水声目标特征分析与识别技术
|
|
目标分类识别
基于水声目标特征的分类识别方法可主要有统计分类、模型匹配、神经网络和专家系统等方法。
统计分类识别
统计分类识别是应用最广泛的一类分类器，该类方法主要利用目标特征的统计分布，依赖于对已有样本数据的统计分析和基于距离度量的模式匹配。水听器阵列数据经过特征提取得到目标特征向量。通过与参考模式进行比较，结果得到此样本向量被判定为各个参考模式的一组概率，常用的基于统计分布的分类器如贝叶斯分类器、支持向量机（SVM）等。该类分类器的优点是算法简单、分类速度快，但得到的匹配模板是固定的，适于高质量的特征样本和较高信噪比要求，难以适应数据的剧烈变化，泛化率低。
模型分类识别
基于模型的分类方法，它先将样本空间模型化，通过模型的分解和参量化表达出有意义的子空间。需要目标模型、背景模型、环境模型等实现模式的最佳匹配。该分类器算法简单，但因水声目标信号机理复杂，精确建模难度较大，适应性仍需提高。
神经网络的分类识别
基于神经网络的分类方法，神经网络是由大量非线性处理单元广泛互联而成的网络，它具有大规模并行处理、分布式信息存储、非线性动力学和网络全局作用等特性。神经网络方法通过网络本身的学习获取知识，构成权系数，实现训练样本空间的较好类别划分，并对新样本进行运算判决。这类系统在样本空间较完备时分类准确度高，具有很强的自适应和学习能力，能充分逼近复杂的非线性关系。但需要完备的训练样本数据，对水声目标难度较大，同时不能观测中间的学习过程，物理意义不明确。
专家系统识别方法
为了降低目标识别性能对样本数量的依赖，水声目标识别还利用了专家系统识别方法。专家系统识别方法是基于领域专家的经验知识建立的推理识别系统，构建的知识库具有一定的普遍性和代表性，因此具有对样本依赖性小的优点。在这种识别系统中，传感器数据经过特征提取得到的目标特征送入推理机中，推理机分析并与知识库中的条件进行对比从而得出识别结果。