学位论文 > 优秀研究生学位论文题录展示

船舶及鲸类声信号特征提取和分类识别研究

作　者: 李新欣
导　师: 杨士莪
学　校: 哈尔滨工程大学
专　业: 水声工程
关键词: 水声信号处理特征提取 HHT MFCC 分类识别人工神经网络
分类号: TN912.3
类　型: 博士论文
年　份: 2012年
下　载: 514次
引　用: 0次
阅　读: 论文下载

内容摘要

水声信号的分类识别技术一直是水声信号处理领域中的重要研究内容。水声信号的分类识别技术主要是沿着两个方向不断发展进步的，一是特征提取方法的研究；二是模式识别算法的研究即分类器的设计。特征提取方法研究的主要任务是研究和选取能表现信号类别的，有效而且稳定可靠的特征矢量；而分类器设计的主要任务是研究各种分类模型的结构和算法，从而对训练和识别中提取的特征向量做类别匹配，以完成准确的类别划分的目的。本文的研究对象是船舶和鲸类水下声信号，研究的重点是特征提取方法及分类器设计。本文对希尔伯特-黄变换理论和小波分析理论及其在船舶和鲸类水下声信号特征提取中的应用进行了较深入的研究；对语音信号处理中的说话人识别技术进行了深入的研究并将其应用到船舶和鲸类水下声信号的分类识别中。论文的主要内容包括：1、论文首先详细的介绍了水声信号分类识别问题的相关理论知识，说明了分类识别系统的各个组成部分及其各自的作用。重点分析了现有的特征提取算法及各自的优缺点，以及分类器对识别性能的影响。2、基于小波分析理论在非平稳信号分析和处理中的优势，对提取小波域的信号特征方法进行研究。利用小波分析理论中多分辨分析的概念和小波包分解研究了信号不同频段内能量特征的提取算法，给出了特征向量的构造方法，讨论分析了小波基函数和小波包分解层数的变化对分类识别性能的影响。3、由于希尔伯特-黄变换（HHT）方法自身独特的特点及其在信号处理各个领域的广泛应用，对希尔伯特-黄变换的思想及其算法进行了研究，将其应用到船舶和鲸类水下声的特征提取中，提取了船舶和鲸类声信号的希尔伯特谱特征。利用神经网络分类器对提取的希尔伯特谱特征进行分类。分类结果表明该方法具有较好的分类识别效果，可以应用于船舶和鲸类水下声的分类识别中。4、探索将说话人识别技术应用到船舶和鲸类水下声信号的分类识别中。声呐员对监听到的各种水下声信号的识别机理和人对听到的各种声音信号的识别理论上是相同的。本文将在语音信号识别中取得满意效果的基于人耳听觉特性的的美尔倒谱系数（MFCC）应用于船舶和鲸类水下声信号的特征提取中，提取了船舶和鲸类声信号的MFCC语音特征，通过高斯混合模型对提取的语音特征进行训练和识别。讨论分析了MFCC维数的变化和不同MFCC特征的组合对识别性能的影响。5、研究了本文用到的两种识别模型，人工神经网络（ANN）和高斯混合模型（GMM）。详细分析了这两种识别模型各自的特点、理论基础和算法实现，包括各种参数的选择和设定，并将其应用到船舶和鲸类声信号的分类识别中，实现了有效的特征层识别。6、通过对实验数据的处理和分类结果的分析进一步验证了文中提出的特征提取方法和识别模型的有效性以及对船舶和鲸类声信号的适用性；并针对在实际应用中遇到的问题，包括特征向量维数的变化及特征向量的不同组合和识别模型各种参数的选取与设定等问题进行了分析研究，对各种特征提取方法的识别结果做了比较和分析。本文以船舶和鲸类水下声信号为研究对象，以提高水声信号被动识别能力为研究目标，研究了船舶和鲸类水下声信号的特征提取算法和分类识别模型。研究成果可望应用于水下被动声信号的分类识别领域，包括船舶和鲸类水下声信号的分析，特征提取、分类识别及其它相关的应用领域。

全文目录

摘要  5-7
ABSTRACT  7-11
第1章绪论  11-18
  1.1 研究背景与立题意义  11-12
  1.2 船舶和鲸类声信号识别问题的概述  12-15
    1.2.1 基本概念  12
    1.2.2 发展历史  12-14
    1.2.3 研究内容  14-15
  1.3 国内外研究现状  15-16
  1.4 论文的出发点  16
  1.5 本文主要内容  16-18
第2章水下声信号分类识别基本原理  18-27
  2.1 引言  18
  2.2 分类系统的基本组成  18-20
  2.3 分析信号与提取特征  20-23
  2.4 特征选择和压缩  23
  2.5 分类器的设计  23-25
  2.6 分类性能的评价准则  25-26
  2.7 本章小结  26-27
第3章特征提取方法研究  27-62
  3.1 特征提取方法概述  27
  3.2 基于小波包分解的能量特征提取方法研究  27-43
    3.2.1 小波分析的基本理论  27-29
    3.2.2 多分辨分析和小波包的定义  29-32
    3.2.3 基于小波包分解的能量特征提取算法  32-33
    3.2.4 基于小波包分解的能量特征提取  33-42
    3.2.5 分解层数和小波函数对识别性能的影响  42-43
  3.3 基于希尔伯特-黄变换的边际谱特征提取  43-52
    3.3.1 希尔伯特-黄变换的基本原理  43-46
    3.3.2 基于 HHT 的船舶和鲸类声信号分析  46-50
    3.3.3 基于 HHT 的船舶和鲸类声信号边际谱特征提取  50-52
  3.4 基于 MFCC 的特征参数提取方法  52-60
    3.4.1 信号的同态分析  53-54
    3.4.2 倒谱和复倒谱  54
    3.4.3 Mel 频率及 Mel 频率倒谱系数  54-56
    3.4.4 MFCC 特征参数的提取算法  56-59
    3.4.5 基于 MFCC 的船舶和鲸类声信号的特征参数提取  59-60
  3.5 本章小结  60-62
第4章分类器的设计与选择  62-79
  4.1 分类器的概述  62-64
  4.2 人工神经网络  64-73
    4.2.1 神经网络的组成及其研究方向  64-65
    4.2.2 神经网络的分类  65-67
    4.2.3 基于径向基函数的概率神经网络  67-73
  4.3 高斯混合模型  73-78
    4.3.1 高斯混合模型的基本理论  73-74
    4.3.2 高斯混合模型的参数估计  74-77
    4.3.3 高斯混合模型的识别算法  77-78
  4.4 本章小结  78-79
第5章实验结果分析  79-87
  5.1 船舶分类结果及分析  79-81
  5.2 鲸类信号分类结果及分析  81-82
  5.3 基于 Mel 频率倒谱系数和高斯混合模型的识别系统  82-86
    5.3.1 系统的设计方案  82-83
    5.3.2 基于 Mel 频率倒谱系数和高斯混合模型的识别系统的基本性能  83-84
    5.3.3 前两维 Mel 频率倒谱系数特征分量对识别性能的影响  84-85
    5.3.4 Mel 频率倒谱系数加入归一化能量信息后对识别性能的影响  85
    5.3.5 Mel 频率倒谱系数加入动态参数后对识别性能的影响  85-86
  5.4 本章小结  86-87
结论  87-89
参考文献  89-97
攻读博士学位期间发表的论文和取得的科研成果  97-98
致谢  98

船舶及鲸类声信号特征提取和分类识别研究

内容摘要

全文目录

相似论文