论文部分内容阅读
随着军事技术的进步与发展,我国信息侦察技术正向立体化、精确化、综合化方向发展。在对地面运动目标人员及车辆的侦察监测中,震动传感器是一种普遍使用的地面传感器,它通过记录地震波来探测目标,通常可以探测到20m以内运动的人员目标以及200m以内的车辆目标。人员及车辆产生的地震动信号属于典型的非平稳随机信号,对其进行分析、处理过程显得尤为重要。近年来,经验模态分解(Empirical Mode Decomposition, EMD)已成为处理非平稳随机信号的热点方法,被广泛应用到地震动信号的处理中。首先,本文介绍了人员及车辆目标地震动信号的去噪方法和识别方法的国内外研究现状,并研究了地震动信号的发生和传播机理,描述了震动传感器信号采集装置,对人员、轮式车和履带车所产生的地震动信号进行采集并建立样本库。之后,根据地震动信号的特性,详细研究了几种经典的时频分析方法,并通过实验进行对比验证,分析了短时傅里叶变换(Short Time Fourier Transform, STFT )、维格纳分布(Wigner-Ville Distribution,WVD)在处理地震动信号时的缺陷。之后,由于短时傅里叶变换法和维格纳分布法在处理具有非线性和非平稳特征的地震动信号时存在缺陷,针对此问题,本文采用集成经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)算法对实测人员、车辆产生的地震动信号进行处理。由于人员、车辆等产生的地震动信号往往会受到背景噪声等外界条件的干扰,难以识别。因此,本文对经EEMD分解得到的固有模态函数(Intrinsic Mode Function, IMF)高频分量进行小波阈值去噪。通过MATLAB进行仿真实验,将本论文提出的EEMD-小波阈值联合去噪方法与其他去噪方法进行对比分析,验证了该方法能够有效地提高人员及车辆产生的地震动信号的信噪比,同时也解决了去噪过程中有效信息丢失的问题。最后,针对外界环境复杂多变,无法建立大型的数据库的问题,建立了适用于小样本数据集的EEMD-SVM非平衡决策树模型:对去噪后的IMF分量进行筛选,保留有效的IMF分量,计算其归一化能量特征矩阵,再将特征矩阵输入到SVM非平衡决策树分类器中,进行人员、轮式车和履带车的逐层识别。同时,对本文提出的EEMD-SVM非平衡决策树模型进行仿真实验,验证了该模型可以准确、高效地对人员、轮式车和履带车进行分类识别。此外,本文建立了 MATLAB的GUI界面,模拟出了一个基于EEMD-SVM非平衡决策树模型的人员及车辆目标地震动信号识别系统,实现了一种半自动式的人员及车辆目标识别方式。