一种基于非线性支持向量机的宽带瞬态信号检测方法技术

本发明专利技术公开了一种基于非线性支持向量机的宽带瞬态信号检测方法，基于支持向量机对水下运动目标辐射噪声的谱图进行高维空间下的最优划分，选择出合适的高斯核，再基于该高斯核，利用时频单元沿频率轴的相似性/相异性来检测随时间的突然变化，获取在短时间、宽带范围内频谱突然变化的瞬态信号，实现了杂环境中的瞬态信号的检测，检测能力相对现有方法得到了提高，且虚警概率低。且虚警概率低。

【技术实现步骤摘要】
一种基于非线性支持向量机的宽带瞬态信号检测方法


[0001]本专利技术涉及瞬态信号检测
，具体涉及一种基于非线性支持向量机的宽带瞬态信号检测方法。

技术介绍

[0002]瞬态信号是在短时间内发生剧烈变化的声信号，例如物体入水、发动机启动、水下航行体变向、冰层破裂、爆炸等。瞬态信号检测是实现水下目标检测、定位、识别的前提，具有重要的研究意义。
[0003]目前对瞬态信号的检测方法主要有传统能量检测法、短时相关法、Power
‑
Law等。能量检测法实现简单，但对信噪比要求较高；短时相关法通过对数据进行简单的分段相关处理，依据一定的统计估计实现高正确率检测，但“分段”破坏了频率分辨率。希尔伯特
‑
黄变换摆脱了传统傅里叶变换只适用于线性平稳系统的局限，将固有模态函数作为基本信号，但用其检测水声微弱信号的能力还有待提升。
[0004]当目标信号为非确知信号且具有不可复制性时，匹配滤波等传统信号检测手段将不再适用；若受到干扰船只、声传播起伏的影响，检测背景通常是非平稳、非高斯噪声，瞬态信号检测的难度将进一步增加。
[0005]综上，亟需一种可有效检测复杂环境中的瞬态信号的信号检测方法。

技术实现思路

[0006]针对上述问题，专利技术人提供了一种基于非线性支持向量机的宽带瞬态信号检测方法，实现了对短时间、宽带范围内频谱突然变化的瞬态信号的检测。
[0007]本专利技术提供了一种基于非线性支持向量机的宽带瞬态信号检测方法，包括：
[0008]步骤1：获取瞬态信号集，并基于该瞬态信号集构建支持向量机；
[0009]步骤2：将待测信号的时间序列分为L个时间段，并对每段时间段数据做N点傅里叶变换；
[0010]步骤3：基于傅里叶变换结果求出功率谱后进行时频单元划分；
[0011]步骤4：将各时频单元进行范数归一化后输入支持向量机，计算高斯核矩阵；
[0012]步骤5：基于高斯核矩阵计算检验统计量；
[0013]若检验统计量大于预置门限，则存在瞬态信号。
[0014]进一步地，所述高斯核矩阵为：
[0015]k(x
j
,x
i
)＝exp(
‑
||x
i
‑
x
j
||2/p)
[0016]其中||
·
||代表范数运算；p为扩展因子；x
i
为支持向量。
[0017]进一步地，所述检验统计量r为：
[0018][0019]其中，x、z代表一个时频单元的前、后两部分数据集。
[0020]相比现有技术，本专利技术的有益效果：
[0021]本专利技术采用选择合适的高斯核向量机，将输入原始频谱数据映射到高维特征空间，利用时频单元沿频率轴的相似性/相异性来检测随时间的突然变化，可检测出在短时间、宽带范围内频谱突然变化的瞬态信号，检测能力相对现有方法得到了提高，且虚警概率低，具有重要的应用价值。
附图说明
[0022]图1为实施例2中数据一原始时间信号图；
[0023]图2为实施例2中数据一功率谱图；
[0024]图3为实施例2中数据一时域能量图；
[0025]图4为实施例2中数据一频域能量图；
[0026]图5为实施例2中数据一方差分析结果图；
[0027]图6为实施例2中数据一瞬态信号检测结果图；
[0028]图7为实施例2中数据二原始时间信号图；
[0029]图8为实施例2中数据二功率谱图；
[0030]图9为实施例2中数据二时域能量图；
[0031]图10为实施例2中数据二频域能量图；
[0032]图11为实施例2中数据二方差分析结果图；
[0033]图12为实施例2中数据二瞬态信号检测结果图；
[0034]图13为实施例2中数据三瞬态信号检测结果图。
具体实施方式
[0035]下面通过具体实施方式结合附图对本专利技术作进一步详细说明。
[0036]实施例1
[0037]本专利技术提供了一种基于非线性支持向量机的宽带瞬态信号检测方法，包括：
[0038]步骤1：获取瞬态信号集，并基于该瞬态信号集构建支持向量机。支持向量机构建过程如下：
[0039]对于已知的瞬态信号集X＝{(x1,y1),(x2,y2),
…
,(x
n
,y
n
)},y
i
∈{
‑
1,1}，支持向量机最基本的核心思想是根据给定的训练集X，结合结构风险最小化原则追求边际最大化，寻找最优决策超平面，它的超平面方程可表示为
[0040]ω
T
x+b＝0
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0041]若决策超平面(ω,b)可以将训练样本集正确的分类，即对于(x
i
,y
i
)∈D，若y
i
＝+1，则有ω
T
x+b>0；若y
i
＝
‑
1，则有ω
T
x+b<0。令
[0042][0043]构造支持向量机优化模型
[0044][0045]s.t.y
i
(ω
T
x+b)≥1,i＝1,2,
…
,n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0046]式(3)为支持向量机的基本模型。
[0047]对式(3)构造拉格朗日函数得
[0048][0049]其中，α
i
≥0是拉格朗日乘子。
[0050]得到式(3)的对偶问题为
[0051][0052]α
i
≥0,i＝1,2,
…
,n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0053]决策函数为
[0054][0055]在支持向量机进行分类的过程当中，并不是所有的问题都是线性可分的。如果一个问题是非线性的，需要找到一个映射φ(x)，通过映射φ(x)得到高维空间中目标函数的对偶问题。
[0056][0057][0058]0≤α
i
≤C,i＝1,2,
…
,n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)决策函数为
[0059][0060]其中，k(x
i
,x)是核函数。
[0061]步骤2：将待测信号的时间序列分为L个时间段，并对每段时间段数据做N点傅里叶变换(FFT)；
[0062]步骤3：傅立叶变换的平方/区间长度直接求出功率谱，然后进行时频单元划分。
[0063]步骤4：将各时频单元进行范数归一化后输入支持向量机，计算高斯核本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于非线性支持向量机的宽带瞬态信号检测方法，其特征在于，包括：步骤1：获取瞬态信号集，并基于该瞬态信号集构建支持向量机；步骤2：将待测信号的时间序列分为L个时间段，并对每段时间段数据做N点傅里叶变换；步骤3：基于傅里叶变换结果求出功率谱后进行时频单元划分；步骤4：将各时频单元进行范数归一化后输入支持向量机，计算高斯核矩阵；步骤5：基于高斯核矩阵计算检验统计量；若检验统计量大于预置门限，则存在瞬态信号。2.如权利要求1所述的方法，其特征在于，所述高斯...

【专利技术属性】
技术研发人员：赵俊杰，殷冰洁，石海泉，罗金旺，
申请(专利权)人：中国船舶重工集团公司七五零试验场，
类型：发明
国别省市：