号， τ表示时延。自相关系数求出后在0时延点左边取99个值、右边取100值，从左到右依次每10 个系数点取平均值，共综合得到20个特征点，利用不同目标类型自相关特征点的不同对目 标类型进行识别。
[0111] 倒谱系数可以通过如下方法得到：
[0112] 假设目标声信号频率有限，幅度有限，且都在传声器设计指标范围内，那么传声器 可以看成是因果稳定的系统，可以用一个有理形式的传递函数进行描述，该系统满足最小 相位系统的条件，可以采用线性预测模型对该系统进行建模，进而得到其线性预测模型倒 谱系数，不同的目标信号类型其倒谱系数一般不同，从而可以利用该系数对目标类型进行 识别。
[0113] 线性预测模型表示为当前时刻的输出值可用过去一定时间段内的输出值乘上相 应的系数进行估计，具体表达式如下：
[0115]式中，表示当前时刻的预测值，x(n)表示当前时刻的实际值，aii = l，2,…，ρ 表示线性预测模型的系数，Ρ表示阶数。对于线性预测模型的系数可采用最小均方误差方法 进行估计。当得到线性预测模型系数后采用如下方法计算倒谱系数：
[0117]式中，ci表示倒谱系数，其它符号同式(2)。
[0118] 在实际计算时阶数取20，估计出20个倒谱系数作为目标特征，与20个自相关系数 相结合共提取40个参数作为目标时域特征向量Ft= (ri，r2，…，no，mi，m2，…，m2〇。
[0119] 二、当所述声信号特征为频域特征时，进行非参数化功率谱分析，以计算出功率 谱，利用计算出的功率谱，得到若干维数的频域特征向量。
[0120] 具体的，可以通过如下方式得到若干维数的频域特征向量：
[0121]在对波束输出的声信号进行非参数化功率谱分析计算，非参数化功率谱分析一般 用修正周期图法，其计算方法如下：
[0124] 式中，x(n)为时域采样序列，Px(w)为求得的功率谱，c(n)为窗函数。
[0125] 在对波束输出的信号进行功率谱分析后，取10Hz~650Hz的信号，平均分成40段， 每段求平均能量得到目标频域特征向量=(?,.Λ,···^)。
[0126] 三、当所述声信号特征为小波包特征时，计算声信号各频带的能量特征、标准差特 征、谱重心特征和小波包样本熵特征，将能量特征、标准差特征、谱重心特征和小波包样本 熵特征进行组合，得到若干维数的小波包特征量。
[0127] 具体的，在实际应用中，可以通过上述四种特征，计算得到32维数的小波包特征 量，计算过程如下：
[0128] 小波包分解是一种有效的时频分析方法，它将信号从低频到高频进行多层次的划 分，在各层次上信号的能量、谱重心、二阶矩、小波熵等特征可充分表现该类目标的特性，小 波包特征提取的步骤如下：
[0129] 1)信号分解:采用小波函数sym6对波束输出的数据进行3层小波包分解，得到8个 频带的小波包系数。
[0130] 2)信号重构:对步骤1)分解得到的8个频带小波包系数进行重构，得到8个频带重 构时域波形。
[0131] 3)计算各频带特征量:设信号的采样长度为N，利用步骤2)得到的信号计算各特征 量，计算方法如下：
[0132] a)能量特征
[0133] 各频带的能量计算如下：
[0139] c)谱重心特征
[0140] 求取各频带的功率谱：
[0141] 利用(4)式计算各频带功率谱得到
[0143 ]式中，fs为采样率，k为离散频率，Ai (k)为对应频率的幅值，φ,伏)为对应频率的相 位。
[0144] 求取各频带谱重心：
[0146] d)小波包样本熵特征
[0147] 计算各频带样本熵步骤如下：
[0148] si、给定模式维数d = N/10,各频带序列组成d维矢量：
[0149] Xi(m) = [xi(m)，x(m+l)，…，x(m+d_l)]，m= 1，2，…，N_d+l (10)
[0150] s2、计算Xi(m)与Xi(g)之间的距离：
[0151] Li(m，g) =max I Xi(m+b)_Xi(g+b) I，b = 1，2，…，d_l，m关g (11)
[0152] s 3、给定阈值r，对每一个b值统计Li (m，g) <r的数目P，并计算：
[0156] s4、令d = d+l，重复步骤si~s3,计算得到Bd+1(r)
[0157] s5、计算得到样本熵为：
[0159] 将4种特征量合在一起组成32维小波包特征向量: Cl，C2，…，Cs，Si，S2，…，S8 ) 〇
[0160] 四、当所述特征为运动特征时，所述提取所述目标的特征包括: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。
[0161] 其中，传声器阵列接收到目标声信号后通过定向算法可计算出目标相对于传声器 阵列的方位，由各时刻目标方位可推算出目标相对于传声器阵列的方位变化率，由此能可 靠的观测到的目标信息包括目标方位及其变化率，采用卡尔曼滤波方法进行建模，对目标 方位及其变化率进行跟踪预测，从而可获得目标动态航迹特征。
[0162] 104、根据所述声信号的特征、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。
[0163] 其中，根据所述声信号的特征确定所述目标的类型置信度包括:利用模板匹配技 术，根据所述线谱频率特征预先建立特征频率库，实时提取所述声信号的特征频率，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。
[0164] 具体的，如图4所示，低空飞行的螺旋桨目标辐射的声音大多都有明显线谱基频， 对这些目标在各种飞行状态下的声音进行事先采集并分析，对各种状态下的频率特征进行 总结，建立相应的特征频率库作为对这些目标识别的模板，在实际应用时，实时提取目标声 音的特征频率，如果存在特征频率将其与特征频率库进行比对，如果能够很好的匹配，输出 该目标类型的置信度较高，如果在频率库中没有找到匹配项，这种方法输出该类目标的置 信度较低。
[0165] 其中，在根据所述声信号的特征向量确定所述目标的类型置信度时，具体的，可以 利用子神经网络设计技术结合声信号的特征向量确定所述目标的类型置信度。
[0166] 其中，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，比如，当目标包括螺旋桨目标、动力滑翔伞、巡航导弹、喷气式目 标、其它目标以及背景噪声共6类目标时，输出层个数按照目标分类个数确定为6个。隐层神 经元的个数由经验公式：
得到，式中nk为隐层神经元的个数，m为输入神经 元的个数，η。为输出神经元的个数，a为1~10之间的常数，隐层神经元个数在实际确定是还 要根据多次试验结果进行优选。输入层选择常值为1的变换函数，隐层变换函数选择双曲函 数，输出层变换函数选择比例函数。
[0167] 可以理解的是，利用子神经网络设计技术结合声信号的特征向量确定所述目标的 类型置信度包括如下几种：
[0168] -、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，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。
[0169] 可以理解的是，当时域特征向量维数为40,输入层设计40个常值变换函数，中间层 按照经验公式和实际试验结果设计26个双曲函数神经元，输出层神经元个数为6。
[0170] 二、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，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。 [0171]可以理解的是，当频域特征向量维数为40,输入层设计40个常值变换函数，中间层 按照经验公式和实际试验结果设计26个双曲函数神经元，输出层神经元个数为6。
[0172] 三、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，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。
[0173] 可以理解的是，