信号处理在舰船目标识别中研究发展综述

合集下载

CFAR舰船目标检测技术分析研究

CFAR舰船目标检测技术分析研究CFAR舰船目标检测技术分析研究目标检测面临的背景杂波可分为典型的三种：均匀杂波背景、杂波边缘环境和多目标环境。

而后两者统称为异质杂波背景。

基于这一点，许多学者提出不同的CFAR算法以适用不同的场景。

CFAR算法归纳起来可以分为均值类CFAR 检测方法和统计类检测方法。

本文主要分析不同的CFAR检测方法，研究它们的优缺点以及适用场景。

【关键词】目标检测CFAR算法图像处理SAR图像在SAR图像目标的检测中，目标信号往往都淹没在噪声和杂波中，由于在任何给定的地方，杂波和噪声的能量都是不确定的，那么在虚警率一定的情况下对于SAR图像通过固定一个阈值的检测方法是不适用的。

如果阈值是通过周围的杂波能量动态选择的，就能克服上述问题。

阈值是一个单元接一个单元的设置，通过检测单元周围的背景单元来估计杂波能量来进一步确定阈值。

而CFAR算法就是利用检测单元周围的背景单元来估计阈值的一种常用的检测方法。

1 均值类CFAR检测方法均值类CFAR检测器是利用背景窗口中像素的均值和方差来估计杂波能量，进而确定检测阈值。

均值类CFAR检测方法一般可以分为单元平均CFAR算法（CA-CFAR），选择最大CFAR算法（GO-CFAR），选择最小CFAR算法（SO-CFAR）。

CA-CFAR也称为双参数CFAR算法，是林肯实验室基于高斯分布背景的前提下提出来的，当单目标环境并且在局部同质杂波的情况下能够表现良好的检测性能。

由于杂波背景是同质的，因此利用背景窗口中的所有像素来进行参数估计。

在异质的情况下（杂波边缘，多目标环境）CA-CFAR的性能下降很快。

CA-CFAR采用最大似然估计杂波能量来设定自适应阈值，前提是对于杂波分布的表达形式式是已知的（参数未知），并且杂波样本是同种类型相互独立的。

没有这个前提，CFAR检测器的性能会受到很大影响。

当背景不再是同质时，CFAR检测器的性能下降很快。

许多学者认为在杂波背景异质的情况下，利用背景窗口的所有像素进行参数估计，进而确定CFAR检测阈值，得到的阈值往往是不准确的。

舰载电子战技术发展综述

舰载电子战技术发展综述摘要：为了有效对抗反舰导弹威胁，大力发展舰载电子战技术就具有十分重要的意义。

舰载电子战技术主要包括舰艇隐身、电子侦察告警、雷达无源干扰与有源干扰、激光致盲与烟幕等等。

本文对此作以综述。

关键词：舰载电子对抗舰艇隐身侦察告警雷达对抗光电对抗1 前言目前，海面舰艇面临着日趋严重的反舰导弹威胁。

反舰导弹可从空中、岸上、舰上和水下不同的场合发射，其制导方式有雷达制导、红外制导、雷达/红外复合制导、电视制导、激光制导和红外成像制导等等。

装备各种不同反舰导弹的国家已有70多个，反舰导弹已发展到第四代。

为了有效对抗反舰导弹威胁，大力发展舰载电子战技术就具有十分重要的意义。

舰载电子战技术主要包括舰艇隐身、电子侦察告警、雷达无源干扰与有源干扰、激光致盲武器与烟幕等等。

本文对此作以综述。

2 舰艇隐身技术2.1 概述随着军用电子技术的迅速发展，海面舰艇面临着日趋严重的雷达与光电威胁。

各种先进的电子侦察设备，如雷达、激光测距仪、激光雷达和机载、舰载红外侦察设备等，都是极其有效的电子侦察手段；而高精度的反舰导弹，使现代化的战舰防不胜防。

现代军事技术已经达到了"目标只要被发现，就能被命中，只要被命中，就能被摧毁"的水平。

因此，要提高海上目标的生存能力，就要降低目标被探测、发现和摧毁的概率。

西方国家正在研制先进的隐身战舰，有的已经开始服役。

舰艇隐身技术包括雷达隐身和光电隐身以及声特性隐身、磁特性隐身等等。

减小舰艇的各种被探测的雷达、光电、声和磁特征，使敌方探测设备难以发现或使其探测能力降低的综合技术称为舰艇隐身技术。

2.2 舰艇的雷达隐身技术2.2.1 舰艇的雷达有源隐身技术理论上，雷达发射电磁波照射目标后，其接收机接收到的目标回波功率等于雷达照射目标的功率密度、目标的散射功率密度的大小及分布和雷达接收天线的等效接收面积等三项的乘积。

而减少这三项中的任一项，都可降低雷达所接收到的功率，从而达到隐身的目的。

国外水下无人潜航器及其通信技术发展综述

国外水下无人潜航器及其通信技术发展综述一、本文概述随着科技的快速发展，无人潜航器（Unmanned Underwater Vehicle，UUV）作为海洋探索与利用的重要工具，已经吸引了全球科研人员和工程师的广泛关注。

作为无人潜航器的重要组成部分，水下通信技术对于实现潜航器的远程控制、数据传输、多潜航器协同作业等功能具有关键作用。

本文旨在综述国外水下无人潜航器及其通信技术的发展现状与趋势，分析当前主流通信技术的优缺点，并探讨未来可能的研究方向和应用前景。

通过对国外相关文献的梳理和分析，本文旨在为国内外从事水下无人潜航器及通信技术研究的学者和工程师提供有益的参考和启示。

二、国外AUV的发展现状近年来，随着科技的飞速发展，国外在自主水下航行器（AUV）领域取得了显著的进步。

AUV作为水下无人潜航器的一种，其自主导航、环境感知、任务执行等能力不断增强，为海洋科学研究、海底资源勘探、水下搜救等领域提供了有力支持。

在硬件设计方面，国外的AUV技术日趋成熟。

许多先进的AUV已经实现了小型化、模块化、高度集成化，以适应不同复杂度的水下环境。

例如，某些AUV采用了先进的推进系统，包括矢量喷水推进器、机械式螺旋桨等，以提高其机动性和稳定性。

同时，为了应对深海高压、低温等极端环境，AUV的耐压壳体和材料技术也在不断更新，确保了AUV的安全性和可靠性。

在软件技术方面，国外的AUV已经实现了高度智能化和自主化。

通过集成先进的算法和人工智能技术，AUV可以自主完成路径规划、环境感知、目标识别等任务。

随着深度学习技术的发展，AUV在图像识别、声呐信号处理等方面也取得了显著突破，进一步提升了其在水下复杂环境中的作业能力。

在通信技术方面，国外的AUV同样取得了长足的进步。

为了实现在水下环境中的数据传输和远程控制，研究人员开发了一系列高效、稳定的水下通信技术。

例如，某些AUV采用了高速水声通信技术，实现了与水面基站或卫星的实时数据传输；还有研究团队在探索利用电磁波或光学通信技术在水下环境中实现数据传输的可能性。

试论我国水声信号处理领域的最新进展

试论我国水声信号处理领域的最新进展进入到新世纪以来，随着我国国民经济实力的不断增强，我国的社会主义市场经济体制也应逐步完善，各行各业都取得了空前的进步和发展。

水声信号处理和声纳技术是一门需求推动力较大并且发展的十分迅速的学科，同时其也具有广阔的应用前景。

水声学的发展受到了战争需求的推动，同时却也为水下战争武器装备的创新和发展注入了新的活力。

水声学并不是一门单纯的理论学科，要想保证其发展并得到进一步的完善，那么就必须具备大量有准备的海上实验作为支持，并且在其基础的研究工作中，还必须不断的投入大量的财力、物力和人力。

文章便对近些年来水声信号处理领域的几大研究进展进行了简要的回顾，同时也介绍了现阶段在这一领域应重点进行研究的前沿课题。

标签：水声信号领域；声纳设计；研究成果1 低频和甚低频水声信道的传输特性在检测安静型潜艇的工作中，被动声纳和主动声纳所采用的频率都是在向低端移动的，通常情况下，中频声纳就是指传统舰艇上孔径在1-5m量级范围内的基阵所有的1000Hz的声纳，而低频声纳就是指频率在100-1000Hz范围内的声纳，至于频率小于100Hz的声纳，我们就管其叫做甚低频声纳。

现阶段，主动声纳和被动声纳所使用的频率都在向着低频和甚低频的方向发展，其中有几个典型的代表，它们分别为Surtass和LFA。

其中，以Surtass为例，其主动声纳的工作频率已经被控制在100-500Hz的范围内，而被动声纳的频率则是小于100Hz 的。

要想准确的检测低频信号，那么首要的工作就是要解决其在海洋中的传播问题，全面的掌握其传播特性，才能做好对低频信号的检测工作。

在上个世纪的九十年代，一批俄罗斯的科学家曾经对低频信号的传播进行了一系列的试验，他们有两个重要的发现，一是低频信号的传播具有非常好的稳定性，二是低频信号的幅度存在着明显的衰落现象。

美国科学家也指出单频信号的传输效果是比较令人满意的，并且带宽在1-2Hz范围内的滤波器所提取的信息也是可以应用在目标识别工作中的。

基于深度学习的船舶自动识别技术的研究

基于深度学习的船舶自动识别技术的研究船舶自动识别技术（Automatic Identification System，简称AIS）是一种广泛应用于船舶行业中的技术，该技术借助于全球卫星定位系统（Global Positioning System，简称GPS）和无线电通信技术，实现对船舶的自动跟踪和识别。

然而，由于AIS技术受制于数据量大、信号弱、噪声干扰等种种因素的影响，传统的AIS 识别方法对于长时间或大范围内的船舶识别有限，而基于深度学习的技术却可以处理大量的船舶信息，从而实现更加精确和高效的识别。

因此，本文将探讨基于深度学习的船舶自动识别技术的研究进展和应用领域。

一、深度学习技术在船舶自动识别中的应用深度学习是近年来兴起的一种人工智能技术，其核心思想是通过神经网络模型的构建和训练，实现对于复杂输入数据的自动处理和识别。

在船舶自动识别领域，深度学习技术可以充分利用大量的历史数据和船舶特征信息，通过卷积神经网络、循环神经网络等模型，实现对于船舶的自动检测和识别，从而提高识别的准确性和效率。

其中海图、船舶图像等是深度学习船舶识别的重要数据来源。

二、基于深度学习的船舶自动识别技术在实际应用中的表现基于深度学习的船舶自动识别技术已经成功应用于多个实际场景中，其中主要表现为以下几个方面：1. 船舶识别准确性的提高。

相比传统方法，基于深度学习的船舶识别技术能够更加准确地检测到船舶的位置、速度、航向等信息，从而提高了识别的准确性。

2. 船舶识别效率的提高。

传统方法往往需要耗费大量时间和计算资源进行数据的筛选、处理和匹配，而基于深度学习的方法利用GPU等高性能硬件加速，能够实现高效的数据处理和识别。

3. 应用场景的拓展。

基于深度学习的船舶自动识别技术不仅可以应用于船舶的实时监测和识别，还可以应用于航线规划、船舶碰撞预测等多个领域。

三、基于深度学习的船舶自动识别技术的发展趋势随着深度学习技术的不断进步和应用场景的拓展，基于深度学习的船舶自动识别技术未来的发展趋势主要有以下几个方面：1. 提高船舶识别算法的隐私保护性。

基于深度学习的海面舰船目标识别技术研究

基于深度学习的海面舰船目标识别技术研究随着科技的不断发展，舰船目标识别技术也得到了越来越广泛的应用。

目前，基于深度学习的海面舰船目标识别技术有着较高的准确率和鲁棒性。

本文将介绍这种技术的原理、应用和未来发展方向。

一、深度学习的海面舰船目标识别技术原理深度学习是一种机器学习的方法，其核心理念是通过对大量数据的学习，发掘数据内部的规律和特征，从而实现对新数据的识别和分类。

在海面舰船目标识别中，深度学习可以实现对舰船的自动检测、分类和跟踪。

具体来说，深度学习模型可以分为卷积神经网络（Convolutional Neural Network，CNN）和循环神经网络（Recurrent Neural Network，RNN）两类。

其中，CNN是一种用于图像处理的神经网络模型，可以识别出图像中的特征，并进行分类。

在海面舰船目标识别中，CNN可以通过对舰船图像进行卷积操作，提取图像特征，然后通过全连接层进行分类。

而RNN则是一种可以处理序列数据的神经网络模型。

在舰船目标跟踪中，RNN可以通过对时间序列数据的学习，实现对舰船的跟踪和预测。

此外，利用卷积神经网络和循环神经网络的组合，可以实现更加精确和稳定的海面舰船目标识别技术。

二、基于深度学习的海面舰船目标识别技术应用基于深度学习的海面舰船目标识别技术，已经被广泛应用于海事、港口、海事巡逻等领域。

例如，在海事领域，该技术可用于对违法渔船、非法船只等进行识别和打击；在港口领域，该技术可用于对港口内进出口的船只进行识别和追踪；在海事巡逻领域，该技术可用于对海上目标进行监控和管理。

此外，基于深度学习的海面舰船目标识别技术也被应用于海上交通管理、海洋环境监测等区域。

其优良的准确性和稳定性，使得该技术的应用范围不断扩大，未来将有更广泛的应用领域。

三、基于深度学习的海面舰船目标识别技术未来发展方向随着深度学习技术的不断进步和完善，未来基于深度学习的海面舰船目标识别技术将有更广泛的应用和更高的准确性。

水下声呐信号处理及目标识别研究

水下声呐信号处理及目标识别研究水下声呐技术的应用范围十分广泛，包括：水下探测、矿产开采、海底地形勘测、海洋生物探测、海军军事应用等等。

其中，水下目标探测和识别是水下声呐技术的重要应用之一。

本文将着重探讨水下声呐信号处理及目标识别的相关研究。

一、水下声呐信号处理水下声呐信号处理是指对声波信号进行分析、降噪、滤波等处理，以提高信号的可识别性和探测性，为水下目标识别提供基础数据。

水下声呐信号处理主要包括：信号采集、信号预处理、信号分析和信号降噪等方面。

1. 信号采集声呐信号采集是声呐系统中的第一步，其目的是获取目标传回的声波信号。

通常情况下，声呐系统由发射器和接收器两部分构成。

发射器会向周围环境发出声波信号，信号被周围环境反射后，就会被接收器捕捉。

是对声波信号进行采集的过程。

2. 信号预处理信号预处理是为了去除杂音和干扰信号，从而提高信号的质量和清晰度。

该过程中常用的技术包括滤波、去噪、增益等方法。

其中，滤波常用于去除信号中的高频噪声，去噪就是降低信号中的低频噪声的过程，而增益用于增强信号的可读性和能量。

3. 信号分析信号分析是指对信号进行参数提取以及信号的频谱、时域等特征分析。

通过对信号的分析，可以更好地了解声波传播的特性、声源和水下目标的特征等。

4. 信号降噪信号降噪是针对信号中噪声的处理，目的是去除干扰信号，提高信号的准确性和可读性。

降噪处理一般包括自适应滤波、小波去噪、频域滤波等方法。

其中，小波去噪的效果较好，可以较好地去除信号中的噪音。

二、水下目标识别水下目标识别是指通过声呐信号处理技术，将确定的信号特征与目标数据库中的特征进行匹配，对水下目标进行分类和识别。

下面将着重介绍基于声波信号的水下目标识别方法。

1. 基于模式识别的目标识别方法该方法基于目标的特征，通过比较目标的特征与数据库中已有的目标特征，最终实现目标的分类和识别。

目标的特征常包括目标的形态、声回波、饰品等因素。

常用的模式识别算法包括KNN算法、SVM算法、神经网络算法等。

水声目标识别技术现状与发展

第9卷第2期2018年&月指挥信息系统与技术Command Information System and TechnologyVol.9No.2Apr.2018•信息融合专题• doi! 10. 15908". c n k i.c is t.2018. 02. 013水声目标识别技术现状与发展"强超超王元斌(中国船舶重工集团公司第D09研究所武汉&3007&)摘要：水声目标识别是海战场情报处理的重要组成，是武器分配、反潜和鱼雷防御的前提以及现代化海洋作战的重要保障。

首先，分析了多种水声目标识别方法和特点，针对单一识别方法的局限性给出了常用目标综合识别算法模型，将多传感器和多方法的目标识别结合成一个系统，从而更高效和准确地识别水声目标；然后，介绍了水声目标识别的国内外发展历程和现状，分析了科技发展引起水声目标噪声弱化、部分特征消失和假目标多样化等特点；最后，针对传统识别方式的局限性展望了未来非声探测、特征挖掘、水下无人航行器图像识别和人工智能识别等新技术方向。

关键词：水声目标识别；目标识别算法；特征中图分类号：T P9文献标识码：A文章编号：1674-909X(2018)02-0073-06Current Situation and Development of Underwater AcousticTarget Recognition TechnologyQ IA N G Chaochao W ANG Y uanbin(The 709th Research Institute, China Shipbuilding Industry Corporation, Wuhan 430074, China)A bstract:The underw ater acoustic target recognition is an im portant part of the m aritim e battlefield intelligence processing,and it is the prerequisite for weapon distribution,anti-subm arineand torpedo defense. F irstly,the m ultiple underw ater acoustic target recognition m ethods andfeatures are analyzed. Aim ed at the lim itation of the single recognition m eth o d,th e com m on ta rget com prehensive recognition algorithm model is given. T he target recognitions of the m ultisensors and the m ulti-m ethods are organically combined into one sy stem,efficiently and accurately recognizing the underw ater acoustic t argets. T h en,the dom estic and foreign developm en tory and the current situation of the underw ater acoustic target recognition are introduced,thenoise weakening of underw ater target sound,the disappearance of some features and the diversiti-cation of the fraud targets caused by the technological developm ent are analyzed. Finally, in viewof the lim itations of traditional recognition m ethods,the new technology directions,such as nonacoustic detection,feature m ining,underw ater unm anned aerial vehicle image recognition,andartificial intelligence recognition are pointed out.Key w ords：underw ater acoustic target recognition;target recognition algorithm;characteristics〇引言近年来，随着潜艇降噪技术的进步，水下无人航*行器迅速发展，鱼雷和水雷等水下武器呈多样化趋势，海战场环境更为复杂。

SAR图像舰船目标检测与分类方法研究

SAR图像舰船目标检测与分类方法研究SAR图像舰船目标检测与分类方法研究摘要：合成孔径雷达（Synthetic Aperture Radar, SAR）技术在海洋监测、军事侦察等领域具有重要的应用价值。

其中，SAR图像中的舰船目标检测与分类一直是研究的热点和难点。

本文针对这一问题展开研究，提出了一种基于深度学习的SAR图像舰船目标检测与分类方法，并进行实验验证。

关键词：SAR图像；舰船目标；目标检测与分类；深度学习1.引言合成孔径雷达技术利用雷达装置对航空器等运动物体发送射频波，通过接收回波并经过信号处理，可以形成高分辨率的雷达图像。

与光学图像和红外图像相比，SAR图像不受天气和光照条件的限制，适用于复杂环境下的目标检测和识别。

因此，SAR图像在军事、海洋监测等领域具有广阔的应用前景。

2.舰船目标的特征分析舰船目标在SAR图像中具有一些特定的特征。

首先，船体通常具有大而连续的背景散射，同时还存在尖峰回波和缺陷散射等现象。

其次，舰船目标具有各种各样的形状和大小，从大型军舰到小型渔船都可能出现在SAR图像中。

因此，基于这些特征进行舰船目标的检测与分类是一项具有挑战性的任务。

3.传统方法的不足传统的SAR图像舰船目标检测与分类方法通常基于阈值分割、纹理特征提取等手段。

然而，这些方法往往无法很好地处理舰船目标的各种特征，且对于目标的尺寸、形状变化较为敏感。

因此，需要采用更加灵活和有效的方法来解决这一问题。

4.基于深度学习的SAR图像舰船目标检测与分类方法深度学习是一种多层次、非线性的机器学习方法，具有较强的图像处理和模式识别能力。

本文提出了一种基于深度学习的SAR图像舰船目标检测与分类方法。

具体步骤如下：(1) 数据准备：收集一系列具有舰船目标的SAR图像，并进行人工标注得到目标的位置信息。

(2) 数据预处理：对SAR图像进行去噪、增强等预处理操作，以提升目标的可辨识性。

(3) 深度学习模型的构建：选择合适的深度学习模型，如卷积神经网络（Convolutional Neural Network, CNN），并根据标注的目标位置信息进行训练。

声纳信号处理技术在水下目标探测中的应用研究

声纳信号处理技术在水下目标探测中的应用研究随着技术的不断进步，声纳信号处理技术在水下目标探测中发挥了重要作用。

声纳信号处理技术是利用声波在水中的传播特性，通过接收和分析反射回来的声波信号来探测水下目标。

本文将对声纳信号处理技术在水下目标探测中的应用进行探讨。

首先，声纳信号处理技术在水下目标探测中的应用主要体现在目标识别和目标定位两个方面。

通过对接收到的声波信号进行处理和分析，可以提取目标的特征信息，从而进行目标识别。

同时，结合声纳阵列的布置和声波信号的传播时间差等特性，可以实现对目标的定位。

这使得声纳信号处理技术在水下目标探测中具有良好的应用前景。

其次，声纳信号处理技术在水下目标探测中所面临的挑战主要有两个方面。

首先是水下环境的复杂性。

水下环境中存在着多种声源，如海洋生物声、水声干扰、底床反射等，这些声源可能会干扰到目标信号的接收。

同时，水下目标的种类众多，大小、形状以及材质也各不相同，这就给目标的识别和定位带来了一定的困难。

其次是声纳信号的处理和分析算法的复杂性。

声纳信号处理需要对接收到的声波信号进行滤波、增益、时差测量等一系列处理步骤，这就需要设计和实现复杂的算法。

针对上述挑战，研究人员提出了一系列的解决方案。

一方面，可以通过优化声纳阵列的布置和参数设置，以减小水声干扰并增强目标信号的接收。

另一方面，可以采用多传感器融合的方法，将其他传感器（如光学传感器、磁力传感器等）的数据与声纳信号进行融合，从而提高目标探测和识别的准确性。

此外，还可以利用深度学习等人工智能技术，对大量的声纳信号进行分析和处理，从而提取更加丰富和准确的目标特征信息。

除此之外，声纳信号处理技术在水下目标探测中还有一些潜在的应用。

首先是潜艇探测与追踪。

潜艇作为一种隐秘而又危险的水下目标，对其进行探测和追踪一直是海军的重要任务。

声纳信号处理技术可以有效地对潜艇进行探测和定位，为海军提供准确的情报和作战支持。

其次是海底资源勘探。

利用声纳信号处理技术可以对海底地形和地质进行探测，从而帮助人们了解海底的环境和资源分布情况，为海底资源的勘探和开发提供科学依据。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

／￣）ｓｔｒａｃｔＳｈｉｐｔａｒｇｅｔｒｅｃｏｇｎｉｔｉｏｎｓｙｓｔｅｍｉｓｔｈｅｋｅｙｔｅｃｈｎｏｌｏｇｙａｎｄｉｔｉｓｔｈｅｎｅｒｖｅｃｅｎｔｒｅｏｆｍｏｄｅｒｎｉｎｔｅｌｌｉｇｅｎｔｕｎｄｅｒｗａｔｅｒｗｅａｐｏｎｓ．Ｔｈｅｄｅｖｅｌｏｐｍｅｎｔａｎｄａｃｈｉｅｖｅｍｅｎｔｏｆｕｎｄｅｒｗａｔｅｒｔａｒｇｅｔｒｅｃｏｇｎｉｔｉｏｎｆｒｏｍｍｏｒｅｔｈａｎ２０ｙｅａｒｓａｇｏｉｓｉｎｔｒｏｄｕｃｅｄｃｏｍｐｒｅｈｅｎｓｉｖｅｌｙｉｎｏｒｄｅｒｔｏｕｎｄｅｒ — ｓｔａｎｄｔｈｅｆｕｎｄａｍｅｎｔａｌｐｒｉｎｃｉｐｌｅａｎｄｆｕｎｃｔｉｏｎｏｆｔｈｅｔａｒｇｅｔｓｒｅｃｏｇｎｉｔｉｏｎｔｅｃｈｎｏｌｏｇｙ．Ｔｈｅｍｏｄｅｒｎｓｉｇｎａｌｐｒｏｃｅｓｓｉｎｇｔｅｃｈｎｏｌｏｇｉｅｓｓｕｃｈａｓｓｐｅｃ — ｔｒｕｍａｎａｌｙｓｉｓ，ｗａｖｅｌｅｔａｎａｌｙｓｉｓａｎｄｃｈａｏｔｉｃｔｉｍｅｓｅｒｉｅｓｗｈｉｃｈａｒｅａｐｐｌｉｅｄｉｎｕｎｄｅｒｗａｔｅｒｔａｒｇｅｔｒｅｃｏｇｎｉｔｉｏｎａｒｅｐｒｏｐｏｓｅｄｅｓｐｅｃｉａｌｌｙ．Ｔｈｅｄｅｖｅｌ —
号的特征提取和识别技术的进一步发展。
关键词
舰船；目标识别；信号处理；发展
ＴＮ９１１．７ＤＯ１：１０．３９６９／ｊ．ｉｓｓｎ１６７２ — ９７３０．２０１３．１２．０ｒｖｅｙｏｆＤｅｖｅｌｏｐｍｅｎｔｏｆＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇＴｅｃｈｎｏｌｏｇｙｆｏｒ
ｏｐｍｅｎｔｔｒｅｎｄａｎｄｔｈｉｎｋｉｎｇｏｆｔｈｅｆｕｔｕｒｅｆｏｒｔｈｅｔａｒｇｅｔｒｅｃｏｇｎｉｔｉｏｎｉｓｐｒｏｐｏｓｅｄｆｉｎａｌｌｙ，ｉｔｉｓｅｘｐｅｃｔｅｄｔｈａｔｔｈｅｓｕｂｊｅｃｔｏｆｔｈｅｓｈｉｐｔａｒｇｅｔｒｅｃｏｇｎｉ —
盛会平林王鹏
湛江
周
勇
（９１６４０部队
５２４０６４）
摘
要
舰船目标识别系统是现代智能水中兵器的神经中枢和关键技术，为全面了解现代舰船目标识别技术的基本原理功能和发展现
状。全面系统地介绍了二十多年来国内外舰船目标识别技术的发展历程和成果，重点阐述了诸如谱分析、小波分析、混沌时间序列分析等现代信号处理技术在舰船目标识别中的发展。最后对未来舰船目标识别技术的发展方向和思路表达了认识和看法，以期共同推进舰船目标信
ｔｉｏｎａｎｄｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｗｉｌｌｇｅｔｍｏｒｅｉｍｐｒｏｖｅｍｅｎｔａｎｄｄｅｖｅｌｏｐｍｅｎｔｗｉｔｈｏｕｒｅｎｄｅａｖｏｒ．ＫｅｙＷｏｒｄｓｓｈｉｐｔａｒｇｅｔ，ｔａｒｇｅｔｒｅｃｏｇｎｉｔｉｏｎ，ｓｉｇｎａ１ｐｒｏｃｅｓｓｉｎｇ，ｄｅｖｅｌｏｐｍｅｎｔＣｌａｓｓＮＵｌＴｌｌｌｅ￣ＴＮ９１】．７
总第２３４期
舰船电子工程
ＳｈｉｐＥｌｅｃｔｒｏｎｉｃＥｎｇｉｎｅｅｒｉｎｇ
Ｖｏ１．３３Ｎｏ．１２
３
２０１３年第１２期
信号处理在舰船目标识别中研究发展综述
ＳｈｉｐＴａｒｇｅｔＲｅｃｏｇｎｉｔｉｏｎ
ＳＨＥＮＧＨｕｉｐｉｎｇＬＩＮＷａｎｇｐｅｎｇＺＨＯＵＹｏｎｇ
（Ｎｏ．９１６４０ＴｒｏｏｐｓｏｆＰＬＡ，Ｚｈａｎｊｉａｎｇ５２４０６４）