基于BP神经网络的海洋声学仪器信号识别方法

分析了几种常用海洋声学仪器信号的基本特征,提出一种基于误差反向传播(back propagation,BP)神经网络,以实现对信号特征参数进行分类、识别的方法.该方法采用短时傅里叶变换提取信号特征参数,运用Levenberg-Marquardt算法训练BP神经网络.以实测海洋声学仪器信号的特征参数进行训练后,采用实测和仿真样本对BP神经网络的识别能力进行测试.实验结果表明,BP神经网络能够有效地区分不同海洋声学仪器的信号,识别准确率达到95%以上,且虚警率低于5%.该研究成果可用于识别海域中不同海洋声学仪器,检测海洋中声学仪器的工作状态.该识别方法对于其他海洋声信号的识别研究也有一定的参考价值.     

FRFT在水声信道时延频移联合估计中的应用

由于水声信道的复杂性和多变性,信号在水声信道传播中将伴随着多径时延与多普勒频移,二者是水声信道估计中两个重要的参数。基于分数阶傅里叶变换(fractional Fourier transform, FRFT)的时延和频移特性,提出一种采用多分量线性调频(linear frequency modulated, LFM)信号的水声信道估计方法,通过分析分数阶傅里叶域上峰值的偏移,联立不同阶次的时延和频移方程,可得到水声信道的时延和频移值。理论推导及仿真结果表明,该方法计算量小,且随着LFM信号分量数和调频率差值的增大,能在一定程度上减小估计的时延误差和频移误差。水池实验中选用具有相反调频率的双LFM信号作为估计信号,估计出多径时延与运动目标的多普勒频移,并给出了水下目标的运动速度。实验结果表明,FRFT估计法简单有效,在水声信道多径时延与多普勒频移估计上具有较好的实际应用价值。