一、一种基于谱估计的被动声呐目标识别方法（论文文献综述）
郭微[1]（2020）在《运动目标被动声呐信号频域分析关键技术研究》文中认为对水中目标辐射噪声中线谱信号的检测与估计是被动声呐信号处理的重要研究内容。通常情况下,被动声呐中的线谱信号检测与参数估计是在强背景噪声和强干扰条件下进行的,需要通过增加积分时间,以提高频谱分析的频率分辨力、获取更高的信号处理增益。然而目标辐射线谱信号的频率漂移和目标的运动限制了传统被动声呐信号方法的积分处理时间和信号处理增益。本论文分别对如何在有限数据样本长度下提升功率谱分析的频谱分辨能力、降低谱间干扰、减小目标运动引起的互相关损失进行了深入研究,具体研究内容如下:首先,针对线谱旁瓣干扰背景下运动目标信号功率谱分析问题,提出了频域解卷积高分辨功率谱估计方法。由经典谱估计理论可知,有限长样本的功率谱可以由无限长样本的功率谱与窗函数功率谱的卷积获得。本文提出在窗函数功率谱已知的情况下,通过对有限长接收样本的功率谱在频域进行解卷积运算估计无限长接收样本对应的功率谱,以便在小样本条件下获得更高的频率分辨力,减少谱泄露、降低谱估计结果的旁瓣、提高主旁瓣比,从而降低强线谱旁瓣对邻近微弱线谱信号的掩蔽。采用的解卷积算法的迭代次数是影响谱估计频率分辨力和旁瓣抑制性能的主要因素。通过仿真和实验数据处理对比了MVDR（minimum variance distortionless response）、压缩感知（Compressed Sensing,CS）以及本文提出的解卷积算法高分辨功率谱估计方法的性能。结果表明,解卷积功率谱估计方法可有效提高频率分辨力、抑制谱旁瓣、降低谱间干扰,适用于强线谱干扰影响下的被动声呐信号频谱分析以及运动目标小样本信号的时频分析。其次,建立了双水听器接收运动目标辐射噪信号的互功率谱模型,提出了基于双水听器接收信号互功率谱的多普勒系数（尺度因子）和时延差的分步估计方法,即首先利用双水听器接收信号频谱的幅度谱估计出多普勒系数,然后利用多普勒系数补偿接收信号,再利用补偿后接收信号的互功率相位谱估计两水听器接收信号间的时延差。该算法将参数估计由多普勒和时延的二维搜索转化为两个分别沿多普勒轴和时延轴的一维搜索,不仅有效降低了参数寻优的计算量,也实现了尺度因子与时延参数估计的解耦,避免了参数估计过程中的互相干扰,提高了参数估计结果的准确性。结果表明,互功率谱的多普勒系数和时延差的分步估计方法能够有效提高利用互功率谱进行时延差估计的准确性,从而提高互功率谱测向的性能。最后,建立了目标运动情况下双水听器接收信号关于多普勒系数和时延差的分段数据模型,研究发现目标运动会导致不同数据段的目标辐射声信号互功率谱之间存在较大的频率偏移和相位差异,难以实现不同数据段的互功率谱相干积累。针对这一问题,提出对不同数据段互功率谱的多普勒系数和时延差进行估计和补偿,再对补偿后的不同数据段的互功率谱进行相干积累的基于运动补偿的互功率谱相干积累方法。通过仿真和实验数据处理分析,对比了提出的互功率谱相干积累方法、MUSIC（multiple signal classification）算法、互功率谱相干累加和非相干累加算法的谱估计性能。结果表明,补偿的互功率谱相干积累方法可以克服多普勒效应的影响,有效减小运动目标辐射噪声处理的互相关损失,增加积分处理时间、提高信号处理增益,提升对运动目标微弱线谱信号的检测性能。
张健[2]（2020）在《基于深度学习的水下目标识别的研究》文中认为被动声呐水下目标识别通常包含特征提取和分类识别两部分,早期的研究中上述任务都是由声呐员完成的,但人工特征提取的方式既容易丢失信息,又无法保证识别精度和效率,因此效率更高的自动识别方法如机器学习方法等被逐渐提出。首先本文研究了传统机器学习方法,然后建立了基于传统机器学习方法的水下目标识别框架,并进行仿真验证。根据舰船辐射噪声的产生机理对噪声进行仿真建模,将构造产生的舰船辐射噪声与实测海洋环境噪声混合得到不同信噪比下的混合仿真信号,提取信号的梅尔倒谱系数（Mel Frequency Cepstral Coefficents,MFCC）特征并使用支持向量机（Support Vector Machine,SVM）分类器完成分类识别实验。通过研究发现:在信噪比为-2dB时,其识别准确率可达到98.6%,但在信噪比较低的情况下,其识别准确率下降很快,在-10dB的情况下其识别准确率仅为55.9%。其次本文研究了水下目标识别特征预处理方法,并提出了基于深度学习的水下目标识别框架。针对实测舰船辐射噪声和混合舰船辐射噪声仿真信号,采用基于谐振的稀疏信号分解算法提取信号中的高谐振分量,两类信号高谐振分量间的谱相关系数为0.7074,小于原始信号间的谱相关系数0.7161,证明该算法增强了两类信号间的区分度,有利于提高识别率;对高谐振分量采用短时傅里叶变换计算LOFAR（LOw Frequency Analysis and Recording）谱图,并采用基于多步判决的LOFAR谱线谱增强算法,对与水下目标识别关联密切的线谱进行检测和增强,可以检测出信噪比为-5dB的LOFAR谱中所有的线谱,并能够对因为海洋环境干扰而在LOFAR谱中出现“断点”的线谱补全。最后,将传统机器学习方法与基于经典深度学习网络结构的水下目标识别的研究实验性能作比较。采用卷积神经网络（Convolutional Neural Networks,CNN）、长短时记忆网络（Long Short Term Memory,LSTM）以及传统机器学习方法,分别对实测舰船辐射噪声信号和混合舰船辐射噪声仿真信号所生成的线谱增强的LOFAR谱进行特征提取并完成分类,并采用识别准确率、混淆矩阵、ROC曲线（Receiver Operating Characteristic Curve）、AUC（Area Under the Curve）值等评价指标对三种方法识别性能作比较:对实测舰船辐射噪声而言,CNN识别效果最优,取得了95.22%的识别准确率;对于混合舰船辐射噪声仿真信号而言,在-2dB时三种方法的识别率均达到98%以上,而-10dB两种深度学习方法均可以达到近80%的识别率。
李保红[3]（2020）在《基于深度神经网络的水下目标识别技术研究》文中认为随着人类日常消耗造成陆地资源的枯竭,海洋必将成为人类未来获取资源的重要来源之一,而水下目标识别技术作为人类探索海洋资源必不可缺少的部分,越来越受到各国研究人员的关注。近年来,随着深度学习技术在各个领域应用的成功,本文通过研究当前常用的深度神经网络（比如卷积神经网络和循环神经网络等）方法,并结合数值分析等机器学习知识对网络模型参数优化,从而对深度神经网络模型进行改进。利用深度神经网络提取特征用来替代现有的传统提取特征的方法（比如小波变换、梅尔频率倒谱系数和希尔伯特黄变换等）,探索其在水下场景下目标识别的可行性,以期相比于基于传统特征提取的水下目标识别方法有更高的识别准确率。具体而言,本文工作如下:1)详细介绍了几种典型的特征提取和分类方法,作为本文对比实验的基准方法。并对当前深度神经网络的两种网络模型进行了基本理论阐述。2)通过分析常用的损失函数的优劣,提出一种基于卷积神经网络（CNN）的水下目标识别方法。该方法将一个正则项嵌入到基本均方误差损失函数从而得到了目标函数。同时,基于改进的目标函数,本文对CNN前向传播和反向传播进行了分析,得到改进了适用于本文数据集的水下目标识别的CNN。3)通过分析循环神经网络（RNN）和长短时记忆网络（LSTM）的各自优劣,提出一种基于LSTM-RNN的水下目标识别方法。该方法结合本文数据集特点,通过使用LSTM隐藏层神经元替代原生RNN隐藏层神经元,建立了LSTM-RNN,避免了RNN的长期依赖关系所造成梯度爆炸和梯度消失的影响。本文提出的两种方法在主动声呐回波信号的数据集进行了仿真验证,都获得了很好的效果。并与作为基准的传统机器学习方法和改进的CNN方法对比,得出基于LSTM-RNN方法在水下场景的目标识别准确率提升了至少2%的性能效果。
杨书钰[4]（2020）在《基于矢量声纳的无监督学习与深度学习的水面目标识别》文中研究指明水面目标识别技术一直是水声领域的研究重点,但由于声场环境复杂,试验数据难获取,特征提取有难度等问题,导致水面目标的识别结果仍未达到预想的效果,所以在保持较高的识别率下如何快速的识别出目标类别仍是水面目标识别技术的难题。听觉特征模拟了人耳的听觉原理,即人在嘈杂的环境中仍能分辨出声音类别的这一特点,可以将听觉特征作为水面目标的特征。在没有已知标签的数据条件下,开展基于无监督学习的神经网络对水面目标分类研究是非常有必要的。在基于有监督学习的目标识别方法中,随着深度学习在各个领域内的广泛应用,将深度学习的方法引入水声领域,在不需要提前提取特征的情况下实现水面目标识别。本文主要对矢量声纳接收到的数据进行处理,通过听觉特征和基于无监督学习的神经网络相结合的方法实现对水面目标的分类,以及基于深度学习的神经网络实现对水面目标的识别。基于此,本文首先研究了听觉域特征提取的相关方法,结合矢量信号的理论,对试验数据进行了矢量信号的听觉域特征提取,并对试验结果进行分析。构建三种基于无监督学习的竞争型神经网络,结合提取的听觉特征对水面目标进行分类,通过模型参数评价标准对三种网络模型进行评估,并讨论不同网络模型以及网络参数对识别率的影响。最后,构建几种基于深度学习、在时间递归方式上采用权值共享方式的神经网络模型,通过对试验数据的处理,对模型进行评估并对不同网络模型和网络参数对识别率的影响进行分析。
韩雪[5]（2020）在《舰船地震波信号特性分析与应用研究》文中认为在浅海,当舰船辐射噪声的频率低于简正波截止频率时,水中声信号严重衰减,通过海底以舰船地震波的形式传播成为声传播的一个途径。舰船地震波作为一种新型的物理场,对其特性的分析和应用研究在水声领域具有重要意义。对水面船只信号的检测和特征提取是水面船只探测的关键。由于水面船只的传播信道非常复杂,导致强背景噪声干扰下水面船只微弱信号检测难度大,因此仍需探索新的水面船只检测方法。同时,舰船地震波信号在低频段,低频信号对人的生理和心理等方面都会造成影响,因此有必要研究舰船地震波信号移频处理的客观规律以及听觉特征提取方法。本论文围绕舰船地震波的特性及其在水面船只检测和听觉特征提取两方面的应用展开研究。首先对舰船地震波的极化特性进行了分析,研究了舰船地震波的线谱极化滤波算法,旨在改善强背景噪声干扰下的水面船只微弱信号检测问题,为水面船只远距离探测提供新的信号处理思路。其次对舰船地震波的调制特性进行了分析,针对舰船地震波包络调制信号的低频特性,研究了舰船地震波包络调制信号移频处理的心理声学特征参数变化规律。同时根据舰船地震波信号的包络调制特性在听音上具有“节奏感”的特点,借鉴水声听音处理对水声目标优良的探测性能,研究了舰船地震波信号的听觉特征提取方法,旨在为听音安全保障提供技术支持。论文的主要研究内容和结论如下:1.舰船地震波信号极化特性分析与应用论文对地震波线谱信号的极化特性进行了分析,通过优化选取得到了适用于线谱信号的频域极化度参数,然后构造了基于频域极化度参数的极化滤波函数,对线谱信号极化特征谱加权实现了线谱极化滤波算法;分析了极化滤波函数的影响因素,构造了四阶累积量联合极化滤波函数和多重自相关联合极化滤波函数。仿真和实验研究结果表明,相应的四阶累积量极化滤波算法和多重自相关极化滤波算法克服了受分析点数制约以及舰船地震波信号信噪比较低的问题;所提出的舰船地震波线谱极化滤波算法可以抑制背景噪声干扰,提取出线谱信号,实现了强背景噪声干扰下的水面船只微弱信号检测,对被动声呐信号处理和水声目标远距离探测有较好的应用前景。2.舰船地震波信号调制特性分析与听觉特征提取论文对舰船地震波信号调制特性进行了分析,针对舰船地震波包络调制信号的低频特性,对听音移频处理进行了研究,给出了舰船地震波包络调制信号的心理声学特征参数变化规律,为听音移频处理提供了理论依据和参考。研究了舰船地震波包络调制信号的时变响度特征提取。研究表明,时变响度时频图相比功率谱时频图能更好地表征舰船地震波包络调制信号。在此基础上,提出了节拍响度变化量特征。仿真和实验研究结果表明,节拍响度变化量特征的识别率高于稳态特征响度的识别率。此外,在舰船地震波信号的听觉滤波器特征提取研究中发现,可以利用听觉滤波器检测和提取舰船地震波线谱信号,相比传统线谱提取方法,线谱信号的输出信噪比有所提高。最后,研究发现等带宽三角形滤波器倒谱系数特征在低信噪比下有较好的鲁棒性。所获取的舰船地震波包络调制信号移频处理的心理声学特征参数变化规律以及所研究的舰船地震波听觉特征参数为便于低频舰船地震波听音识别提供了新方法。
王南,马世龙[6]（2019）在《水声目标线谱检测技术研究》文中研究说明水下目标辐射噪声的功率谱通常由连续谱和线谱构成,其中线谱信号具有较好的相位稳定性,且相比连续谱具有较高的强度,线谱信号检测对于声呐目标被动探测具有重要意义。文章介绍了现有各类线谱检测方法的优缺点和使用条件,预测了线谱检测方法发展方向,可为相关水声信号处理研究人员提供参考。
李享[7]（2020）在《水中舰船目标识别方法研究》文中认为海洋中存在多种信号,文章主要针对水中舰船目标噪声信号进行了研究,识别在水中存在多种干扰信号条件下的舰船目标信号。水中目标都会产生噪声信号,舰船在水中行驶过程中产生的噪声信号频率范围由几赫兹到几千赫兹。信号在海水中传播时,信号中高频部分的能量大部分被海水吸收,低频部分的信号能量不易被海水吸收反射,可进行远距离传播。因此,本文通过噪声信号中的低频部分信号来识别水中舰船目标。针对舰船目标信号的频率特性,根据同时满足正交条件与完全重构条件的半带滤波器,构造符合舰船目标信号中的低频部分信号频率特性的小波滤波器。由小波滤波器构造舰船目标信号的小波,建立符合舰船目标信号频率特性的小波库。通过舰船目标信号的小波库,提取模拟舰船目标信号的波形特征。利用小波库对样本数据进行相关处理,得到波形相关系数,将相关系数值作为信号波形识别特征值。根据信号的时-频分析提取信号的频率、持续时间以及能量特征值,结合信号波形特征值,构建信号特征的训练样本数据集。用最小二乘法对信号特征样本数据集进行训练,得到分类器的权值向量。由分类器对模拟舰船目标信号进行识别,分析信号的识别结果,识别模拟舰船目标信号。最后,根据实验采集的舰船目标信号实验数据,提取实验信号的波形特征值、频率、持续时间与能量特征值,结合分类器对舰船目标噪声信号进行识别。实验结果表明,本文采用的方法对水中舰船目标达到了很好的识别效果。
马林[8]（2020）在《基于声矢量传感器的水声目标探测技术及应用试验研究》文中研究表明水声探测系统和相关技术已经取得了长足的发展,但是目前仍面临着被探测目标辐射噪声以及目标强度逐渐降低等挑战。当关注的信号频段降低时,声呐系统要获得与高频声呐相同的空间分辨性能,需要更大的阵列孔径。由于受到各种条件的限制,某些小平台并不适宜装备大孔径阵列。此时,矢量传感器或小孔径矢量阵列可能是更好的选择。矢量传感器体积小、重量轻、布放方便,非常适合水下小型声呐平台的安装要求。在单矢量传感器或小孔径矢量阵声呐系统中,被动探测一般难以精确地给出所探测目标的位置信息。为了能够确定目标位置,需要使用主动声呐系统进行探测与定位。基于矢量传感器的分布式声呐系统能够有效扩展探测覆盖范围,提高装备系统性能,因此具有广阔的应用前景。本文围绕以单只矢量传感器为接收机的小型主被动声呐系统,提出几种用于提升主被动水下目标检测性能的技术。本文着重研究并解决以下几个问题:1.声压振速时反卷积联合处理的输出及在信号检测中的应用。研究了两种卷积联合处理方式和输出,第一种处理输出包含信号的自相关函数、噪声自相关函数和交叉项噪声,另一种处理输出包含信号自相关函数和交叉项噪声。卷积联合处理能够获得空间增益并抑制噪声,从而提高信号检测性能。首先提出利用卷积联合处理后信号与噪声输出的差异,通过后置自适应增强技术提高对低信噪比线谱信号的检测性能。此外另一种卷积联合处理还可用于改进宽带信号的检测方法。仿真和试验数据处理结果表明声压振速时反卷积联合处理后置自适应增强能够提高线谱检测的性能。2.基于卷积联合处理输出自适应抵消的线谱信号方位估计。针对单只矢量传感器声压振速联合处理中指向性的主极大较宽和方位估计精度低的缺点,提出一种基于卷积联合处理输出自适应对消的方位估计方法。根据卷积联合处理的输出特点,在目标方位上自适应抵消器仅对消掉输入信号的噪声,而在非目标方位上会对消掉输入信号中的线谱自相关函数与噪声。由此根据自适应对消器输出的残差空间分布曲线估计目标的方位。仿真结果表明在相同条件下与其他方法相比,所提方法的性能更加稳健、空间方位分辨率更高、多目标区分更准确。试验数据处理结果验证了所提方法工程应用的可行性和良好的适用性。3.声矢量传感器匹配滤波频域输出卷积联合处理及后置自适应增强。研究了矢量传感器各通道进行匹配滤波后频域输出的信号模型,在理论表达式上其与时域中线谱信号矢量传感器的测量模型相同。由此提出在频域中进行卷积联合处理应用于矢量传感器匹配滤波频域输出的后置处理,提高对波形已知的宽带信号的检测性能。在理论上给出了算法实现原理,仿真和试验数据处理结果表明所提算法具有良好的检测性能,能够提高工程应用中的信号检测能力。4.信号波形已知的宽带信号方位估计。根据矢量传感器基于复声强的直方图统计方位估计原理,信号波形已知的宽带信号在匹配滤波之后同样能够通过直方图统计估计目标方位。研究了匹配滤波频域输出直方图加权统计方位估计和时域输出直方图加权统计方位估计的异同,对比了均匀加权、能量求和加权、以及所改进的能量求积加权方式在不同应用条件下的优缺点。在匹配滤波频域输出信号模型的基础上,提出了频域中基于卷积联合处理输出自适应对消的宽带信号方位估计技术。仿真和试验数据处理结果对比表明在宽带信号的方位估计中,所提出的匹配滤波时域能量求积加权直方图统计法和频域中卷积联合处理输出自适应抵消的方位估计方法,不仅具有更低信噪比环境的适用性,还能够抵抗一定的瞬时强干扰的影响,有效地区分多目标。5.基于声矢量传感器的主动双基地系统应用试验研究。在构建基于矢量传感器的小型主动双基地探测系统理论模型和试验模型的基础上,结合试验研究了系统中的直达波抑制问题、直达波抑制条件下的回波输出与回波探测问题,推导了此系统中对目标距离的估计方法、影响因素和距离估计误差等。通过系统综合试验验证了此系统模型、目标检测与定位算法的有效性能,为矢量传感器在主动双基地中的应用提供了工程技术参考。本文所研究的基于矢量传感器的声压振速时反卷积联合处理输出及在信号检测中的应用、线谱信号方位估计、匹配滤波频域输出后置卷积联合处理、已知波形条件下的宽带信号源的方位估计和基于矢量传感器主动双基地探测系统的应用试验,为矢量传感器在小型声呐平台中的应用提供了新的技术方案,能够广泛应用于海洋监测、港口安全预警、近海防御等领域,具有一定的工程研究价值和潜在的应用前景。
李鹏[9]（2020）在《近浅海中被动声呐目标探测关键技术研究》文中进行了进一步梳理在近浅海海域中,由于港口要塞,交通要道等位置的过往船只多,使得被动声呐,常常工作在多目标,多干扰,低信噪比条件下。因此在目标探测时常会面临以下三个问题:一是多目标条件下,常规处理算法分辨力的不足;二是海面干扰多、强度大,严重影响对水下目标的探测;三是难以区分探测到的目标是水面还是水下目标。因此,多目标高分辨技术、强干扰抑制技术,以及水面水下目标分辨技术等是浅海海域中被动声呐目标探测的研究重点。本文从接收信号的相位结构出发,分别利用空域相位结构、频域相位结构、模态域相位结构,以及波数域相位结构来研究以上三方面的技术问题,建立了相关算法模型,针对各种复杂条件和模型参数,在理论分析的基础上,开展了大量仿真数据分析,进行了海上试验数据验证,取得了良好效果,对提升被动声呐目标探测性能具有重要意义和工程应用价值。针对浅海海域目标多,干扰多的问题,本文在高分辨关键技术的研究上,从多种角度给出了具体解决途径:一是针对现有逆波束算法的旁瓣问题,从空域相位结构的角度进行重新分析,改变传统的协方差矩阵Toeplitz平均过程,提出了一种改进的逆波束形成方法,仿真和海上试验数据验证表明,该方法可以在提高目标方位分辨力的同时,不会引入旁瓣和干扰项,保证了对弱目标的探测能力,改善了现有逆波束形成方法的性能。二是从频域相位结构的角度,提出了一种基于频率分集技术的被动声呐目标方位估计算法,利用接收信号的频域相位结构,通过频率间的相位补偿或重构,来提升多目标方位分辨力,降低栅瓣级和增强方位估计的稳健性。根据双阵元、线列阵,以及互质阵三种不同的应用背景,分别给出了算法原理的推导过程和算法性能的理论分析,通过大量仿真和海上实验数据验证,证明了所提出算法的有效性和稳健性。针对海面干扰影响水下目标探测的问题,在水面干扰抑制关键技术的研究上,从浅海波导理论出发,首先分析了简正波传播过程中的频散特性和模态强度随深度和传播距离的变化特性,给出了利用频散特性的warping变换及模态滤波方法。在此基础上,研究了用于垂直阵的三种基于模态分布的海面干扰抑制方法。由于垂直阵的应用场合受限,进一步提出了用于水平阵的水面干扰抑制算法。在理论和仿真分析了水平线阵和水平圆阵在模态分解技术区别的基础上,提出了基于水平圆阵的干扰抑制方法,根据模态域波束形成算法计算各阶模态的方位估计结果,利用模态分布特性,使用多阶模态估计结果对常规方位估计结果做修正,达到抑制水面干扰的目的。仿真和实验数据验证表明,基于圆阵的模态强度提取和干扰抑制效果比水平线列阵效果更好。针对水面与水下目标的辨识问题,在水面、水下目标分辨关键技术的研究上,本文从水声物理（模态特征）角度,提出了两种用于水平阵的水面水下目标分辨方法。第一种方法是基于水平线阵的模态域相位结构,使用模态域波束形成来估计各阶模态强度,并使用匹配模态处理对目标深度进行估计。这种算法虽然可以给出目标深度的估计结果,但是需要较多条件,如多模态数,较大的孔径,海洋环境参数以及目标方位等。第二种方法是基于信号的波数域相位结来计算f-k域能量分布,并根据分布特征来分辨水面、水下目标,其利用的原理也是不同深度的目标在模态域能量分布上存在区别。虽然这种方法不能给出准确的目标深度,但是与现有的基于浅海波导理论的深度辨识算法相比,可在水平阵列孔径小、海洋环境信息少的条件下,较好分辨水面目标和一定深度以下的水下目标,更加适合实际应用背景,而且不受目标运动工况（造成信号变化）的影响,具有物理机理上的稳健性。
饶柏斌[10]（2020）在《舰船辐射噪声弱调制特征提取方法》文中指出在海洋中,目前已知的唯一可以有效地长距离传输的能量形式只有声波。声呐是通过水下声波对水声目标进行远距离探测和定位的装备。被动声呐通过在水下侦听舰船辐射噪声信号,从信号中提取目标特征,实现对水声目标的检测、定位和分类识别。宽带调制特征反映了舰船目标螺旋桨的桨叶数和主轴转速等物理参数,是舰船辐射噪声中的一种重要的特征。在声呐系统中,采用Detection of Envelope Modulation on Noise（DEMON）方法获取舰船辐射噪声宽带调制特征。当前,减振降噪技术的日益发展使得水声目标的辐射噪声强度和特征持续减弱,使得在实际海洋环境中,常规的DEMON方法检越来越难以提取舰船辐射噪声的调制特征,制约了声呐在水下的目标检测和分类识别性能。本文针对在舰船辐射噪声信号中弱调制特征的检测和提取,开展了如下研究。分析了舰船辐射噪声的产生机理和信号统计规律,考虑宽带调制信号的调制频段分布和目标机动带来的噪声起伏,建立了舰船辐射噪声精细模型,并设计了信号仿真方法。分析了DEMON算法对宽带调制信号的解调谱分析和线谱检测的原理,针对分频带解调算法频带划分造成频带增益损失提出了频段补偿的宽带解调方法,该方法根据各频段调制强度设计频段补偿滤波器对原始信号各频段加权,再进行全频带解调获取DEMON谱,实验证明该方法相对分频带解调可以获取质量更高的DEMON谱。分析了螺旋桨噪声的循环平稳特性,分析了宽带调制信号中调制函数和调制频带分布在循环谱中的表征。针对弱调制信号提出了一种基于循环谱和谱熵的解调方法（Cyclostationary Spectrum Entropy Algorithm,CSEA）,通过谱熵判断循环谱各频段谱质量,设计合理的加权融合系数,获得较高信噪比的DEMON谱。实验证明CSEA相对分频带解调算法能有效的提高对弱信号的检测能力。提出了一种谐波转换算法（Harmonic Transform Algorith,HTA）用于解调谱中的轴频提取。HTA通过Harmonic-Transform变换,求解目标信号的谐波谱,并证明了在目标轴频出,谐波谱具有最大值。Harmonic-Transform将频率及其谐波的能量集中在一起,对于谐波丢失以及干扰线谱等情况有较好的抑制效果。HTA的优点除了对信噪比较低的信号有很好的轴频提取能力之外,HTA还可以对采样时间长度较短的信号进行内插,提升谱的频率分辨率。HTA通过设置转换矩阵的频率间隔,来得到高精度的谐波谱,并由此得到更精确的轴频。
二、一种基于谱估计的被动声呐目标识别方法（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、一种基于谱估计的被动声呐目标识别方法（论文提纲范文）
（1）运动目标被动声呐信号频域分析关键技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 被动声呐探测目标特性及其发展和应用 |
| 1.2.1 舰船辐射噪声特性 |
| 1.2.2 被动声呐技术的发展及应用 |
| 1.3 水下目标被动探测研究进展 |
| 1.3.1 水下目标被动探测研究现状 |
| 1.3.2 舰船辐射噪声的特征提取 |
| 1.3.3 被动声呐信号处理的难点及发展趋势 |
| 1.4 本文主要内容 |
| 第2章 基于经典理论的被动声呐信号频域分析 |
| 2.1 引言 |
| 2.2 被动声呐信号的物理模型 |
| 2.3 经典谱估计 |
| 2.3.1 功率谱估计 |
| 2.3.2 经典谱估计的基本方法 |
| 2.3.3 窗函数的影响 |
| 2.3.4 解卷积算法 |
| 2.4 多普勒频移影响下的被动声呐信号单频分量检测 |
| 2.4.1 积分时间与处理增益 |
| 2.4.2 仿真分析 |
| 2.5 本章小结 |
| 第3章 强线谱干扰下的低速目标被动声呐信号频域分析 |
| 3.1 引言 |
| 3.2 强线谱干扰影响下的低速目标被动声呐信号频域分析方法研究 |
| 3.2.1 频域解卷积高分辨功率谱估计方法 |
| 3.2.2 MVDR算法 |
| 3.2.3 压缩感知算法 |
| 3.3 强线谱干扰影响下的低速目标被动声呐信号频域分析方法仿真分析 |
| 3.3.1 频域解卷积高分辨功率谱估计方法的性能分析 |
| 3.3.2 多种高分辨谱估计方法的性能对比和分析 |
| 3.4 实验数据处理结果对比与分析 |
| 3.4.1 强线谱干扰下的目标线谱检测 |
| 3.4.2 背景起伏干扰下的目标线谱检测 |
| 3.4.3 运动目标线谱的时频分析 |
| 3.5 本章小结 |
| 第4章 基于互谱的运动目标多普勒系数和时延差估计 |
| 4.1 引言 |
| 4.2 多普勒系数和时延差估计方法研究 |
| 4.2.1 多普勒效应对经典互功率谱时延差估计的影响 |
| 4.2.2 尺度因子和时延差参数联合估计方法 |
| 4.2.3 采用互功率谱的多普勒系数和时延差分步估计方法 |
| 4.3 多普勒系数和时延差估计方法性能分析 |
| 4.3.1 仿真分析 |
| 4.3.2 实验数据处理 |
| 4.4 本章小结 |
| 第5章 低信噪比下的运动目标被动声呐信号频域分析 |
| 5.1 引言 |
| 5.2 低信噪比下的运动目标被动声呐信号频谱分析方法研究 |
| 5.2.1 MUSIC算法 |
| 5.2.2 频域相干累加 |
| 5.2.3 基于互功率谱的长时间相干积累 |
| 5.3 低信噪比下的运动目标被动声呐信号频谱分析方法性能分析 |
| 5.3.1 仿真分析 |
| 5.3.2 实验数据处理结果分析 |
| 5.4 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 |
（2）基于深度学习的水下目标识别的研究（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 传统机器学习方法水下目标识别技术研究现状 |
| 1.2.2 深度学习在水下目标识别的研究现状 |
| 1.3 论文研究内容和结构安排 |
| 1.3.1 研究内容 |
| 1.3.2 结构安排 |
| 第二章 传统机器学习方法水下目标识别 |
| 2.1 传统机器学习方法的水下目标识别框架 |
| 2.2 传统机器学习水下目标识别的水声信号源构建方法与原理 |
| 2.2.1 舰船辐射噪声的产生机理及频谱结构 |
| 2.2.2 舰船辐射噪声仿真 |
| 2.3 传统机器学习水下目标信号识别MFCC特征提取 |
| 2.4 传统机器学习水下目标信号识别SVM分类器 |
| 2.4.1 线性支持向量机 |
| 2.4.2 非线性支持向量机 |
| 2.4.3 SVM的多分类方式 |
| 2.5 传统机器学习方法下水下目标识别实验 |
| 2.6 本章小结 |
| 第三章 水下目标信号特征预处理方法 |
| 3.1 基于深度学习的水下目标识别框架构建 |
| 3.2 基于谐振的稀疏信号分解算法 |
| 3.2.1 可调的Q因子小波变换 |
| 3.2.2 形态学成分分析 |
| 3.2.3 算法的有效性检验 |
| 3.3 基于多步判决的LOFAR谱线谱增强 |
| 3.3.1 LOFAR谱构造与线谱代价函数分析 |
| 3.3.2 基于多步判决的滑动窗线谱提取算法 |
| 3.3.3 舰船辐射噪声线谱增强效果 |
| 3.4 本章小结 |
| 第四章 基于经典深度学习网络结构的水下目标识别 |
| 4.1 深度学习分类问题评价体系 |
| 4.1.1 准确率与混淆矩阵 |
| 4.1.2 ROC曲线与AUC值 |
| 4.2 基于卷积神经网络的水下目标识别 |
| 4.2.1 卷积神经网络的原理 |
| 4.2.2 基于卷积神经网络的水下目标识别架构设计 |
| 4.2.3 基于卷积神经网络的水下目标识别实验验证 |
| 4.3 基于长短时记忆网络的水下目标识别 |
| 4.3.1 长短时记忆网络的原理 |
| 4.3.2 基于长短时记忆网络的水下目标识别架构设计 |
| 4.3.3 基于长短时记忆网络的水下目标识别实验验证 |
| 4.4 两种深度学习方法及传统方法的性能比较分析 |
| 4.4.1 实测舰船辐射噪声下的比较分析 |
| 4.4.2 仿真舰船辐射噪声下的比较分析 |
| 4.5 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 |
（3）基于深度神经网络的水下目标识别技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外基于水下目标识别技术的研究现状 |
| 1.2.1 基于传统方法的特征提取方法 |
| 1.2.2 基于深度神经网络的特征提取方法 |
| 1.2.3 分类算法研究现状 |
| 1.3 论文主要研究内容 |
| 1.4 论文的组织结构 |
| 2 基础理论 |
| 2.1 基于传统方法的特征提取 |
| 2.1.1 小波变换 |
| 2.1.2 梅尔频率倒谱系数 |
| 2.2 基于深度神经网络方法的特征提取 |
| 2.2.1 卷积神经网络 |
| 2.2.2 循环神经网络 |
| 2.3 分类器设计 |
| 2.3.1 支持向量机 |
| 2.3.2 k最近邻 |
| 2.4 本章总结 |
| 3 基于卷积神经网络的水下目标识别 |
| 3.1 前言 |
| 3.2 激活函数对比分析 |
| 3.3 损失函数设计 |
| 3.3.1 均方误差损失函数 |
| 3.3.2 交叉熵损失函数 |
| 3.4 正则化方法 |
| 3.4.1 L1与L2正则化 |
| 3.4.2 Dropout方法 |
| 3.5 卷积神经网络的权值更新 |
| 3.5.1 前向传播算法 |
| 3.5.2 反向传播算法 |
| 3.6 本章小结 |
| 4 基于LSTM-RNN的水下目标识别方法 |
| 4.1 前言 |
| 4.2 长短时记忆循环神经网络(LSTM-RNN) |
| 4.2.1 循环神经网络 |
| 4.2.2 长短时记忆循环神经网络 |
| 4.3 LSTM-RNN的权值更新 |
| 4.4 本章小结 |
| 5 实验与分析 |
| 5.1 实验环境 |
| 5.2 数据集描述 |
| 5.3 模型的训练和结果分析 |
| 5.3.1 CNN结构设计 |
| 5.3.2 LSTM-RNN结构设计 |
| 5.3.3 超参数优化 |
| 5.3.4 对比实验结果分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 论文总结 |
| 6.2 未来展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（4）基于矢量声纳的无监督学习与深度学习的水面目标识别（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 论文的研究目的及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要研究内容及工作安排 |
| 第2章 基于听觉感知的水面目标特征提取方法 |
| 2.1 概述 |
| 2.2 听觉感知特征 |
| 2.3 矢量信号理论模型 |
| 2.3.1 矢量信号时域测量模型 |
| 2.3.2 矢量信号的互谱 |
| 2.4 试验数据处理及结果分析 |
| 2.4.1 试验数据预处理 |
| 2.4.2 试验数据听觉感知特征提取及结果分析 |
| 2.5 本章小结 |
| 第3章 基于无监督学习的水面目标分类方法 |
| 3.1 自组织竞争神经网络(SOC) |
| 3.1.1 神经网络的学习方式 |
| 3.1.2 SOC网络结构 |
| 3.1.3 相似性测量 |
| 3.1.4 竞争学习算法 |
| 3.2 自组织特征映射神经网络(SOM) |
| 3.2.1 SOM网络的原理 |
| 3.2.2 SOM网络的拓扑结构 |
| 3.2.3 SOM网络的权值调整 |
| 3.2.4 SOM网络的学习算法 |
| 3.3 学习向量量化神经网络(LVQ) |
| 3.3.1 LVQ网络结构 |
| 3.3.2 LVQ网络的学习算法 |
| 3.4 网络模型评价指标 |
| 3.5 试验数据处理及结果分析 |
| 3.5.1 基于SOC网络的水面目标分类 |
| 3.5.2 基于SOM网络的水面目标分类 |
| 3.5.3 基于LVQ网络的水面目标分类 |
| 3.5.4 三种网络模型的评价指标 |
| 3.6 本章小结 |
| 第4章 基于深度学习的水面目标识别方法 |
| 4.1 循环神经网络(RNN) |
| 4.2 长短时记忆神经网络(LSTM) |
| 4.2.1 梯度爆炸和梯度消失问题 |
| 4.2.2 LSTM的标准模型 |
| 4.2.3 LSTM网络的学习算法 |
| 4.3 双向长短时记忆神经网络(Bi-LSTM) |
| 4.4 Bi-LS TM网络的参数调整 |
| 4.4.1 反向传播算法 |
| 4.4.2 优化算法 |
| 4.5 试验数据处理及结果分析 |
| 4.5.1 基于Elman网络的水面目标识别 |
| 4.5.2 基于LSTM网络的水面目标识别 |
| 4.5.3 基于Bi- LS TM网络的水面目标识别 |
| 4.5.4 不同网络模型对水面目标识别结果的影响 |
| 4.5.5 学习率对水面目标识别结果的影响 |
| 4.5.6 优化算法对水面目标识别结果的影响 |
| 4.5.7 隐层神经元数对水面目标识别结果的影响 |
| 4.5.8 Batchsize对水面目标识别结果的影响 |
| 4.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（5）舰船地震波信号特性分析与应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 立题背景与意义 |
| 1.2 舰船地震波特性研究概况 |
| 1.3 舰船地震波应用研究概况 |
| 1.3.1 线谱检测方法研究概况 |
| 1.3.2 听觉特征提取方法研究概况 |
| 1.4 矢量信号极化分析方法研究概况 |
| 1.5 本文研究的主要内容 |
| 第2章 舰船地震波基础理论 |
| 2.1 引言 |
| 2.2 舰船地震波信号频谱特性 |
| 2.3 舰船地震波信号极化特性和分析方法 |
| 2.3.1 舰船地震波线谱信号极化特性 |
| 2.3.2 地震波极化分析方法 |
| 2.4 舰船地震波信号统计量计算方法 |
| 2.5 舰船地震波听觉计算模型 |
| 2.5.1 心理声学参数计算模型 |
| 2.5.2 听觉滤波器模型 |
| 2.6 本章小结 |
| 第3章 舰船地震波信号极化特性分析与应用 |
| 3.1 引言 |
| 3.2 地震波线谱信号模型 |
| 3.3 舰船地震波线谱信号极化特性分析 |
| 3.4 线谱极化滤波算法 |
| 3.4.1 极化滤波函数影响因素分析 |
| 3.4.2 线谱极化滤波算法仿真分析 |
| 3.5 线谱四阶累积量极化滤波算法 |
| 3.5.1 四阶累积量极化分析方法 |
| 3.5.2 线谱四阶累积量极化滤波算法仿真分析 |
| 3.6 线谱多重自相关极化滤波算法 |
| 3.6.1 多重自相关极化分析方法 |
| 3.6.2 线谱多重自相关极化滤波算法仿真分析 |
| 3.7 实验数据处理 |
| 3.8 本章小结 |
| 第4章 舰船地震波信号调制特性分析与听觉特征提取 |
| 4.1 引言 |
| 4.2 舰船地震波信号调制特性分析 |
| 4.3 舰船地震波包络调制信号移频处理的心理声学特征参数变化规律研究 |
| 4.3.1 信号仿真分析 |
| 4.3.2 响度变化规律仿真分析 |
| 4.3.3 尖锐度变化规律仿真分析 |
| 4.3.4 调制特性变化规律仿真分析 |
| 4.3.5 舰船地震波包络调制信号实验分析 |
| 4.4 舰船地震波包络调制信号的时变响度特征提取研究 |
| 4.4.1 时变响度特征提取及其适用性分析 |
| 4.4.2 节拍响度变化量特征提取算法 |
| 4.5 舰船地震波信号的听觉滤波器特征提取研究 |
| 4.5.1 听觉滤波器对舰船地震波线谱信号的提取性能 |
| 4.5.2 等带宽三角形滤波器倒谱系数特征 |
| 4.5.3 实验结果与分析 |
| 4.6 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 |
（6）水声目标线谱检测技术研究（论文提纲范文）
| 1 DFT基线谱检测方法 |
| 1.1 基于功率谱估计的线谱检测 |
| 1.2 基于信号统计特性的线谱检测 |
| 1.3 基于幅相稳定性的线谱检测 |
| 1.4 基于多时刻延迟判决的线谱检测 |
| 2 自适应线谱增强器 |
| 3 高阶谱方法 |
| 4 稀疏重构类方法 |
| 5 非线性混沌振子类方法 |
| 6 未来发展方向 |
（7）水中舰船目标识别方法研究（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 国内外研究现状分析 |
| 1.3 本文研究内容 |
| 1.4 文章结构安排 |
| 第2章 舰船目标信号波形特性 |
| 2.1 舰船目标信号在水中传播特点 |
| 2.2 舰船目标信号特性 |
| 2.3 舰船目标信号波形模拟 |
| 2.3.1 模拟舰船目标信号原理 |
| 2.3.2 舰船目标信号的模拟 |
| 2.3.3 外部干扰噪声信号的模拟 |
| 2.4 本章小结 |
| 第3章 舰船目标信号的小波库构造 |
| 3.1 构造舰船目标信号的小波 |
| 3.1.1 基于正交滤波器的小波构造原理 |
| 3.1.2 舰船目标信号的正交滤波器组构造 |
| 3.1.3 舰船目标信号的小波构造 |
| 3.2 基于舰船目标信号小波的小波库构造 |
| 3.2.1 构造舰船目标信号的小波库 |
| 3.2.2 构造外部干扰信号的小波库 |
| 3.3 本章小结 |
| 第4章 信号特征提取 |
| 4.1 舰船目标信号波形特征提取 |
| 4.1.1 基于小波库的舰船目标信号波形特征提取 |
| 4.1.2 基于小波库的外部干扰信号波形特征提取 |
| 4.1.3 舰船目标信号波形特征值结果 |
| 4.2 舰船目标信号的频率、时间与能量特征提取 |
| 4.3 本章小结 |
| 第5章 舰船目标信号识别 |
| 5.1 基于最小二乘法的目标识别方法 |
| 5.1.1 最小二乘法准则 |
| 5.1.2 基于最小二乘法的特征权值向量计算 |
| 5.2 模拟舰船目标信号的识别与分析 |
| 5.2.1 模拟舰船目标信号的识别 |
| 5.2.2 模拟舰船目标信号识别结果分析 |
| 5.3 实验验证与讨论 |
| 5.3.1 实验方案 |
| 5.3.2 实验数据采集 |
| 5.3.3 实验信号特征提取 |
| 5.3.3.1 实验信号波形特征提取 |
| 5.3.3.2 实验信号的频率、时间与能量特征提取 |
| 5.3.4 实验信号识别结果与分析 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和获得的科研成果 |
| 致谢 |
（8）基于声矢量传感器的水声目标探测技术及应用试验研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 立题背景和意义 |
| 1.2 国内外相关技术研究概述 |
| 1.2.1 水声目标的被动检测技术 |
| 1.2.2 目标方位估计技术 |
| 1.2.3 匹配滤波的改进及相关技术 |
| 1.2.4 主动双基地系统中的目标定位 |
| 1.3 声矢量传感器及其在小型平台中的应用 |
| 1.4 论文研究内容与结构 |
| 第2章 声压振速时反卷积联合处理与检测应用 |
| 2.1 引言 |
| 2.2 声矢量传感器基础 |
| 2.2.1 声矢量传感器信号测量模型 |
| 2.2.2 声压振速联合处理 |
| 2.3 声压振速时反卷积联合处理及输出 |
| 2.3.1 声压振速时反卷积联合处理 |
| 2.3.2 信号与噪声的输出 |
| 2.4 基于卷积联合处理输出的线谱检测与性能提升 |
| 2.4.1 线谱信号声压振速时反卷积联合处理的输出 |
| 2.4.2 卷积联合处理后置自适应线谱增强 |
| 2.4.3 性能分析和仿真 |
| 2.4.4 试验数据处理 |
| 2.5 基于卷积联合处理输出的宽带信号被动检测 |
| 2.5.1 声压振速联合互谱检测 |
| 2.5.2 宽带信号声压振速时反卷积联合处理的输出 |
| 2.5.3 性能分析与仿真 |
| 2.5.4 试验数据处理 |
| 2.6 本章小结 |
| 第3章 基于卷积联合处理输出自适应对消的方位估计 |
| 3.1 引言 |
| 3.2 方位估计基础 |
| 3.2.1 卷积联合处理输出通道间对消 |
| 3.2.2 方向图的权值优化 |
| 3.3 基于自适应抵消的线谱目标方位估计技术 |
| 3.3.1 理论基础 |
| 3.3.2 技术流程 |
| 3.4 性能分析与仿真 |
| 3.4.1 单只声矢量传感器的CBF,MVDR,MUSIC和Eigen-MVDR |
| 3.4.2 方位估计对比 |
| 3.4.3 方位谱分辨率与信噪比的关系 |
| 3.4.4 方位估计误差 |
| 3.4.5 双目标源的区分 |
| 3.4.6 宽带目标源的适用性 |
| 3.5 试验数据处理 |
| 3.5.1 定点目标方位估计 |
| 3.5.2 目标方位轨迹估计 |
| 3.6 本章小结 |
| 第4章 声矢量传感器中匹配滤波频域输出的后置处理 |
| 4.1 引言 |
| 4.2 匹配滤波及性能的影响分析 |
| 4.2.1 匹配滤波原理及检测应用 |
| 4.2.2 匹配滤波增益相干损失 |
| 4.2.3 性能影响因素分析 |
| 4.3 声矢量传感器匹配滤波频域输出的后置处理技术 |
| 4.3.1 技术原理 |
| 4.3.2 常用的自适应算法 |
| 4.3.3 性能分析与仿真 |
| 4.4 试验数据处理 |
| 4.5 本章小结 |
| 第5章 声矢量传感器中匹配滤波后的宽带源方位估计 |
| 5.1 引言 |
| 5.2 匹配滤波后直方图统计目标方位估计 |
| 5.2.1 复声强直方图统计目标方位估计 |
| 5.2.2 匹配滤波频域输出加权直方图统计方位估计 |
| 5.2.3 匹配滤波时域输出加权直方图统计方位估计 |
| 5.3 基于卷积联合处理后置自适应对消的目标方位估计 |
| 5.4 性能分析与仿真 |
| 5.4.1 方位估计对比 |
| 5.4.2 方位估计误差 |
| 5.4.3 多目标方位估计性能 |
| 5.4.4 强干扰条件下方位估计性能 |
| 5.5 试验数据处理 |
| 5.6 本章小结 |
| 第6章 基于声矢量传感器的主动双基地系统的应用试验 |
| 6.1 引言 |
| 6.2 试验系统及配置 |
| 6.2.1 试验系统构成与仪器配置 |
| 6.2.2 系统几何模型与场地布局 |
| 6.2.3 整体系统算法结构 |
| 6.3 声矢量传感器的直达波抑制 |
| 6.3.1 声压振速通道加权及输出 |
| 6.3.2 方向图畸变的影响 |
| 6.3.3 引导方位失配 |
| 6.3.4 试验数据处理 |
| 6.4 直达波抑制条件下的回波检测 |
| 6.4.1 直达波抑制条件下的回波信号模型 |
| 6.4.2 检测性能与回波空间方位的关系 |
| 6.4.3 试验数据处理 |
| 6.5 目标距离估计与定位 |
| 6.5.1 距离估计方法 |
| 6.5.2 距离估计误差分析 |
| 6.5.3 试验结果与分析 |
| 6.6 其他问题的讨论 |
| 6.6.1 混响与匹配滤波输出的信混比 |
| 6.6.2 多基地声呐配置 |
| 6.7 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 |
（9）近浅海中被动声呐目标探测关键技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究历史与现状 |
| 1.2.1 多目标高分辨方位估计问题研究进展 |
| 1.2.2 海面干扰抑制问题研究进展 |
| 1.2.3 水面水下目标分类问题研究进展 |
| 1.3 研究思路与内容结构安排 |
| 1.3.1 论文研究思路 |
| 1.3.2 研究内容与结构安排 |
| 第2章 基于阵列扩展原理的高分辨方位估计方法研究 |
| 2.1 引言 |
| 2.2 改进的逆波束形成 |
| 2.2.1 逆波束形成原理 |
| 2.2.2 逆波束形成的改进方法 |
| 2.3 仿真与实验数据分析 |
| 2.3.1 仿真数据验证 |
| 2.3.2 海试数据验证 |
| 2.4 本章小结 |
| 第3章 基于频率分集的高性能方位估计方法研究 |
| 3.1 引言 |
| 3.2 基于频率分集方位估计的基本原理 |
| 3.3 基于频率分集的线列阵方位估计研究 |
| 3.3.1 基于阵元内插的频率分集方位估计研究 |
| 3.3.2 基于阵元外推的频率分集方位估计方法研究 |
| 3.3.3 仿真与实验数据分析 |
| 3.4 基于频率分集的双阵元方位估计研究 |
| 3.4.1 传统双阵元方位估计算法 |
| 3.4.2 双阵元频率分集技术 |
| 3.4.3 仿真与实验数据分析 |
| 3.5 本章小结 |
| 第4章 基于互质阵的方位估计方法研究 |
| 4.1 引言 |
| 4.2 被动声呐中互质阵技术研究 |
| 4.2.1 基本原理 |
| 4.2.2 三种算法的仿真分析 |
| 4.3 互质阵上的频率分集算法 |
| 4.3.1 频集互质原理 |
| 4.3.2 仿真与实验数据分析 |
| 4.4 本章小结 |
| 第5章 基于模态特征的水面干扰抑制技术研究 |
| 5.1 引言 |
| 5.2 浅海波导条件下的传播特性研究 |
| 5.2.1 模态分布特征 |
| 5.2.2 频散特征及卷绕变换研究 |
| 5.3 基于模态分解的干扰抑制技术研究 |
| 5.3.1 垂直阵模态分解及匹配模原理 |
| 5.3.2 基于垂直阵的水面干扰抑制仿真研究 |
| 5.4 基于水平圆阵的干扰抑制 |
| 5.4.1 圆阵模态域波束形成 |
| 5.4.2 模态强度可提取性分析 |
| 5.4.3 水面干扰抑制及仿真研究 |
| 5.5 本章小结 |
| 第6章 水面水下目标分辨技术研究 |
| 6.1 引言 |
| 6.2 基于水平线阵的分辨技术 |
| 6.2.1 线阵模态域波束形成 |
| 6.2.2 模态匹配算法 |
| 6.2.3 仿真研究 |
| 6.3 基于F-K域特征的分辨技术 |
| 6.3.1 f-k域特征 |
| 6.3.2 仿真及实验数据研究 |
| 6.4 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 |
（10）舰船辐射噪声弱调制特征提取方法（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 国内外研究现状 |
| 1.3 全文结构 |
| 第二章 舰船辐射噪声 |
| 2.1 舰船辐射噪声的产生 |
| 2.2 舰船辐射噪声信号精细模型 |
| 2.3 本章小结 |
| 第三章 宽带解调谱分析 |
| 3.1 宽带解调基本原理 |
| 3.2 分频带解调 |
| 3.3 本章小结 |
| 第四章 弱调制线谱检测与提取 |
| 4.1 舰船辐射噪声的循环平稳特性 |
| 4.2 舰船辐射噪声的循环谱估计 |
| 4.3 基于循环谱和谱熵的噪声包络调制检测 |
| 4.4 本章小结 |
| 第五章 调制谱的结构特征提取 |
| 5.1 轴频估计 |
| 5.2 谐波变换轴频估计算法 |
| 5.3 多目标分辨 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的成果 |
四、一种基于谱估计的被动声呐目标识别方法（论文参考文献）
- [1]运动目标被动声呐信号频域分析关键技术研究[D]. 郭微. 哈尔滨工程大学, 2020(04)
- [2]基于深度学习的水下目标识别的研究[D]. 张健. 电子科技大学, 2020(07)
- [3]基于深度神经网络的水下目标识别技术研究[D]. 李保红. 杭州电子科技大学, 2020(02)
- [4]基于矢量声纳的无监督学习与深度学习的水面目标识别[D]. 杨书钰. 哈尔滨工程大学, 2020(04)
- [5]舰船地震波信号特性分析与应用研究[D]. 韩雪. 哈尔滨工程大学, 2020(04)
- [6]水声目标线谱检测技术研究[J]. 王南,马世龙. 声学与电子工程, 2019(04)
- [7]水中舰船目标识别方法研究[D]. 李享. 沈阳理工大学, 2020(08)
- [8]基于声矢量传感器的水声目标探测技术及应用试验研究[D]. 马林. 哈尔滨工程大学, 2020(04)
- [9]近浅海中被动声呐目标探测关键技术研究[D]. 李鹏. 哈尔滨工程大学, 2020(04)
- [10]舰船辐射噪声弱调制特征提取方法[D]. 饶柏斌. 东南大学, 2020(01)