水面船舶噪声信号分类识别方法研究
摘要
水声目标的分类识别对我国国防安全建设及海洋资源开发都有着重要的意义。其
中，有效的船舶目标识别技术是执法和监测敏感海域侵权船舶的关键。为了实现船舶
目标的识别，需要对船舶辐射噪声进行特征提取并进行分类。针对当前船舶声呐信号
识别中普遍存在的信噪比较小、特征表征能力不足、样本数目小、识别类型繁多等问
题，本文从以下几个方面进行处理。
第一，对船舶辐射噪声信号进行预处理。文章采用数据集中的声音除了船舶辐射
噪声外，还包含人类活动声音及海洋哺乳动物噪声，因此需要采取音频筛选、信号降
噪、信号截取、信号增强等处理。
第二，运用有限数量特征提取对船舶辐射噪声信号进行分类识别。以集合经验模
态分解（（EnsembleEmpiricalModeDecomposition，EEMD）为基础，对分解后得到的
本征模态函数（IntrinsicModeFunction，IMF）进行研究，选取的特征提取参数为累积
均值（MeanStandardizedAccumulatedModes，MSAM）原则高低频能量差方法及敏感
IMF方差均值方法，实验结果表明了以上特征提取方法的有效性。
第三，在运用有限数量特征进行分类识别后，出现需要人为设计特征、特征提取
过程复杂、效率低、消耗大量的人力物力等问题。因此研究基于深度学习的神经网络
分类方法，主要研究3种卷积神经网络结构，分别是LeNet5神经网络、改进LeNet5
神经网络和ResNeXt神经网络，详细介绍其基本原理及算法实现，给出相应的参数，
并得出每类方法的适用场合。通过对比分析可知，ResNeXt神经网络的识别率最高，
在网络层级较深较复杂时比较适用；改进LeNet5神经网络结构性能略高于LeNet5神
经网络，可在数据库较为简单时运用。
最后，在类型识别的基础上，开展了同类型船舶的个体识别和不同类型船舶的个
体识别，实验结果进一步验证本文采用的特征提取方法和分类器模型的实用性。从实
际意义出发，该研究具有较大的应用价值，不仅可以实现民用领域的海上船舶检测、
港口目标分类管理、生物保护区建设等，在军用领域同样可以实现海洋安全维护、水
下目标检测与识别、港口区域保卫预警等。
关键词：船舶辐射噪声；特征提取；EEMD；神经网络
水面船舶噪声信号分类识别方法研究
ABSTRACT
Theclassificationandidentificationofhydroacoustictargetsisofgreatsignificanceto
Chinasdefenceandsecurityconstructionandthedevelopmentofmarineresources.Among
them,effectiveshiptargetidentificationtechnologyisthekeytolawenforcementand
monitoringofinfringingshipsinsensitivewaters.Inordertoachieveshiptargetrecognition,
featureextractionandclassificationofshipradiatednoiseisrequired.Aimingattheproblems
ofsmallsignal-to-noiseratio,insufficientfeaturecharacterisationcapability,smallnumberof
samplesandawiderangeofrecognitiontypesthatcommonlyexistinthecurrentshipsonar
s