3.1  概述 11

3.1 BP 神经网络理论 11

3.2.1 BP 神经网络结构 11

3.2.2 BP 学习算法的原理与步骤 13

3.2.3 BP 神经网络的优点 16

3.2.4 BP 神经网络的样本选择 16

3.2 本章小结 17

第四章 基于小波包能量谱特征船舶辐射噪声识别实验与软件界面

开发 18

4.1 船舶辐射噪声分类识别 18

4.2 特征向量提取 18

4.3 BP 神经网络分类识别 21

4.4 本章小结 23

结论与展望 24

致谢 25

参考文献 26

附 录 28

第一章 绪论

1.1 研究背景与意义

迅速发展的信息技术已经在军事领地广泛运用，较高的战场感知能力将成为决定 海洋战争胜负的关键因素之一，除此之外，随着对海洋环境的不断探索，其重心不仅 仅只在军事活动中，还转向了商业和民用目的。因此，船型识别以及特征提取在海洋 环境中成为重要的突破点。然而，船舶辐射噪声是非常复杂的，海洋环境的不同或者 船舶本身的运动状态的不同均可使船舶辐射噪声发生改变，从船舶辐射噪声中提取目 标本质特征一直是该领域的研究重点与难点。

船舶辐射噪声的传统识别方法是根据经验丰富的声纳员获取大量信息之后，凭借 着丰富的个人经验来判断，但是这种判断往往会受到心理、生理影响，因此传统方法 缺少一种量化分析方式。随着各种信息量的增加，船舶器件传声的噪声信号降低，船 舶分类和识别问题变得越来越复杂。水声领域引进小波包分析等非平稳信号分析方法 后，改进舰船辐射噪声信号的算法，有效地利用船舰辐射噪声的非线性和非稳定性的 特点。

小波包具有良好的时间频率定位特性，可以对结构的响应信号进行分解，通过小 波包提取的能量谱，不仅可以反映特征量的时间特征和尺度特征，以及幅值和分布情 况，而且提取特征更加容易、准确。根据目标辐射噪声的不同，可以提取波形结构特 征或不同频带内信号分形维数等特征，这些特征都取得了不错的识别效果。

BP 神经网络分类器实际上完成了一个从输入到输出的映射，其具有良好的自主 学习能力，可以自动寻找出输入，输出之间的某种关系，即通过正向传播和反向传播 确定权值，并将学习内容记忆于网络的权值中。BP 神经网络还具有一定的容错性， 部分神经元在局部破环时，对网络的结果并不会有较大的影响。基于它的这些优点， 本文选取该类分类器进行实验研究。

1.2 基于船舶辐射噪声小波包能量谱特征的船型识别研究现状与 发展

1.2.1 小波包能量谱特征的研究现状和发展

1.2.2