特征和小波包样本熵特征进行组合，得到若干维 数的小波包特征量；
[0065] 对所述目标的方位及其变化率进行跟踪预测，得到所述目标的动态航迹特征。
[0066] 可选的，所述确定模块具体用于：
[0067] 根据所述线谱频率特征预先建立特征频率库；
[0068] 实时提取所述声信号的特征频率；
[0069] 根据提取到的所述特征频率与所述特征频率库中的匹配情况，确定所述目标的第 一类型置信度；
[0070] 根据所述时域特征向量的维数和所述目标的数量分别确定时域特征子神经网络 的输入和输出层数；
[0071] 通过所述时域特征子神经网络确定所述目标的第二类型置信度；
[0072] 根据所述频域特征向量的维数和所述目标的数量分别确定频域特征子神经网络 的输入和输出层数；
[0073] 通过所述频域特征子神经网络确定所述目标的第三类型置信度
[0074] 根据所述小波包特征向量的维数和所述目标的数量分别确定小波包特征子神经 网络的输入和输出层数；
[0075] 通过所述小波包特征子神经网络确定所述目标的第四类型置信度；
[0076] 通过航迹关联识别技术，将所述航迹和所述动态航迹特征进行关联，确定所述目 标的第五类型置信度。
[0077] 可选的，所述识别模块具体用于：
[0078]利用所述第一类型置信度、第二类型置信度、第三类型置信度、第四类型置信度、 第五类型置信度以及加权值，计算出类型置信度的总值，选取最大值对应的类型作为所述 目标的类型。
[0079]可选的，所述装置还包括：
[0080]全局优化模块，用于在所述通过融合识别技术对所述类型置信度进行识别，以确 定所述目标的类型之前，利用遗传算法和神经网络相结合的识别分类方法对神经网络权系 数进行全局优化。
[0081 ]可选的，所述采集模块具体用于当所述目标为低空慢速小目标时，通过十字传声 阵列采集所述目标的声信号，所述十字传声阵列包括12个传声阵列元和4根相互垂直的水 平杆。
[0082] 从以上技术方案可以看出，本发明实施例具有以下优点：
[0083] 本发明实施例中，通过平面传声阵列采集目标的声信号，所述目标包括低空飞行 的无人机、轻型飞机、动力三角翼、巡航导弹、动力滑翔伞中的任意一种，对所述声信号进行 方向估计，并对方向估计后的声信号进行空域滤波处理，在空域滤波处理后，提取所述声信 号的特征、所述声信号的特征对应的特征向量以及所述目标的特征，根据所所述声信号的 特征、所述声信号的特征向量以及所述目标的特征，确定所述目标的类型置信度，通过融合 识别技术对所述类型置信度进行识别，以确定所述目标的类型本发明实施例提高了目标定 位的准确度。本发明实施例中，利用声信号的特征、所述声信号的特征向量以及所述目标的 特征，确定目标的类型置信度，然后通过融合识别技术对所述类型置信度进行识别，可以有 效提高目标类型识别的准确度。
【附图说明】
[0084] 图1是本发明实施例中目标类型识别的方法的实施例示意图；
[0085] 图2是本发明实施例中传声器阵列结构示意图；
[0086] 图3是本发明实施例中小波分解的自适应噪声抑制算法流程示意图；
[0087] 图4是本发明实施例中特征频率的模板匹配流程示意图；
[0088] 图5是本发明实施例中目标类型识别装置的结构意图。
【具体实施方式】
[0089] 本发明实施例提供了一种目标类型识别的方法，提高了目标类型识别的准确度。
[0090] 为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的 附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是 本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人 员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范 围。
[0091] 本发明的说明书和权利要求书及上述附图中的术语"第一"、"第二"等(如果存在） 是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数 据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以 外的顺序实施。此外，术语"包括"和"具有"以及他们的任何变形，意图在于覆盖不排他的包 含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的 那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的 其它步骤或单元。
[0092] 下面对本发明实施例中目标类型识别方法的实施例，进行介绍。
[0093] 请参阅图1，本发明实施例中目标定位的方法一个实施例包括：
[0094] 101、通过平面传声阵列采集目标的声信号，所述目标包括低空飞行的无人机、轻 型飞机、动力三角翼、巡航导弹、动力滑翔伞中的任意一种。
[0095] 可选的，如图2所示，当所述目标为低空慢速小目标时，通过十字传声阵列采集所 述目标的声信号，所述十字传声阵列包括12个传声阵列元和4根相互垂直的水平杆。
[0096] 102、对所述声信号进行方向估计，并对方向估计后的声信号进行空域滤波处理。
[0097] 可以理解的是，本发明实施例中，可以利用检测、定向算法对时域滤波后的信号进 行方位估计完成目标定向，各时刻定向结果形成目标的航迹。
[0098] 其中，目标检测、定向采用通用算法，空域滤波采用通用的波束形成算法，本发明 不再赘述。
[0099] 可选的，在本实施例中的步骤101和102之间，还可以包括:对所述声信号进行自适 应噪声抑制处理。
[0100] 可以理解的是，各通道目标声信号都包含有环境噪声、风噪声等其它噪声，这些噪 声有的属于白噪声有的属于有色噪声，本实施例中，通过对所述声信号进行自适应噪声抑 制处理，即在时域对各通道信号进行滤波，可提高信噪比。
[0101]具体的，本实施例中，采用基于小波分解的自适应噪声抑制技术对所述声信号进 行自适应噪声抑制处理，如图3所示，在小波分解的自适应噪声抑制技术中，小波基采用db6 小波，首先对传声器阵列各阵元采集到的目标声信号进行6层小波分解，对各层数据进行单 独重构，提出一种前提条件:各通道的环境噪声不相关或是相关性很小，小波分解后噪声数 据所在的层各通道也不相关或是相关性很小，根据此前提条件对各通道分解后的数据进行 互相关计算，互相关系数的门限为〇. 3，当该层各通道的互相关系数小于0.3时，认为改层为 噪声层，提取所有噪声层并进行数据重构，得到噪声数据，将噪声数据输入通用的自适应滤 波器进行噪声抑制。
[0102] 103、在空域滤波处理后，提取所述声信号的特征、所述声信号的特征对应的特征 向量以及所述目标的特征。
[0103] 可选的，当所述目标的特征为频率特征时，所述提取所述声信号的特征包括：当辐 射的声音功率谱线谱基频大于阈值时，通过直升机线谱和谐波集检测算法对频域特征进行 分析，以得到线谱频率特征。
[0104] 可以理解的是，从功率谱来看，低空飞行的小目标大多存在明显的线谱特征，或是 窄带频率特征，类似喷气式飞机的宽谱特征较少，而且由于一般采用的发动机较小，为了达 到一定的功率，其转速一般较高，辐射的声音功率谱线谱基频在70Hz~160Hz。在50Hz以上 采用直升机线谱、谐波集检测算法提取线谱频率特征。
[0105] 可选的，所述提取所述声信号的特征向量包括如下几种方式：
[0106] -、当所述声信号特征为时域特征时，计算出自相关系数和倒谱系数，将所述自相 关系数和所述倒谱系数结合，得到若干维数的时域特征向量。
[0107] 具体的，当自相关系数和倒谱系数均为20个时，可以得到40维数的时域特征向量。 自相关系数可以通过如下方法得到：
[0108] 对于低空慢速飞行的小目标，波束输出后的单通道声音信号可看成平稳随机信 号，对于随机平稳信号其在时域上的自相关函数可由下式近似计算：
[0110]式中，Rxx表示计算得到的时域信号自相关系数，x(n)表示波束输出后的时域信