| 【中文题名】 | 基于高阶统计量的舰船辐射噪声特征提取及分类识别研究 |
| 【英文题名】 | |
| 【学科专业】 | 机械电子工程 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2001-10-17 |
| 【中关键词】 | 高阶累积量,高阶循环累积量,1（12）维谱,2（12）维谱,相位耦合,B-P神经网络 |
| 【英关键词】 | Higher-order cumulant,Higher-order cyclic cumulant,1（1/2）-Spectrum,2（1/2）-Spectrum,Phase coupling,B-P neural network,recognition and classification, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>自动信息理论>> |
| 【论文摘要】 |
高阶统计量是研究非线性和非高斯信号的有效工具，它在信号检测、特
征提取以及谐波恢复等方面具有特有的优越性。本文主要应用高阶统计量对
水中目标进行特征提取及分类识别研究。
论文首先分析了舰船辐射噪声的物理性能，提出了多种基于高阶统计量
的舰船噪声特征参数提取方法：双谱及三谱特征分析、1（1/2）维谱线谱特征分
析、2（1/2）维谱相位耦合特征分析等，并首次将高阶循环累积量方法应用于舰
船辐射噪声调制信号特征提取：利用三阶循环累积量对角切片谱提取噪声中
的周期成分。将上述方法所提取的线谱和连续谱特征作为特征参量，采用
B-P神经网络对三类船舶实际噪声样本进行识别分类，平均正确识别率达到
91.5％。并验证了采用高阶统计量方法的正确性和所提取特征的有效性。
本文研究认为，基于舰船噪声的调制信息包含了舰船的大量特征参数
（航速、主机类型、工况等），利用高阶循环累积量提取调制信息与其它方法
（功率倒谱等）相比具有较大的优越性，如抑制任何平稳（非平稳）高斯噪声，
可分离平稳和非平稳信号等，并可获得较好的识别分类结... |
| 【论文题纲】 |
|
中文摘要 |
3-4 |
|
英文摘要 |
4-7 |
|
第一章 绪论 |
7-13 |
|
1．1 研究的目的和意义 |
7-9 |
|
1．2 国内外研究动态及现状 |
9-11 |
|
1．3 本文的主要工作 |
11-13 |
|
第二章 高阶统计量理论 |
13-22 |
|
2．1 随机变（向）量的特征函数 |
13-14 |
|
2．2 高阶矩和高阶累积量的定义 |
14 |
|
2．3 高阶矩谱和高阶累积量谱的定义 |
14-16 |
|
2．4 高斯过程的高阶矩和高阶累积量 |
16-18 |
|
2．5 双谱的性质和算法 |
18-22 |
|
第三章 舰船辐射噪声高阶累积量特征提取 |
22-31 |
|
3．1 引言 |
22 |
|
3．2 舰船辐射噪声的组成及特性 |
22-25 |
|
3．3 双谱特征提取及实验分析 |
25-30 |
|
3．4 本章小结 |
30-31 |
|
第四章 基于舰船噪声的高阶累积量耦合特征提取 |
31-46 |
|
4．1 引言 |
31 |
|
4．2 舰船噪声1（1/2）维谱特征分析 |
31-36 |
|
4．3 舰船噪声2（1/2）维谱相位耦合特征分析 |
36-44 |
|
4．4 本章小结 |
44-46 |
|
第五章 基于舰船噪声高阶循环累积量特征分析 |
46-62 |
|
5．1 循环累积量理论 |
46-53 |
|
5．2 舰船噪声的高阶循环累积量特征分析 |
53-61 |
|
5．3 特征提取 |
61 |
|
5．4 本章小结 |
61-62 |
|
第六章 分类器设计及船舶识别分类 |
62-79 |
|
6．1 引言 |
62-64 |
|
6．2 前馈型神经网络理论 |
64-65 |
|
6．3 非变换单元组的前馈型网络—B-P网络 |
65-74 |
|
6．4 船舶分类识别的B-P网络设计 |
74-76 |
|
6．5 船舶识别分类实验 |
76-77 |
|
6．6 本章小结 |
77-79 |
|
第七章 全文总结 |
79-81 |
|
参考文献 |
81-84 |
|
致谢 |
84 |
|
| 【DOI】 | LunWen.ID:2.2008.386472 |
