收矩阵,以解决单通道的欠定问题。仿真及实测数据的分析表明,该方法对水声信号具有良好的分离性能。该方法简单易行,没有过多需要调节的参数。论文第一部分主要针对单通道带来的欠定问题,提出了三种解决方法。然而实际中当声波在水中传播时通常会受到多途的影响,这会降低单通道盲源分离算法的性能,影响实际应用效果。针对这一问题,论文研究了多途条件下的单通道盲源分离算法。为最大程度地利用多途的能量,论文提出将多途聚焦与盲源分离算法相结合进行处理,通过多途聚焦可以实现多途信号的同相叠加,改善源信号的分离效果。文中首先研究基于自相关的单通道盲源分离方法,该方法适用于具有较宽频带的信号,仿真和实测数据分析表明,基于自相关的单通道盲源分离方法能够,将多途聚焦与盲源分离算法相结合,能够实现多途信号的有效叠加,提高信噪比、改善源信号的分离效果。针对源信号中存在线谱干扰时自相关法无法估计多途结构的问题,论文中引入倒谱估计技术,并提出了改进的倒谱估计方法以抑制随机干扰。仿真分析及实测数据处理结果显示,基于倒谱估计的单通道盲源分离方法能够实现多途聚焦,提高目标信号的分离性能,同时该方法对低频线谱特征明显的船舶辐射噪声具有较好的适用性。论文针对单通道的欠定问题,研究了适用于水声信号的单通道盲源分离算法,实验数据处理验证了算法能够在多干扰源背景下从观测数据中分离出目标信号,有助于实现水下目标的有效探测。同时方法可以简化水声测量设备,降低声纳系统的复杂度,在许多不具备安装传感器阵列的环境下,该方法具有明显的优势。研究成果可望应用于海洋动力监测、声纳被动信号处理等领域。
二、一种改进的最大熵方法在船舶辐射噪声盲分离中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、一种改进的最大熵方法在船舶辐射噪声盲分离中的应用（论文提纲范文）
（1）内燃机辐射噪声分离方法及活塞敲击噪声的定量评估研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景及研究目的 |
| 1.2 内燃机噪声源分类及其传递途径 |
| 1.3 内燃机噪声源分离识别方法国内外研究现状 |
| 1.3.1 传统噪声源分离识别方法 |
| 1.3.2 基于声阵列技术的分离识别方法 |
| 1.3.3 基于现代信号处理技术的分离识别方法 |
| 1.4 噪声源分离方法定量评估研究现状 |
| 1.5 存在的主要问题 |
| 1.6 论文主要研究内容 |
| 1.7 论文结构安排 |
| 第2章 内燃机单缸辐射噪声的获取及特征分析 |
| 2.1 试验对象及其辐射噪声分布特征分析 |
| 2.2 单缸辐射噪声的获取及干扰噪声隔离方法研究 |
| 2.2.1 铅覆盖隔离方法 |
| 2.2.2 环境噪声隔离方法 |
| 2.3 单缸辐射噪声测量系统及试验设计 |
| 2.3.1 试验测量系统 |
| 2.3.2 试验测量工况 |
| 2.3.3 试验测点布置 |
| 2.4 干扰噪声隔离方法的效果分析 |
| 2.4.1 铅覆盖隔离方法的效果分析 |
| 2.4.2 环境噪声隔离方法的效果分析 |
| 2.5 不同测量位置的辐射噪声特征分析 |
| 2.6 本章小结 |
| 第3章 单通道噪声信号的Gammatone-RobustICA噪声源分离算法设计及实现研究 |
| 3.1 人耳听觉Gammatone滤波原理 |
| 3.2 鲁棒性独立分量分析算法 |
| 3.2.1 RobustICA算法基本理论 |
| 3.2.2 仿真结果及算法对比 |
| 3.3 Gammatone-RobustICA噪声源分离算法的提出及实现思路 |
| 3.3.1 人耳听觉Gammatone模型设计 |
| 3.3.2 Gammatone-RobustICA算法流程 |
| 3.4 基于Gammatone-RobustICA算法的噪声源分离 |
| 3.4.1 怠速运行工况下不同测量位置的噪声源分离 |
| 3.4.2 额定转速工况下不同测量位置的噪声源分离 |
| 3.4.3 近距离测量位置下不同工况的噪声源分离 |
| 3.4.4 远距离测量位置下不同工况的噪声源分离 |
| 3.5 噪声源分离识别结果分析和讨论 |
| 3.6 本章小结 |
| 第4章 单通道噪声信号的MNOVMD-RobustICA噪声源分离算法设计及实现研究 |
| 4.1 数据分解模型及其特性分析 |
| 4.1.1 经验模态分解算法 |
| 4.1.2 变分模态分解算法 |
| 4.1.3 算法仿真试验分析 |
| 4.2 MNOVMD-RobustICA噪声源分离算法的提出及实现思路 |
| 4.2.1 MNOVMD算法的设计准则 |
| 4.2.2 MNOVMD-RobustICA分离算法设计 |
| 4.3 基于MNOVMD-RobustICA算法的噪声源分离 |
| 4.3.1 怠速运行工况下不同测量位置的噪声源分离 |
| 4.3.2 额定转速工况下不同测量位置的噪声源分离 |
| 4.3.3 近距离测量位置下不同工况的噪声源分离 |
| 4.3.4 远距离测量位置下不同工况的噪声源分离 |
| 4.4 噪声源分离识别结果分析和讨论 |
| 4.5 本章小结 |
| 第5章 活塞敲击噪声的计算方法及定量评估 |
| 5.1 活塞敲击噪声产生机理 |
| 5.2 活塞动力学模型 |
| 5.2.1 活塞受力情况 |
| 5.2.2 活塞运动速度 |
| 5.3 活塞与缸套间润滑油膜作用机制 |
| 5.3.1 雷诺方程 |
| 5.3.2 润滑油膜特性 |
| 5.3.3 边界条件 |
| 5.3.4 求解方法 |
| 5.4 内燃机机体结构声传播衰减分析 |
| 5.5 基于动力学分析的活塞敲击噪声计算方法 |
| 5.6 活塞敲击噪声计算结果分析 |
| 5.7 Gammatone-RobustICA和MNOVMD-RobustICA分离算法的定量评估 |
| 5.7.1 评估Gammatone-RobustICA算法分离提取的活塞敲击噪声 |
| 5.7.2 评估MNOVMD-RobustICA算法分离提取的活塞敲击噪声 |
| 5.8 定量评估结果分析和讨论 |
| 5.9 本章小结 |
| 第6章 基于传递函数的燃烧噪声获取方法研究 |
| 6.1 燃烧噪声产生机理 |
| 6.2 频谱滤波法理论模型 |
| 6.2.1 多缸燃烧噪声获取模型 |
| 6.2.2 单缸燃烧噪声获取模型 |
| 6.3 频谱滤波法误差分析 |
| 6.3.1 随机误差 |
| 6.3.2 偏置误差 |
| 6.3.3 估计函数 |
| 6.3.4 仿真结果 |
| 6.4 基于传递函数计算的燃烧噪声与分离的燃烧噪声的比较 |
| 6.4.1 与Gammatone-RobustICA算法分离提取的燃烧噪声对比 |
| 6.4.2 与MNOVMD-RobustICA算法分离提取的燃烧噪声对比 |
| 6.5 影响燃烧噪声分离效果的因素分析 |
| 6.6 本章小结 |
| 第7章 总结与展望 |
| 7.1 总结 |
| 7.2 创新点 |
| 7.3 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间发表的论文和参加的科研项目 |
| 发表的论文 |
| 参加的科研项目 |
（2）基于盲源分离技术的惯性测量信号分离方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 论文背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 惯性测量信号处理方法研究现状 |
| 1.2.2 盲源分离技术 |
| 1.3 本论文的研究目的与主要研究内容 |
| 第2章 惯性测量信号分析及盲源分离基本理论 |
| 2.1 引言 |
| 2.2 惯性测量信号分析 |
| 2.3 盲源分离数学模型 |
| 2.3.1 数学模型分类 |
| 2.3.2 线性瞬时混合模型 |
| 2.4 盲源分离的基本假设 |
| 2.5 盲源分离的ICA算法 |
| 2.5.1 ICA的预处理 |
| 2.5.2 ICA的分离结果判据 |
| 2.5.3 ICA的学习算法优化 |
| 2.6 盲源分离的性能指标 |
| 2.7 本章小结 |
| 第3章 惯性测量信号的通道重构盲分离方法 |
| 3.1 引言 |
| 3.2 基于过采样的惯性测量信号盲分离方法 |
| 3.2.1 过采样原理简介 |
| 3.2.2 盲源分离的具体实现方法 |
| 3.2.3 算法的具体流程 |
| 3.2.4 仿真结果及分析 |
| 3.3 基于局部均值分解的惯性测量信号盲分离方法 |
| 3.3.1 局部均值分解原理简介 |
| 3.3.2 算法的具体流程 |
| 3.3.3 仿真结果及分析 |
| 3.4 两种惯性测量信号通道重构盲分离方法的性能比较 |
| 3.5 本章小结 |
| 第4章 多源惯性测量信号精细盲分离方法 |
| 4.1 引言 |
| 4.2 多源惯性测量信号精细盲分离方法概述 |
| 4.2.1 EEMD分解原理 |
| 4.2.2 PCA降维 |
| 4.2.3 算法的具体流程 |
| 4.3 实验仿真及分析 |
| 4.3.1 合成信号仿真分析 |
| 4.3.2 实测数据仿真分析 |
| 4.4 本章小结 |
| 第5章 实验与结果 |
| 5.1 引言 |
| 5.2 实验平台 |
| 5.3 平台FOG信号中目标跟踪信号与扰动信号分离实验 |
| 5.4 平台FOG信号中多类源信号的精细分离实验 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文的主要研究内容 |
| 6.2 本论文的主要创新点 |
| 6.3 未来工作展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（3）基于深度学习的水下声源分离技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词表 |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究历史与现状 |
| 1.2.1 水声分离技术研究现状 |
| 1.2.2 深度学习在源分离问题上的研究现状 |
| 1.3 论文研究内容和结构安排 |
| 1.3.1 研究内容 |
| 1.3.2 个人创新点与贡献 |
| 1.3.3 结构安排 |
| 第二章 传统水下声源分离技术研究 |
| 2.1 水声盲源分离基本框架 |
| 2.2 正定、超正定情况下的水下声源分离算法 |
| 2.2.1 基于ICA的水声盲源分离算法 |
| 2.2.2 分离性能评价准则 |
| 2.2.3 仿真分析 |
| 2.3 欠定情况下的水声盲源分离算法 |
| 2.3.1 二值时频掩蔽源分离算法 |
| 2.3.2 分离性能评价准则 |
| 2.3.3 仿真分析 |
| 2.4 盲源分离中的水声源数目估计 |
| 2.4.1 基于信息论准则的水声源数目估计 |
| 2.4.2 基于盖尔圆估计的水声源数目估计 |
| 2.4.3 仿真分析 |
| 2.5 本章小结 |
| 第三章 基于深度学习的水下声源分离 |
| 3.1 方案设计 |
| 3.1.1 基本框架 |
| 3.1.2 基于深度神经网络的特征提取 |
| 3.2 离线训练 |
| 3.2.1 输入和参考标签处理 |
| 3.2.2 循环神经网络 |
| 3.3 在线测试 |
| 3.4 实验及结果分析 |
| 3.4.1 实验数据和配置 |
| 3.4.2 结果和分析 |
| 3.5 本章小结 |
| 第四章 基于深度学习的水下声源识别方法 |
| 4.1 传统水声识别方法 |
| 4.1.1 特征提取 |
| 4.1.2 分类 |
| 4.2 基于深度玻尔兹曼机的水声识别方法 |
| 4.2.1 深度玻尔兹曼机 |
| 4.2.2 深度玻尔兹曼机训练 |
| 4.3 实验及结果分析 |
| 4.3.1 样本处理 |
| 4.3.2 不同结构参数下的识别对比 |
| 4.3.3 不同模型的识别对比 |
| 4.3.4 不同特征下的识别对比 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文内容总结 |
| 5.2 未来的工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间参加的项目与取得的成果 |
（4）基于深度学习理论的水声目标识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 水声目标识别概述 |
| 1.1.1 研究背景 |
| 1.1.2 研究历史和现状 |
| 1.2 水声目标识别面临的问题 |
| 1.2.1 训练-测试失配 |
| 1.2.2 类别信息缺失 |
| 1.3 水声目标识别研究的发展方向 |
| 1.3.1 特征提取方法 |
| 1.3.2 分类决策方法选择 |
| 1.3.3 深度学习方法 |
| 1.4 论文章节安排 |
| 第二章 水声目标识别系统及鲁棒特征提取方法 |
| 2.1 水声目标识别系统的关键技术环节 |
| 2.1.1 信号预处理 |
| 2.1.2 MFCC特征提取 |
| 2.1.3 响度特征提取 |
| 2.1.4 音色特征提取 |
| 2.1.5 SVM分类器 |
| 2.1.6 实测水声数据集 |
| 2.1.7 实验结果及分析 |
| 2.2 基于谱乘法的鲁棒特征提取方法 |
| 2.2.1 谱乘法 |
| 2.2.2 谱乘法的滤波解释 |
| 2.2.3 实验结果及分析 |
| 2.3 本章小结 |
| 第三章 水声目标识别的深度学习特征提取方法 |
| 3.1 传统识别系统面临的难题 |
| 3.2 深度学习特征提取方法 |
| 3.2.1 自编码器 |
| 3.2.2 受限玻尔兹曼机 |
| 3.3 深度学习特征在水声目标识别中的应用 |
| 3.3.1 深度学习特征提取参数设置 |
| 3.3.2 深度学习特征的识别性能 |
| 3.3.3 隐藏层节点数对系统正确识别率的影响 |
| 3.4 本章小结 |
| 第四章 堆叠和卷积神经网络在水声目标识别中的应用 |
| 4.1 水声目标识别整体优化 |
| 4.2 堆叠的深度全连接网络 |
| 4.2.1 BP算法 |
| 4.2.2 深度全连接网络的结构 |
| 4.2.3 实验结果及分析 |
| 4.3 水声目标识别中的卷积神经网络架构 |
| 4.3.1 卷积神经网络架构 |
| 4.3.2 卷积核的正则化 |
| 4.3.3 实验结果及分析 |
| 4.4 本章小结 |
| 第五章 无类标情况下的水声目标无监督学习方法 |
| 5.1 水声目标无监督与有监督学习的关系 |
| 5.2 传统聚类算法 |
| 5.2.1 k-means |
| 5.2.2 高斯混合模型 |
| 5.3 DP-GMM聚类方法 |
| 5.4 水声数据聚类实验及分析 |
| 5.4.1 评价指标 |
| 5.4.2 参数设置 |
| 5.4.3 实验结果及分析 |
| 5.5 基于因子分析的鲁棒特征聚类分析 |
| 5.6 本章小结 |
| 第六章 深度生成式无监督聚类方法 |
| 6.1 概率失配问题 |
| 6.2 深度生成式聚类模型及其学习方法 |
| 6.2.1 GBGG-DBM网络概率模型 |
| 6.2.2 联合优化算法 |
| 6.3 实验结果及分析 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 本文工作总结 |
| 7.2 本文主要创新点 |
| 7.3 进一步的研究方向 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表的学术论文和参加科研情况 |
（5）低信噪比水声信标信号处理方法研究及试验（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本论文的主要研究内容 |
| 第2章 低信噪比水声信标信号处理方法研究 |
| 2.1 水声信标工作原理及定位方法 |
| 2.1.1 水声信标工作原理 |
| 2.1.2 水声信标定位方法 |
| 2.2 水声信标信号增强算法研究 |
| 2.2.1 水声信标信号增强算法 |
| 2.2.2 信号增强算法验证 |
| 2.3 本章小结 |
| 第3章 水声信标信号处理系统设计 |
| 3.1 信号处理系统概述 |
| 3.1.1 基于PC机的水声信标信号实验系统 |
| 3.1.2 基于单片机的水声信标信号处理系统 |
| 3.2 硬件系统设计 |
| 3.2.1 水听器 |
| 3.2.2 前置放大器 |
| 3.2.3 数字存储示波器 |
| 3.2.4 电路板 |
| 3.2.5 显示模块 |
| 3.4 本章小结 |
| 第4章 水声信标信号处理试验与分析 |
| 4.1 水声信标信号处理试验 |
| 4.2 试验结果与分析 |
| 4.2.1 不同信号处理方法对比分析 |
| 4.2.2 错位叠加算法处理信号的影响因素 |
| 4.3 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读学位期间公开发表论文及专利 |
| 致谢 |
（6）水声信号的盲源分离算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 盲源分离的基本框架 |
| 1.3 研究历史和现状 |
| 1.4 盲源分离的应用 |
| 1.5 本文研究的主要内容 |
| 第二章 经典盲源分离算法 |
| 2.1 引言 |
| 2.2 盲源分离的数学模型 |
| 2.2.1 线性瞬时混合模型 |
| 2.2.2 线性卷积混合模型 |
| 2.2.3 非线性混合模型 |
| 2.3 盲源分离问题的基本假设和不确定性 |
| 2.4 盲源分离前的预处理 |
| 2.4.1 信号的零均值化（去均值） |
| 2.4.2 信号的白化 |
| 2.5 相关理论知识 |
| 2.5.1 峭度 |
| 2.5.2 熵、负熵 |
| 2.5.3 KL（Kullback-Leiber）散度 |
| 2.5.4 互信息 |
| 2.5.5 高阶矩与高阶累积量 |
| 2.6 经典盲源分离算法 |
| 2.6.1 最小互信息盲分离算法 |
| 2.6.2 最大熵盲分离算法 |
| 2.6.3 固定点算法 |
| 2.6.4 联合对角化算法 |
| 2.7 分离性能的评价准则 |
| 2.7.1 相似系数 |
| 2.7.2 性能指标 |
| 2.7.3 其他评价准则 |
| 2.8 仿真分析 |
| 2.8.1 舰船辐射噪声的仿真 |
| 2.8.2 仿真水声信号分离实例 |
| 2.9 本章小结 |
| 第三章 卷积混合的水声信号盲分离算法 |
| 3.1 引言 |
| 3.2 水声基阵接收信号模型 |
| 3.3 卷积混合信号盲源分离的基本思路 |
| 3.4 基于二阶统计信息的盲分离算法 |
| 3.5 二阶统计信息和波束形成相结合的盲分离优化算法 |
| 3.6 仿真分析 |
| 3.6.1 不同信噪比下盲分离效果比较 |
| 3.6.2 信干比为-5dB下的弱目标提取能力 |
| 3.7 本章小结 |
| 第四章 欠定情况下的水声信号盲分离算法 |
| 4.1 引言 |
| 4.2 基于稀疏特性的欠定盲分离算法思路 |
| 4.2.1 稀疏特性分析 |
| 4.2.2 算法思路 |
| 4.3 基于K-均值聚类的二值时频掩蔽盲分离算法 |
| 4.3.1 算法介绍 |
| 4.3.2 仿真分析 |
| 4.4 基于期望最大化的泛值时频掩蔽盲分离算法及其优化算法 |
| 4.4.1 基于期望最大化的盲分离算法 |
| 4.4.2 模拟退火算法简介 |
| 4.4.3 基于退火期望最大化的盲分离优化算法 |
| 4.4.4 仿真分析 |
| 4.5 本章小结 |
| 第五章 基于单矢量水听器的水声信号盲分离算法 |
| 5.1 引言 |
| 5.2 矢量水听器系统及其测向原理 |
| 5.2.1 矢量水听器系统 |
| 5.2.2 单矢量水听器的方位估计 |
| 5.2.3 改进的多目标方位估计方法 |
| 5.3 基于单矢量水听器的盲分离算法及其优化算法 |
| 5.3.1 基于方位信息的盲分离算法 |
| 5.3.2 混合向量估计 |
| 5.3.3 方位信息和混合向量相结合的盲分离优化算法 |
| 5.4 仿真实验 |
| 5.5 本章小结 |
| 第六章 盲源分离问题中的源数目估计问题 |
| 6.1 引言 |
| 6.2 超、正定情况下的源数目估计 |
| 6.2.1 基于信息论准则的源数目估计方法 |
| 6.2.2 基于盖尔圆理论的源数目估计方法 |
| 6.2.3 基于奇异值分解的源数目估计方法 |
| 6.2.4 仿真分析 |
| 6.3 欠定情况下的源数目估计 |
| 6.3.1 基于信号稀疏性的源数目估计方法 |
| 6.3.2 基于四阶累积量通道扩展技术的源数目估计方法 |
| 6.3.3 仿真分析 |
| 6.4 基于单矢量水听器的源数目估计 |
| 6.4.1 基于方位信息的源数目估计方法 |
| 6.4.2 仿真分析 |
| 6.5 本章小结 |
| 第七章 水声信号盲源分离水池实验验证及结果分析 |
| 7.1 引言 |
| 7.2 声学环境及条件 |
| 7.3 实验内容及结果分析 |
| 7.3.1 双源盲分离波形恢复及结果分析 |
| 7.3.2 三源盲分离波形恢复及结果分析 |
| 7.4 本章小结 |
| 第八章 全文总结 |
| 8.1 引言 |
| 8.2 研究工作总结 |
| 8.3 有待进一步研究的内容 |
| 参考文献 |
| 攻读博士学位期间发表的学术论文和参加科研情况 |
| 致谢 |
（7）水声信号多普勒参数估计及其应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究历史和现状 |
| 1.2.1 水下航行器辐射噪声源识别 |
| 1.2.2 水下运动目标的参数估计 |
| 1.2.3 多普勒特征的时频分析 |
| 1.3 本文研究的主要内容 |
| 第二章 水声多普勒的形成机理及其参数估计基础 |
| 2.1 引言 |
| 2.2 水下航行器辐射噪声及背景噪声 |
| 2.2.1 水下航行器辐射噪声 |
| 2.2.2 海洋环境噪声 |
| 2.2.3 测试系统自噪声 |
| 2.3 水声多普勒频移模型 |
| 2.3.1 声源运动而接收静止 |
| 2.3.2 声源静止而接收运动 |
| 2.4 多普勒参数估计的经典方法 |
| 2.4.1 多普勒频移提取 |
| 2.4.2 非线性最小二乘法估计参数 |
| 2.5 本章小结 |
| 第三章 单水听器识别水下航行器低频线谱噪声源位置方法 |
| 3.1 引言 |
| 3.2 单水听器测噪模型及定位识别方法 |
| 3.2.1 测量模型 |
| 3.2.2 定位原理 |
| 3.2.3 方法步骤 |
| 3.3 多普勒频移特征分析的定位识别方法 |
| 3.3.1 基于PCT算法的多普勒频移提取 |
| 3.3.2 窄带细化的PCT快速算法 |
| 3.3.3 交点法或最小二乘法估计正横时刻 |
| 3.4 多普勒频移变化率特征分析的定位识别方法 |
| 3.4.1 基于PCT的方法 |
| 3.4.2 基于LPD的方法 |
| 3.5 性能分析 |
| 3.6 海上试验 |
| 3.6.1 测试环境 |
| 3.6.2 测试系统 |
| 3.6.3 测试过程 |
| 3.6.4 数据分析 |
| 3.7 本章小结 |
| 第四章 圆环阵识别水下航行器低频线谱噪声源位置方法 |
| 4.1 引言 |
| 4.2 圆环阵测噪模型及定位识别方法 |
| 4.2.1 测量模型 |
| 4.2.2 定位原理 |
| 4.2.3 方法步骤 |
| 4.3 圆环阵的超指向性波束形成 |
| 4.4 基于伪WVD的波束输出信号的时频分析 |
| 4.4.1 伪WVD |
| 4.4.2 窄带细化伪WVD的CZT实现 |
| 4.5 基于Chirplet变换的波束输出信号的时频分析 |
| 4.6 仿真试验 |
| 4.7 本章小结 |
| 第五章 单水听器对水下匀速运动目标测速测距方法 |
| 5.1 引言 |
| 5.2 多普勒频移估计 |
| 5.2.1 多普勒信号的WVD |
| 5.2.2 匹配Wigner变换 |
| 5.2.3 基于MWT的多普勒频移估计 |
| 5.3 水下运动目标的参数估计 |
| 5.3.1 基于WVD的正横时刻估计 |
| 5.3.2 速度和正横距离估计 |
| 5.4 海试数据分析 |
| 5.5 本章小结 |
| 第六章 全文总结 |
| 6.1 研究工作总结 |
| 6.2 有待进一步研究的问题 |
| 参考文献 |
| 攻读博士学位期间取得的与本研究相关的成果 |
| 致谢 |
（8）海上目标被动识别方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究的背景与意义 |
| 1.2 水声被动目标识别的研究现状 |
| 1.2.1 国内外目标识别系统和装备研究进展 |
| 1.2.2 信号预处理的研究现状 |
| 1.2.3 目标特征提取和筛选的研究现状 |
| 1.2.4 分类决策的研究现状 |
| 1.2.5 多源信息融合的研究现状 |
| 1.3 本文研究内容 |
| 第2章 基于非线性动力学建模的海上目标信号提取 |
| 2.1 引言 |
| 2.2 相空间重构 |
| 2.2.1 延迟坐标重构法 |
| 2.2.2 延迟时间选取 |
| 2.2.3 嵌入维数选取 |
| 2.3 Volterra级数模型的改进方法研究 |
| 2.3.1 Volterra级数模型 |
| 2.3.2 Volterra级数核估计方法改进 |
| 2.3.3 预测性能仿真分析 |
| 2.4 基于改进Volterra模型的信号提取 |
| 2.4.1 微弱信号提取算法 |
| 2.4.2 提取性能评判 |
| 2.4.3 提取性能的仿真分析 |
| 2.4.4 算法的适用性讨论 |
| 2.5 微弱舰船辐射噪声信号提取 |
| 2.5.1 强干扰背景下舰船辐射噪声提取 |
| 2.5.2 强噪声背景下舰船辐射噪声提取 |
| 2.6 本章小结 |
| 第3章 海上目标的特征提取和筛选 |
| 3.1 引言 |
| 3.2 海上目标特征提取 |
| 3.2.1 时域波形结构特征 |
| 3.2.2 混沌和分形特征 |
| 3.2.3 常规特征提取 |
| 3.3 海上目标特征筛选 |
| 3.3.1 线性投影分析法筛选特征 |
| 3.3.2 主元分析法筛选特征 |
| 3.4 典型海上目标特征的提取和筛选 |
| 3.4.1 时域波形结构特征提取和筛选 |
| 3.4.2 功率谱特征提取和筛选 |
| 3.4.3 DEMON谱特征提取和筛选 |
| 3.4.4 LOFAR谱特征提取和筛选 |
| 3.4.5 混沌和分形特征提取与筛选 |
| 3.5 本章小结 |
| 第4章 基于支持向量机的海上目标分类识别 |
| 4.1 引言 |
| 4.2 支持向量机的基本概念 |
| 4.2.1 最优分类超平面 |
| 4.2.2 非线性分类器 |
| 4.3 支持向量机的设计与性能分析 |
| 4.3.1 核函数选取 |
| 4.3.2 参数搜索 |
| 4.3.3 搜索步长设置 |
| 4.3.4 交叉验证 |
| 4.4 支持向量机参数搜索方法 |
| 4.4.1 常规参数搜索方法 |
| 4.4.2 改进的参数寻优算法 |
| 4.5 基于改进支持向量机的分类结果 |
| 4.5.1 基于改进网格法的分类结果 |
| 4.5.2 基于改进优化算法DEPSO的分类结果 |
| 4.5.3 特征筛选对分类结果的影响 |
| 4.6 本章小节 |
| 第5章 基于D-S证据理论的海上目标融合识别 |
| 5.1 引言 |
| 5.2 基于D-S证据理论的信息融合 |
| 5.2.1 D-S证据理论的基本概念 |
| 5.2.2 D-S证据理论的局限性 |
| 5.2.3 冲突证据处理方法 |
| 5.3 基于改进D-S证据理论和SVM的信息融合 |
| 5.3.1 SVM的后验概率输出 |
| 5.3.2 SVM的BPA分配 |
| 5.3.3 判决准则 |
| 5.3.4 仿真算例 |
| 5.4 海上目标融合识别的实验研究 |
| 5.4.1 实验概况 |
| 5.4.2 基于海上目标单一类特征的决策级融合 |
| 5.4.3 基于海上目标多类特征的决策级融合 |
| 5.5 本章小节 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（9）含噪盲源分离算法研究及其在水声信号中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 盲源分离问题概述 |
| 1.2.1 盲源分离模型及含噪盲源分离模型 |
| 1.2.2 盲源分离问题的可解性和不确定性 |
| 1.2.3 盲源分离与独立分量分析 |
| 1.3 盲源分离技术研究发展与现状 |
| 1.4 盲源分离技术的应用及前景 |
| 1.5 本文的组织结构 |
| 第二章 盲源分离算法及含噪问题解决方案 |
| 2.1 盲源分离中的源数估计问题 |
| 2.1.1 基于奇异值分解的源数估计算法 |
| 2.1.2 基于AIC和MDL准则的源数估计算法 |
| 2.1.3 基于奇异值分解法的改进的源数估计算法 |
| 2.1.4 算法仿真与性能分析 |
| 2.2 几类典型的盲源分离算法 |
| 2.2.1 Fast ICA算法 |
| 2.2.2 Robust ICA算法 |
| 2.3 FastICA与RobustICA算法的性能分析 |
| 2.3.1 分离性能的评价准则 |
| 2.3.2 峭度作为目标函数的优缺点 |
| 2.3.3 两种算法的比较 |
| 2.3.4 算法的性能分析 |
| 2.3.5 算法的复杂度分析 |
| 2.4 含噪盲源分离问题解决方案 |
| 2.5 去噪与盲源分离相结合策略研究 |
| 2.5.1 含噪盲源分离去噪算法的选择 |
| 2.5.2 去噪预处理法 |
| 2.5.3 去噪后处理法 |
| 2.5.4 去噪预处理与后处理级联方式 |
| 2.6 本章小结 |
| 第三章 基于偏差去除的含噪盲源分离算法研究 |
| 3.1 基于偏差去除的自然梯度算法 |
| 3.1.1 自然梯度算法 |
| 3.1.2 偏差去除自然梯度算法 |
| 3.2 基于高斯矩的算法 |
| 3.2.1 准白化 |
| 3.2.2 高斯矩 |
| 3.2.3 基于高斯矩的Fast ICA算法 |
| 3.3 基于特征值分解的准白化算法 |
| 3.3.1 问题描述 |
| 3.3.2 基于特征值分解的准白化算法 |
| 3.3.3 基于特征值分解的准白化FastICA算法 |
| 3.3.4 算法仿真与性能分析 |
| 3.4 基于迭代的二次白化算法 |
| 3.4.1 问题描述 |
| 3.4.2 基于迭代的二次白化算法 |
| 3.4.3 基于迭代的二次白化FastICA算法 |
| 3.4.4 算法仿真与性能分析 |
| 3.5 高斯色噪声条件下几种改进算法的性能比较 |
| 3.5.1 高斯色噪声的产生 |
| 3.5.2 高斯色噪声条件下几种算法的仿真实验与性能比较 |
| 3.6 本章小结 |
| 第四章 基于小波变换的含噪盲源分离算法研究 |
| 4.1 小波去噪模型和算法概述 |
| 4.1.1 小波去噪模型 |
| 4.1.2 小波去噪算法概述 |
| 4.2 小波阈值收缩算法中的阈值及阈值函数 |
| 4.2.1 阈值 |
| 4.2.2 阈值函数 |
| 4.3 一种适用于较低信噪比下的小波去噪算法 |
| 4.3.1 小波基函数与分解尺度的选取 |
| 4.3.2 噪声方差估计算法改进 |
| 4.3.3 阈值与阈值函数的选取 |
| 4.3.4 平移量范围的选取 |
| 4.3.5 一种适用于较低信噪比条件下的小波去噪算法 |
| 4.3.6 算法仿真与性能分析 |
| 4.4 小波去噪预处理与后处理级联方式下的盲源分离算法 |
| 4.4.1 顺序方式和平行方式的预处理与后处理级联算法及性能分析 |
| 4.4.2 一种改进的去噪预处理与后处理的级联算法 |
| 4.4.3 算法仿真与性能分析 |
| 4.5 一种针对高斯色噪声的小波去噪算法 |
| 4.5.1 高斯色噪声小波变换的特性分析 |
| 4.5.2 一种针对高斯色噪声的小波去噪算法 |
| 4.5.3 算法仿真与性能分析 |
| 4.6 本章小结 |
| 第五章 基于经验模态分解的含噪盲源分离算法研究 |
| 5.1 经验模态分解概述及去噪原理 |
| 5.1.1 本征模态函数 |
| 5.1.2 经验模态分解算法 |
| 5.1.3 经验模态分解与小波变换的比较 |
| 5.1.4 经验模态分解去噪原理 |
| 5.2 一种改进的基于经验模态分解的去噪算法 |
| 5.2.1 传统经验模态分解去噪算法的缺点 |
| 5.2.2 改进去噪算法的三个关键部分 |
| 5.2.3 一种改进的经验模态分解去噪算法 |
| 5.2.4 算法仿真与性能分析 |
| 5.3 一种针对高斯色噪声的基于经验模态分解的去噪算法 |
| 5.3.1 高斯色噪声的EMD分解特性研究 |
| 5.3.2 一种针对高斯色噪声的EMD去噪算法 |
| 5.3.3 算法仿真与性能分析 |
| 5.4 本章小结 |
| 第六章 含噪盲源分离算法在水声信号中的应用 |
| 6.1 计算机仿真数据的优势 |
| 6.2 海洋环境噪声仿真 |
| 6.3 水声信号仿真 |
| 6.3.1 水声测试信号仿真 |
| 6.3.2 水声通信信号仿真 |
| 6.3.3 舰船辐射噪声仿真 |
| 6.4 针对正定模型的含噪盲源分离算法性能仿真 |
| 6.4.1 水声测试信号仿真实验 |
| 6.4.2 水声通信信号仿真实验 |
| 6.4.3 舰船辐射噪声仿真实验 |
| 6.4.4 几种水声信号混合分离仿真实验 |
| 6.5 针对超定模型的含噪盲源分离算法性能仿真 |
| 6.5.1 水声测试信号仿真实验 |
| 6.5.2 水声通信信号仿真实验 |
| 6.5.3 舰船辐射噪声仿真实验 |
| 6.5.4 几种水声信号混合分离仿真实验 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 7.1 全文总结 |
| 7.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 作者简介 |
（10）单通道盲源分离及其在水声信号处理中的应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究的背景与意义 |
| 1.2 盲源分离问题概述 |
| 1.2.1 盲源分离的基本概念 |
| 1.2.2 盲源分离的发展历史 |
| 1.2.3 盲源分离的研究内容 |
| 1.2.4 盲源分离在水声信号处理中的应用 |
| 1.3 单通道盲源分离问题概述 |
| 1.3.1 单通道盲源分离的基本概念 |
| 1.3.2 单通道盲源分离的研究现状 |
| 1.4 本文研究内容 |
| 第2章 盲源分离基本理论 |
| 2.1 引言 |
| 2.2 盲源分离问题的描述 |
| 2.3 盲源分离的基本算法 |
| 2.3.1 独立分量分析 |
| 2.3.2 联合对角化方法 |
| 2.3.3 最大信噪比准则 |
| 2.4 分离结果的不确定性 |
| 2.5 分离性能的评价准则 |
| 2.6 本章小结 |
| 第3章 单通道盲源分离算法 |
| 3.1 引言 |
| 3.2 基于虚拟通道的单通道盲源分离方法 |
| 3.2.1 构建虚拟通道的方法 |
| 3.2.2 盲源分离方法的实现 |
| 3.2.3 分离性能的仿真分析 |
| 3.3 基于EEMD子空间分解的单通道盲源分离方法 |
| 3.3.1 EEMD算法的基本原理 |
| 3.3.2 盲源分离方法的实现 |
| 3.3.3 分离性能的仿真分析 |
| 3.4 基于间隔抽采样的单通道盲源分离方法 |
| 3.4.1 间隔抽采样的基本方法 |
| 3.4.2 盲源分离方法的实现 |
| 3.4.3 分离性能的仿真分析 |
| 3.5 本章小结 |
| 第4章 多途条件下的单通道盲源分离方法 |
| 4.1 引言 |
| 4.2 多途条件下瞬时混合模型的局限性 |
| 4.3 基于自相关的单通道盲源分离方法 |
| 4.3.1 多途聚焦的原理 |
| 4.3.2 自相关多途时延估计方法 |
| 4.3.3 多途条件下的盲源分离的实现 |
| 4.3.4 仿真分析 |
| 4.4 基于倒谱估计的单通道盲源分离方法 |
| 4.4.1 基于倒谱的多途时延估计方法 |
| 4.4.2 倒谱对线谱信号的抑制作用 |
| 4.4.3 倒谱估计时延的改进方法 |
| 4.4.4 仿真分析 |
| 4.5 本章小结 |
| 第5章 实验研究 |
| 5.1 实测数据分析 |
| 5.1.1 源信号瞬时混合模型 |
| 5.1.2 多途条件的信号模型 |
| 5.2 实验数据处理 |
| 5.2.1 实验概况 |
| 5.2.2 地声数据处理 |
| 5.3 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文和取得的科研成果 |
| 致谢 |
四、一种改进的最大熵方法在船舶辐射噪声盲分离中的应用（论文参考文献）
- [1]内燃机辐射噪声分离方法及活塞敲击噪声的定量评估研究[D]. 姚家驰. 武汉理工大学, 2019(01)
- [2]基于盲源分离技术的惯性测量信号分离方法研究[D]. 胡亭亭. 中国科学院大学(中国科学院光电技术研究所), 2019(08)
- [3]基于深度学习的水下声源分离技术研究[D]. 谢加武. 电子科技大学, 2019(01)
- [4]基于深度学习理论的水声目标识别方法研究[D]. 王强. 西北工业大学, 2018(04)
- [5]低信噪比水声信标信号处理方法研究及试验[D]. 程星. 大连海事大学, 2018(06)
- [6]水声信号的盲源分离算法研究[D]. 陈晓屹. 西北工业大学, 2016(05)
- [7]水声信号多普勒参数估计及其应用研究[D]. 徐灵基. 西北工业大学, 2016(08)
- [8]海上目标被动识别方法研究[D]. 孟庆昕. 哈尔滨工程大学, 2016(11)
- [9]含噪盲源分离算法研究及其在水声信号中的应用[D]. 吴微. 解放军信息工程大学, 2014(07)
- [10]单通道盲源分离及其在水声信号处理中的应用研究[D]. 刘佳. 哈尔滨工程大学, 2011(07)