典型文献
基于小波包分解和PCA-Attention-LSTM的舰船辐射噪声识别技术
文献摘要：
为了改进舰船辐射噪声分类系统的性能,进一步提高识别准确率,文章提出了一种基于多特征的小波包分解在长短期记忆(Long Short-Term Memory,LSTM)网络中分类的方法.该方法首先通过小波包分解技术,分频段提取舰船辐射噪声的多种特征,将提取的特征利用主成分分析法(Principal Component Analysis,PCA)进行数据降维,通过添加注意力机制(Attention Mechanism)算法的LSTM网络,对辐射噪声结果分类,提高了学习效率和识别准确率.为了更精细地提取特征,分频段提取了舰船辐射噪声的时频域特征、小波变换特征和梅尔倒谱系数等特征,并将分频段与不分频段的特征、多特征与单一特征、不同信噪比间的算法性能进行对比.实验结果表明,基于小波包分解和PCA-Attention-LSTM的模型可以有效地提高舰船辐射噪声分类的性能,是一种可行的分类方法.
文献关键词：
舰船辐射噪声;小波包分解;特征提取;主成分分析;舰船识别分类
中图分类号：
作者姓名：
吴承希;王彪;徐千驰;朱雨男
作者机构：
江苏科技大学电子信息学院,江苏镇江212100
文献出处：
引用格式：
[1]吴承希;王彪;徐千驰;朱雨男-.基于小波包分解和PCA-Attention-LSTM的舰船辐射噪声识别技术)[J].声学技术,2022(02):264-273
A类：
舰船识别分类
B类：
于小波,小波包分解,Attention,舰船辐射噪声,噪声识别,噪声分类,分类系统,识别准确率,多特征,长短期记忆,Long,Short,Term,Memory,分解技术,分频,频段,Principal,Component,Analysis,数据降维,注意力机制,Mechanism,学习效率,提取特征,时频域特征,小波变换,梅尔倒谱系数,不分,算法性能,分类方法
AB值：
0.234967
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
