2.2 目標(biāo)識(shí)別軟件
　　目標(biāo)識(shí)別的效果主要依賴于特征提取和分類識(shí)別算法。本目標(biāo)識(shí)別系統(tǒng)采用小波包分析特征提取和BP神經(jīng)網(wǎng)絡(luò)分類算法編寫目標(biāo)識(shí)別軟件應(yīng)用程序，將目標(biāo)識(shí)別軟件移植于S3C44B0X硬件平臺(tái)，實(shí)現(xiàn)聲信號(hào)的處理，達(dá)到識(shí)別目標(biāo)類型的目的。
2.2.1 小波包分析
　　小波包是由通常的小波函數(shù)通過(guò)線性組合而成，具有小波函數(shù)的正交性和時(shí)-頻局部化特性。在小波包分析中，同時(shí)對(duì)信號(hào)的低頻和高頻部分進(jìn)行分解，并能根據(jù)被分析信號(hào)的特征，自適應(yīng)地選擇相應(yīng)的頻帶，使之與信號(hào)頻譜相匹配，從而提高時(shí)－頻分辨率^[2]。
　　定義函數(shù)u_n(t)滿足以下雙尺度方程：
　　
　　式中：g(k)=(-1)^kh(1-k)，即兩系數(shù)具有正交關(guān)系，u₀(t)和u1(t)分別為尺度函數(shù)φ(t)和小波基函數(shù)(t)。
?　 由式(1)構(gòu)造的序列{u_n(t)}(n∈Z+)稱為由基函數(shù)確定的正交小波包。
　

2.2.2 基于小波包分析的信號(hào)特征提取
　　基于小波包分析的聲信號(hào)特征提取步驟：
　　(1)對(duì)原始信號(hào)進(jìn)行三層小波分析；
　　(2)對(duì)分解后的第三層信號(hào)進(jìn)行五層小波包分解；
　　(3)對(duì)小波包分解系數(shù)重構(gòu)，提取各頻段范圍的信號(hào)。以S_5j表示第(5，j)個(gè)節(jié)點(diǎn)的小波系數(shù)重構(gòu)，其中j=0，1，…31，分別表示第五層第j個(gè)節(jié)點(diǎn)；
　　(4)求各個(gè)頻段信號(hào)的總能量。以E_5j(j=0，1，…31)表示信號(hào)S_5j的能量。特征向量T可以構(gòu)造如下：
　　T=[E₅₀，E₅₁，E₅₂，…，E₅₃₀，E₅₃₁]
　　當(dāng)能量較大時(shí)，E_5j通常是一個(gè)較大數(shù)值，給數(shù)據(jù)分析造成不便。由此，可以對(duì)特征向量進(jìn)行歸一化處理，令：

　　
　　其中，向量T′即為歸一化后的向量，以T′的值為元素構(gòu)造特征向量。
2.2.3 基于BP神經(jīng)網(wǎng)絡(luò)的目標(biāo)識(shí)別
　　BP神經(jīng)網(wǎng)絡(luò)是一種多層網(wǎng)絡(luò)的逆推學(xué)習(xí)算法，圖3為BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖，它由輸入層、輸出層和隱層組成^[3]。本文選取32×17×2的神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)。

　　BP神經(jīng)網(wǎng)絡(luò)目標(biāo)識(shí)別的實(shí)現(xiàn)分為兩個(gè)階段。第一階段是學(xué)習(xí)訓(xùn)練階段。在這個(gè)階段，網(wǎng)絡(luò)加載實(shí)際目標(biāo)信號(hào)的輸入和理想輸出，計(jì)算理想輸出與實(shí)際輸出之間的誤差，通過(guò)誤差傳遞調(diào)整網(wǎng)絡(luò)權(quán)值，直至理想輸出與實(shí)際輸出之間的誤差符合分類器精度要求，此時(shí)權(quán)值所包含的信息就是分類器的分類信息；第二階段是識(shí)別階段。在這個(gè)階段，網(wǎng)絡(luò)只加載實(shí)際目標(biāo)信號(hào)的輸入，根據(jù)第一階段所獲得的權(quán)值來(lái)計(jì)算分類器輸出，通過(guò)輸出判斷信號(hào)所屬類別。
3 實(shí)驗(yàn)結(jié)果及討論
　　采用戰(zhàn)場(chǎng)實(shí)測(cè)的一組直升機(jī)聲信號(hào)數(shù)據(jù)和非直升機(jī)聲信號(hào)數(shù)據(jù)作為測(cè)試樣本。第一步采用小波包分析對(duì)樣本進(jìn)行特征提取，結(jié)果如表1所示。第二步采用BP神經(jīng)網(wǎng)絡(luò)對(duì)樣本進(jìn)行目標(biāo)分類。在學(xué)習(xí)訓(xùn)練階段，該目標(biāo)識(shí)別系統(tǒng)將實(shí)測(cè)的戰(zhàn)場(chǎng)聲信號(hào)特征向量作為訓(xùn)練樣本，對(duì)BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練，確定權(quán)值和閾值。在識(shí)別階段，把表1中聲信號(hào)特征向量作為神經(jīng)網(wǎng)絡(luò)的輸入，利用訓(xùn)練好的網(wǎng)絡(luò)對(duì)測(cè)試樣本進(jìn)行識(shí)別，判斷目標(biāo)類別^[4]，識(shí)別結(jié)果如表2所示。

　　由表2可看出網(wǎng)絡(luò)的實(shí)際輸出與理論輸出吻合較為理想，說(shuō)明可將小波包分析與BP神經(jīng)網(wǎng)絡(luò)分類器相結(jié)合的直升機(jī)目標(biāo)識(shí)別算法應(yīng)用于實(shí)際戰(zhàn)場(chǎng)環(huán)境中。
　　為反映嵌入式目標(biāo)識(shí)別平臺(tái)的識(shí)別率，分別采用80組直升機(jī)數(shù)據(jù)樣本以及80組非直升機(jī)數(shù)據(jù)樣本作為測(cè)試樣本，提取特征向量，在嵌入式平臺(tái)上利用訓(xùn)練好的網(wǎng)絡(luò)對(duì)測(cè)試樣本進(jìn)行識(shí)別，識(shí)別結(jié)果如表3。
　　該目標(biāo)識(shí)別系統(tǒng)采用近年來(lái)興起的嵌入式技術(shù)，并與聲探測(cè)技術(shù)相結(jié)合，實(shí)現(xiàn)了對(duì)武裝直升機(jī)的目標(biāo)識(shí)別，目標(biāo)識(shí)別率較高，且嵌入式系統(tǒng)具備低功耗和高性能的優(yōu)點(diǎn)，適用于戰(zhàn)場(chǎng)環(huán)境。本識(shí)別系統(tǒng)的研制對(duì)戰(zhàn)場(chǎng)環(huán)境直升機(jī)類目標(biāo)的探測(cè)預(yù)警有實(shí)際應(yīng)用價(jià)值。

參考文獻(xiàn)
[1] 徐貴英.反直升機(jī)聲引信的聲傳播問題[J].現(xiàn)代引信，1997(3)：38－41.
[2] 胡昌華，李國(guó)華，劉濤，等.基于MATLAB 6.x的系統(tǒng)分析與設(shè)計(jì)——小波分析[M].西安：西安電子科技大學(xué)出版社，2004.
[3] 朱大奇，史慧.人工神經(jīng)網(wǎng)路原理及應(yīng)用[M].北京：科學(xué)出版社，2006.
[4] 支華，巢佰崇，陳雪豐.基于ARM的指紋識(shí)別平臺(tái)設(shè)計(jì)[J].地理空間信息，2005，3(3)：23－24.