基于数据融合的声目标识别技术研究

声目标识别技术是目标探测系统中的关键技术,也是军事制导、安全监控、智能交通等领域的一个研究热点,将数据融合技术应用于目标识别领域,可达到提高识别成功率,提高识别可信度的目的,因而具有重要的研究价值。 本文以两类车辆为研究对象,对基于数据融合的声目标识别技术,以及系统的实用化和识别性能进行了研究,主要包括目标检测、特征提取、特征融合和决策融合四部分内容。 目标检测及特征提取方面,首先采用由短时能量和过零率组合的双门限法及基于线性预测系数距离的检测算法,实现了有效数据段的截取,然后分别使用AR参数模型和小波能量两种方法提取目标声信号特征。在理论分析的基础上,进行了计算机的测试验证。 数据融合方面,针对同类传感器,围绕特征级与决策级的融合识别方法展开研究,在特征层,采用BP神经网络进行特征向量的融合;在决策层,利用D-S证据理论研究目标识别的融合问题。通过大量仿真实验,从其识别效果来看,特征级数据融合优于决策级融合;从其计算量的角度考虑,基于D-S证据理论的决策级融合方法小于基于BP神经网络的特征级融合方法,两者在信噪比较高的情况下,都表现了超过单信息源系统的正确识别率,证明了融合系统具有更优异的性能。 在算法研究的基础上,搭建了基于嵌入式数字信号处理器(TMS320F2812)的声目标识别系统,包括数据采集模块、串口通信模块、数据缓存模块及DSP数字处理模块等功能模块的设计,实现了识别系统中各算法的TMS320F2812移植,通过系统工程测试,完成对履带式车辆、轮式车辆及背景环境噪声的有效分类识别,验证了系统的实时性及有效性。