1、小波包能量谱特征的研究现状和发展

国内外已经有很多科研工作者在船舶辐射噪声与小波包能量谱特征方面取得了一些成果。赵犁丰等学者利用船舶辐射噪声信号的区分度与小波包能量谱的多尺度特征相结合进行目标识别实验，结果表明，通过这种方法对船舶分类识别效果较好[1]。学者李海涛等人用小波包分形提取船舶辐射噪声信号不同频带的分形维数作为特征矢量，并与支持向量机相结合进行船舶分类识别，实验分析结果表明，小波包分形与支持向量机相结合能有效的对不同类型的船舶辐射噪声信号进行目标识别[2]。刘健等学者以舰船辐射噪声信号特性为理论基础，提取目标信号的特征矢量并进行分类实验。结果表明，该方法能有效识别不同类型的船舶辐射噪声信号[3]。

国外学者S.Marchesiello利用小波包分解子宫肌电图提取特征，用分类器进行分类，且识别精度较高[4]。Yananli基于小波包的时间和频率特性来记录地面运动，利用小波包适量的迭代缩放模拟地面运动加速度图，实验表明，所提出的方法十分有效[5]。SaiSudhaRamesh等学者以小波包正交分解技术捕获船舶散射压力信号的主要特征，并以此特征进行船舶识别[6]。Xiang-YangZeng等人用Bark小波分析与支持向量机算法进行了水下目标识别，并与传统方法进行比较，实验证明，该方法识别率较高[7]。Yen.G.G等学者定义了小波包节点能量的相关概念后，发现小波包节点能量比小波包系数更能直接的表示目标信号的特性[8]。

小波包被引入水声领域之后，已经取得明显的成果。各国学者对于目标识别开展了一系列的技术研究，相比之下，我国在这方面的技术还有待提高，随着我国在数学领域以及水声领域的不断进步，对船舶噪声识别的研究也会趋于成熟。

2、BP神经网络分类器的研究现状和发展

国内外已经有很多科研工作者在BP神经网络方面取得了一些成果。白晓雷等人提出通过遗传算法找到一个理想最优解，在通过禁忌搜索算法选择最优解，可将二者结合优化神经网络算法。测试结果表明该算法更容易找到局部最优解，克服了BP神经网络的局部极小化问题[9]。肖景成等学者通过构建三层BP神经网络对湿地覆被分类，研究结果表明，BP神经网络是一种有效的分类技术[10]。学者BoXua为克服日常温度变化点的预测误差，通过BP神经网络建立路面温度预测模型有效的预测出路面温度[11]。张楠等人以西藏某水电站进行了室内外实验，BP神经网络可以使岩石变形的预测精度变高[12]。随着神经网络和理论的发展，BP神经网络能正确分类识别的特点已经广泛的应用于模式识别、图像处理等方面，尤其是船舶分类领域。