当小波包特征向量维数为32,输入层设计32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。
[0174] 其中，上述各子神经网络输出的结果即可做为相应目标类型的置信度。
[0175] 本实施中，所述根据所述目标的特征向量确定所述目标的类型置信度包括: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。
[0176] 可以理解的是，根据运动特征分析的结果，如果当前时刻实际测量的角度和角速 度与预测算法输出的角度和角速度匹配，说明当前时刻该目标还是前一时刻或是前一时间 段的同一个目标，其目标类型与前一时刻的目标的类型一致，输出该类目标的置信度高，否 则置信度低。
[0177] 可选的，在本发明实施例中步骤104之前，还可以包括: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。
[0178] 其中，将遗传算法和神经网络相结合，利用误差反向传递的全局代价函数作为遗 传算法的适应度函数，对神经网络权系数进行全局优化，训练完毕的神经网络具有更好的 泛化适应能力，具体步骤如下：
[0179] 1)、将神经网络权系数放入权系数矩阵，为隐含层权系数矩阵，为输出层权系数矩 阵；
[0180] 2)、按权系数矩阵维数初始化权系数矩阵，得到初始化种群，种群规模为M，令进化 代数g = 〇;
[0181] 3)、将种群中每条染色体带入神经网络，采用神经网络正向过程计算每条染色体 的输出，计算适应度函数得到种群中每条染色体的适应度值F;
[0182] 4)、将当代种群中适应度最好的个体直接复制到下一代种群中，同时直接淘汰种 群中适应度最坏的染色体；
[0183] 5)在种群剩余个体中用"轮盘赌"形式的比例选择法来选择Μ个个体组成新一代种 群；
[0184] 6)、在新一代种群中，以一定的概率进行单点交叉，更新种群中的个体；
[0185] 7)、对种群中的个体，以一定的概率进行变异，更新种群中的个体；
[0186] 8)、计算种群中个体的适应度值，判断适应度最好的值是否满足精度要求，或是判 断是否已经达到最大进化次数，如果满足条件，则结束，否则进入步骤3);通过设定一定的 精度条件和进化次数，神经网络权值的全局最优解。
[0187] 105、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。
[0188] 步骤104中的第一类置信度、第二类置信度、第三类置信度、第四类置信度、第五类 置信度，每种输出6类置信度，可以表示如下：
[0190]式中，Bi表不第i种方法输出的置信度向量，ai表不对第i种方法输出置信度向量的 加权值，表示第i种方法输出的第j类目标置信度。通过大量的试验验证设计加权值为:a = [0.5 0.8 0.6 0.6 0.8]，则有第j类目标总置信度为：
[0192]最后，通过找到总置信度BT」j = l，2,…，6最大值对应的目标类型，即为整体算法 输出结果。
[0193] 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。
[0194] 下面介绍本发明实施例中目标类型识别的装置的实施例。
[0195] 请参阅图5,本发明实施例中目标定位的装置500的一个实施例包括：
[0196] 采集模块501，用于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；
[0197] 第一处理模块502,用于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；
[0198] 提取模块503,用于在空域滤波处理后，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；
[0199] 第一确定模块504,用于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；
[0200] 识别模块505，用于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。
[0201 ]本发明实施例中，采集模块501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，处理模 块502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，提取模块503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，确定模块504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，识别模块505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。
[0202]可选的，所述装置500还可以包括第二处理模块506,用于在通过平面传声阵列采 集目标的声信号之后，且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 滤波处理之前，对所述声信号进行自适应噪声抑制处理。
[0203]可选的，所述第二处理模块506具体用于利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抑制处理。
[0204] 可选的，所述装置还包括：
[0205]第二确定模块507,用于在估计出所述声信号的方向后，根据所述声信号在各时刻 的方向确定所述目标的航迹。
[0206]可选的，所述提取模块503具体用于：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;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;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;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;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。
[0207]可选的，所述确定模块504具体用于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;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;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； 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。
[0208] 可选的，所述装置还包括全局优化模块508,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。
[0209]