1.3 论文的主要研究内容和内容安排

本文主要针对船舶辐射噪声样本，利用小波包分解技术提取其能量谱特征，由传 统的分析方法引出小波包分析方法，突出小波包分解得到的能量谱特征可以作为分类 识别特征。依据所提取的小波包能量谱特征，选取 BP 神经网络算法进行实验，证明 小波包分解得到的能量谱作为特征能很好的识别不同类型船舶辐射噪声，正确识别率 均不低于 85%。本文共分为五章，具体安排如下：

第一章：给出了基于小波包能量谱的船舶识别和 BP 神经网络的研究背景和研究 意义，通过阅读国内外相关的文献资料，总结出基于船舶辐射噪声小波包能量谱的现 状，并确定论文的结构安排。

第二章：对小波包相关的技术和理论进行阐述，包括船舶辐射噪声的机理，小波 包分析理论中涉及的多分辨分析、Mallat 算法、小波包的基本原理，以及介绍小波包 节点能量的数学算法与数学推导步骤。

第三章： 概述 BP 神经网络的构成、BP 神经网络的算法原理与计算过程，其中 详细介绍了 BP 神经网络的理论基础以及算法学习过程。

第四章：针对本文 2、3 章工作，利用提取到船舶辐射噪声的小波包能量谱特征 与 BP 神经网络分类器相结合进行实验，实验结果证明，基于此方法能有效的进行目 标类型识别，以及最后评估软件的一个开发。

第五章：对论文所做的工作进行归纳总结，并确定以后的研究方向。

第二章 基于船舶辐射噪声小波包能量谱的特征提取

2.1   概述

船舶在江河、海洋中行驶时，不同的船舶部位，不同的原理会产生不同的噪声辐 射信号。这些噪声信号由不同频带上所对应的能量组成，分析这些能量的比重和分布 状况可以很好的体现船舶辐射噪声信号的特征。

传统的傅里叶变换在分析小波时它的时频变化率是固定不变的，小波分析在对目 标信号进行分解时，虽然时间和频率窗口都可以进行改变，但是它只对低频信号进行 再分解，对高频信号不进行再分解。基于此，小波包分析的提出正好弥补这个缺陷， 它是小波分析的延伸，小波包分析于 1989 年由 Meyer 和 Coifman 等人提出，且进行 了数学上严格的分析与验证。它将频带进行多层次划分，对小波分析中没有细分的高 频部分进行进一步分解，并能根据目标信号的特征自适应地选择相应频带，与信号频 谱匹配，小波包分析是傅里叶分析，小波分析，数值分析的完美结合，因此小波包分 析技术的时频分析特性被广泛的应用于信号处理等领域

2.2   船舶辐射噪声产生机理

船舶辐射噪声主要由水动力噪声，机械噪声，螺旋桨噪声组成[11]。 水动力噪声：当不规则的、起伏的海浪作用于高速运行的船体表面时，船体局部振动并向空气，水等周围媒质辐射噪声，这种噪声一般称为水动力噪声，主要表现为 水浪激励船艏或与船艏上的叶片产生共振和湍流附面层产生的流噪声。根据布洛欣采 夫理论，水动力噪声的强度主要与航速有关，且水动力噪声小于机械噪声和螺旋桨噪 声。基于海洋环境复杂的非线性，水动力噪声有可能在线谱范围内成为主要噪声，所 以对研究船舶辐射噪声的非线性处理具有极大的意义。

机械噪声：船舶在航行或者工作中由各种机械设备产生的噪声。由动力机械和辅 助机械在工作中，电机电枢等不平衡，泵、管道等流体空气湍流以及排气或气缸爆炸 都会产生周期性的激励力，这些振动会通过船体向空气或水中辐射产生噪声。