[发明专利]一种目标类型识别的方法及装置

权利要求书

1.一种目标类型识别的方法，其特征在于，包括：

通过平面传声阵列采集目标的声信号，所述目标包括低空飞行的无人机、轻型飞机、动力三角翼、巡航导弹、动力滑翔伞中的任意一种；

对所述声信号进行方向估计，并对方向估计后的声信号进行空域滤波处理；

在空域滤波处理后，提取所述声信号的特征、所述声信号的特征对应的特征向量以及所述目标的特征；

根据所述声信号的特征、所述声信号的特征对应的特征向量以及所述目标的特征，确定所述目标的类型置信度；

通过融合识别技术对所述类型置信度进行识别，以确定所述目标的类型

所述提取所述声信号的特征包括：

当辐射的声音功率谱线谱基频大于阈值时，通过直升机线谱和谐波集检测算法对频域特征进行分析，以得到线谱频率特征；

所述提取所述声信号的特征对应的特征向量包括：

计算出自相关系数和倒谱系数；

将所述自相关系数和所述倒谱系数结合，得到若干维数的时域特征向量；

进行非参数化功率谱分析，以计算出功率谱；

利用计算出的功率谱，得到若干维数的频域特征向量；

计算声信号各频带的能量特征、标准差特征、谱重心特征和小波包样本熵特征；

将能量特征、标准差特征、谱重心特征和小波包样本熵特征进行组合，得到若干维数的小波包特征量；

所述提取所述目标的特征包括：

对所述目标的方位及其变化率进行跟踪预测，得到所述目标的动态航迹特征。

2.根据权利要求1所述的方法，其特征在于，在通过平面传声阵列采集目标的声信号之后，且对所述声信号进行方向估计，并对方向估计后的声信号进行空域滤波处理之前，还包括：

对所述声信号进行自适应噪声抑制处理。

3.根据权利要求2所述的方法，其特征在于，所述对所述声信号进行自适应噪声抑制处理包括：

利用基于小波分解的自适应噪声抑制技术对所述声信号进行抑制处理。

4.根据权利要求1所述的方法，其特征在于，还包括：

在估计出所述声信号的方向后，根据所述声信号在各时刻的方向确定所述目标的航迹。

5.根据权利要求1所述的方法，其特征在于，

所述根据所述声信号的特征确定所述目标的类型置信度包括：

根据所述线谱频率特征预先建立特征频率库；

实时提取所述声信号的特征频率；

根据提取到的所述特征频率与所述特征频率库中的匹配情况，确定所述目标的第一类型置信度；

所述根据所述声信号的特征对应的特征向量确定所述目标的类型置信度包括：

根据所述时域特征向量的维数和所述目标的数量分别确定时域特征子神经网络的输入和输出层数；

通过所述时域特征子神经网络确定所述目标的第二类型置信度；

根据所述频域特征向量的维数和所述目标的数量分别确定频域特征子神经网络的输入和输出层数；

通过所述频域特征子神经网络确定所述目标的第三类型置信度；

根据所述小波包特征向量的维数和所述目标的数量分别确定小波包特征子神经网络的输入和输出层数；

通过所述小波包特征子神经网络确定所述目标的第四类型置信度；

所述根据所述目标的特征确定所述目标的类型置信度包括：

通过航迹关联识别技术，将所述航迹和所述动态航迹特征进行关联，确定所述目标的第五类型置信度。

6.根据权利要求5所述的方法，其特征在于，所述通过融合识别技术对所述类型置信度进行识别，以确定所述目标的类型包括：

利用所述第一类型置信度、第二类型置信度、第三类型置信度、第四类型置信度、第五类型置信度以及加权值，计算出类型置信度的总值，选取最大值对应的类型作为所述目标的类型。

7.根据权利要求5所述的方法，其特征在于，在所述通过融合识别技术对所述类型置信度进行识别，以确定所述目标的类型之前还包括：

利用遗传算法和神经网络相结合的识别分类方法对神经网络权系数进行全局优化。