基于混沌预测水声信号检测方法的研究

《基于混沌预测水声信号检测方法的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、西北工业大学硕士学位论文摘要摘要海洋环境的复杂性以及舰船隐身降噪技术的不断发展，使得水声信号的检测变得愈加困难，传统的检测方法显现出了一定的局限性。近年来，随着混沌理论研究的不断深入，人们将混沌理论引入到水声信号的分析中来。同时，结合水声信号的特点，研究了水声信号产生混沌的机理，证明了水声信号的混沌特性。本文在此研究的基础上，对水声信号的混沌特征参数提取，混沌信号的降噪处理以及混沌信号的检测与识别等进行了进一步研究，本文主要研究内容如下：1．针对水声信号的非线性特点，研究了基于局部投影滤波理论的水声信号的降噪算法。重点

2、对局部投影滤波算法中邻域半径参数的选择进行了讨论，提出了基于递归分析和利用噪声强度计算邻域半径的两种方法。采用这两种方法，分别计算含有不同噪声强度的Logistic、Lorenz以及水声信号的邻域半径，进行局部投影降嗓处理。结果表明利用噪声强度计算邻域半径的方法具有较好的降噪效果。2．研究了水声信号混沌特征参数的计算，通过比较降噪前后水声信号混沌特征参数的差异，分析了噪声对水声信号混沌特征参数的影响。3．采用RBF神经网络和遗传算法分别建立了两种水声信号的全局预测模型。重点讨论了两种预测模型的学习算法，通过仿真对两种模

3、型的学习速度、所需样本数以及预测效果进行了比较，结果表明RBF神经网络预测模型学习速度快，所需样本点数少，预测效果较好。4．在建立水声信号预测模型的基础上，提出了一种基于混沌预测的信号检测模型．根据混沌系统的动力学特性，给出了这种检测模型的检验准则。通过对Lorenz信号和实际水声信号进行仿真，验证了检验准则的有效性．比较两种预测模型在仿真中的检测效果，表明预测模型的预测误差越小，所能检测出的信号的信噪比越低。5．采用支持向量机理论，初步研究了水声信号的分类识别算法。选取两类水声信号，计算它们的关联维数和以熵，每类信号

4、各提取32组数据。取两类水声信号各8组数据作为训练样本，训练支持向量机，其它样本用于验证。结果表明，支持向量机的分类算法分类效果较好，比较适合小样本、非线性分类。关键词：水声信号，混沌，相空间重构，Lyapunov指数，关联维数，％熵，局I西北工业大学硕士学位论文摘要部投影滤波，预测，RBF神经网络，遗传算法，信号检测，支持向量机Ⅱ西北工业大学硕士学位论文AbgractAbstractThedetectionofunderwateracousticsignalshasbecomesodifficult谢tlltheco

5、mplexitiesoftheseaambientaswellastheimprovementoftheship’snoisereductiontechnologythatithasobviouslimitedtheapplicationoftraditionaldetectionmethodstounderwateracousticsignals．Followingthedevelopmentofchaostheoryinrecentyears，somepeoplehavestudiedtheapplicationo

6、fchaostheorytothefieldofunderwateracousticsignalprocessing．Forexample，somepeopleresearchedthemechanismoftheunderwateracousticsignals，provethesignalsthathavechaoticfeatures，andsomeofthemextractedthecharacteristicparameters．Inthispaper,westudiedthechaoticfeatureex

7、仃actionalgorithm，noisereductionalgorithm，detectionandtargetrecognitionalgorithmsofunderwateracousticsignalsbasedonthechaotictheory．n圮maincontributionsofthepaperareasfollows：1．Focusedontheresearchoftwomethodsofchoosingtheneighborhoodsizeparameterforthede-noisealg

8、orithmforunderwateracousticsignals，anonlinearlocalprojectivenoisereductionalgorithmisstudied．Themethodsarcbasedonrecurrenceplotandnoiselevelestimationrespectively．Wea