希尔伯特-黄变换在船舶声信号识别中的高效特征提取

"基于希尔伯特-黄变换的船舶声信号特征提取 (2014年)" 希尔伯特-黄变换（HHT），全称为希尔伯特-黄谱分析，是一种时频分析方法，由E.H. Huang在1998年提出。这种变换主要针对非线性、非平稳信号的分析，具有强大的自适应性和良好的时频分辨率。在本文中，作者李新欣探讨了如何将HHT应用于船舶声信号特征提取，并通过神经网络进行分类。 在传统的信号处理中，如傅立叶变换，由于其固有的全局性和假设信号的平稳性，往往无法准确捕捉到瞬态或非平稳信号的特性。相比之下，HHT结合了经验模态分解（EMD）和希尔伯特谱（Hilbert spectrum），能够动态地分析信号的局部行为，特别适合于水下声学领域的应用，例如船舶辐射噪声的分析。 EMD是HHT的核心部分，它将原始信号分解为一系列简明的本征模态函数（IMFs），这些IMFs反映了信号内部不同频率成分的变化。每个IMF都代表一个近似独立的振动模式，这样就能够在时间域和频率域中同时解析信号，实现高精度的时频分析。 希尔伯特谱则是对EMD分解后的IMFs进行希尔伯特变换，得到每个IMF的瞬时频率和幅度，从而形成一个二维的时频分布图。这种分布图可以清晰地揭示信号在时间和频率上的演变规律，对于非平稳信号的特征提取非常有用。 在论文中，作者利用HHT对实录的船舶辐射噪声进行特征提取，然后利用神经网络进行分类。神经网络作为一种非线性模型，能够适应复杂的数据结构，对于噪声特征的识别和分类具有很好的潜力。实验结果显示，HHT在识别船舶声信号时，相比于传统时频分析方法（如小波变换）具有更高的时频分辨率和更好的自适应性，证明了HHT在船舶声信号识别中的有效性。 希尔伯特-黄变换提供了一种有效的方法来分析和理解船舶辐射噪声的复杂性，对于提升水声通信、船舶监测以及海洋环境噪声研究等领域的技术水平有着重要的理论和实践意义。通过HHT进行特征提取，再配合神经网络的分类能力，可以实现对船舶类型、状态甚至故障的精确识别，对于保障海上安全和提高海洋活动效率具有重要意义。