[发明专利]一种基于IMF能量熵与PCA的水下船舰噪声特征提取方法

说明书

技术领域

本发明涉及水下目标识别领域，尤其是一种基于IMF能量熵与PCA的水下船舰噪声特征提取方法。

背景技术

目前，我国对海洋资源的需求不断增加，开发和利用规模不断加大。水下目标识别技术也迅速发展，并应用到了诸多方面，如鱼类探测、海洋生物研究以及水下潜艇的探测等。水下目标识别对于生物保护以及加强海洋防御安全有重要作用，对于海洋开发利用和可持续发展具有重要意义。而水下船舰噪声信号的识别与分类是水下目标识别分类的重点及难点，主要通过船舰的发动机噪声来判断船舰的类别。在复杂的海洋环境中，船舰等水声目标信号辐射噪声的产生机理十分复杂，成分多样。同时由于水声信道的复杂多变以及水声信号传播的多途效应，使水声信号往往呈现非高斯、非平稳、非线性的“三非”性质。而传统的方法都是基于信号和噪声是平稳和高斯随机过程这一假设的，随着水声目标减振降噪性能的提高，基于Fourier变换的传统信号处理方法很难精确的提取水下辐射噪声的特征。且传统方法提取到的特征向量数据量大，容易造成维数灾，在分类器中极易造成过拟合现象，降低分类精度。因此提取完备的特征信息，降低数据维度成为水声信号特征提取及分类的关键。

发明内容

本发明目的在于提供一种精确提取噪声信号特征、减少运算量、提高分类精度的基于IMF能量熵与PCA的水下船舰噪声特征提取方法。

为实现上述目的，采用了以下技术方案：本发明所述方法包括以下步骤：

步骤1，提取船舰噪声信号均值、方差、峰值、偏度时域特征参数，作为时域特征向量，构成时域特征矩阵；

步骤2，采用EMD改进的EEMD方法，将原船舰噪声信号分解，得到IMF分量，并将IMF分量转化为能量特征向量，从而观测自频带能量特征的变化，构成频域特征向量，与步骤1中的时域特征向量共同构成特征矩阵A；

步骤3，利用PCA降维方法对特征矩阵A做降维处理，将高维度的特征矩阵映射到低维度作为新的特征，且尽可能的代表原特征，构成特征矩阵B；

步骤4，训练LSSVM(最小二乘支持向量机)参数，根据风险最小化原则，调整参数γ和核宽度σ，最后将降维后的特征矩阵B向量输入到分类器中，测验分类结果，并与未降维的特征矩阵分类结果进行对比。

进一步的，步骤2中，所述EMD方法为经验模态分解，可以将动态信号的本征模态分量(IMF)提取出来；所述EEMD方法是在EMD方法的基础上给信号加入极小幅度白噪声，利用白噪声频谱均衡分布的特点来均衡信号的中断区域，从而去除模式混淆；所述EEMD方法提取的IMF分量的能量熵构成频域特征矩阵，并与步骤1中的时域特征向量构成船舰噪声特征矩阵A，提取更加完整、全面的特征。

进一步的，步骤3中，将提取到的时频域特征矩阵A与PCA相结合，做降维处理，降低数据维度，避免在分类器中发生过拟合现象。

与现有技术相比，本发明方法具有如下优点：

1、提出时域频域信息相结合的方法，采用均值，方差，峰值，偏度等时域特征以及求得的IMF能量熵构成的频域特征共同组成的特征矩阵，使得获得的特征信息更完整，更全面；

2、针对传统方法提取的特征矩阵维数过高，容易产生维数灾，从而在分类器中产生过拟合问题，采用PCA降维方法，分析原特征矩阵的主成分以及贡献率，将累计贡献率>95％的主成分代替原来的所有评价指标，达到降维目的。

附图说明

图1是本发明方法的流程图。

图2是本发明方法中IMF能量熵的流程图。

图3为样本的采样信号图。

具体实施方式

下面结合附图对本发明做进一步说明：

如图1所示，本发明所述方法包括以下步骤：

步骤1，提取船舰噪声信号均值、方差、峰值、偏度等时域特征参数，作为时域特征向量，构成时域特征矩阵；

步骤2，对原船舰噪声信号进行EEMD分解，经验模态分解(EMD)是信号处理领域解决非平稳、非线性信号的新方法，它可以将动态信号的本征模态分量(IMF)提取出来，但在实际应用中，由于端点效应或间歇性的影响，使得EMD分解引起模式混淆现象。而集成经验模式分解(EEMD)方法可以克服这种现象，它给信号加入极小幅度白噪声，利用白噪声频谱均衡分布的特点来均衡信号的中断区域，从而去除模式混淆。分解后得到IMF分量，考虑到不同信号的不同频率成分，且IMF幅度差异，将IMF的能量熵作为特征向量构成频域特征并与时域特征参数相结合，形成信息互补，从而进一步提高识别率，与步骤1中的时域特征向量共同构成特征矩阵A；