水聲目標特征分析與識別技術
|
|
目標分類識別
基于水聲目標特征的分類識別方法可主要有統計分類、模型匹配、神經網絡和專家系統等方法。
統計分類識別
統計分類識別是應用最廣泛的一類分類器，該類方法主要利用目標特征的統計分布，依賴于對已有樣本數據的統計分析和基于距離度量的模式匹配。水聽器陣列數據經過特征提取得到目標特征向量。通過與參考模式進行比較，結果得到此樣本向量被判定為各個參考模式的一組概率，常用的基于統計分布的分類器如貝葉斯分類器、支持向量機（SVM）等。該類分類器的優點是算法簡單、分類速度快，但得到的匹配模板是固定的，適于高質量的特征樣本和較高信噪比要求，難以適應數據的劇烈變化，泛化率低。
模型分類識別
基于模型的分類方法，它先將樣本空間模型化，通過模型的分解和參量化表達出有意義的子空間。需要目標模型、背景模型、環境模型等實現模式的最佳匹配。該分類器算法簡單，但因水聲目標信號機理復雜，精確建模難度較大，適應性仍需提高。
神經網絡的分類識別
基于神經網絡的分類方法，神經網絡是由大量非線性處理單元廣泛互聯而成的網絡，它具有大規模并行處理、分布式信息存儲、非線性動力學和網絡全局作用等特性。神經網絡方法通過網絡本身的學習獲取知識，構成權系數，實現訓練樣本空間的較好類別劃分，并對新樣本進行運算判決。這類系統在樣本空間較完備時分類準確度高，具有很強的自適應和學習能力，能充分逼近復雜的非線性關系。但需要完備的訓練樣本數據，對水聲目標難度較大，同時不能觀測中間的學習過程，物理意義不明確。
專家系統識別方法
為了降低目標識別性能對樣本數量的依賴，水聲目標識別還利用了專家系統識別方法。專家系統識別方法是基于領域專家的經驗知識建立的推理識別系統，構建的知識庫具有一定的普遍性和代表性，因此具有對樣本依賴性小的優點。在這種識別系統中，傳感器數據經過特征提取得到的目標特征送入推理機中，推理機分析并與知識庫中的條件進行對比從而得出識別結果。