信号处理在舰船目标识别中研究发展综述＊

盛会平 林王鹏 周 勇

（91640部队 湛江 524064）

1 引言

随着智能水下武器的迅速发展和信息化条件下现代海战的需要，舰船目标识别技术及其应用已经成为研究者日益关心的一个学科。目标识别技术的根本原理是首先对提取的信号特征提取和分类识别，其理论基础仍然是信号与信息处理学科的实际应用和发展，舰船目标识别技术的发展也必将伴随着现代信号处理技术的发展而逐渐取得进步。舰船目标识别系统安装在水中兵器的智能自导头段，是实现水中兵器自动识别目标、自动寻的、跟踪的关键环节和技术。也是对采集到的声呐信号处理的重要关键环节。可以说，舰船目标识别技术的好坏，是评价水中兵器攻击性能的重要指标，也是实现水中兵器现代化发展的关键之举。

对于舰船目标识别领域来说，它可以分为两类，一是主动识别，二是被动识别。前者主要是应用在主动攻击的比如鱼雷等水中兵器中，后者主要应用与防御封锁性的比如水雷等武器系统中。对于前者，它是利用武器自身发射的声波信号，通过回波实现对敌舰船目标的探测，分类和识别。以供决策。后者是基于攻击目标自身发出的噪声、磁场、水压等物理信号，提取这些物理信号的特征，进行分类识别，实现攻击决策。

信号的检测和特征的提取是舰船目标识别技术的最为前提和关键的一步，特别是在被动舰船目标识别中，舰船辐射噪声作为一种复杂和特殊的时间序列，是否能够并如何在水下复杂环境下利用现代信号处理技术提取出舰船的各种特征并加以分类，从而达到对舰船的有效识别，成为学者们越来越感兴趣的内容。本文将在论述舰船目标识别基本原理，应用性能和功用，在此基础上，阐述舰船目标识别发展之现状和困境以及发展之展望，由于舰船目标识别技术的基础在于信号与信息处理技术，因此，在之后将重点阐述各种现代信号处理理论在舰船目标识别中的研究发展现状和今后的发展趋势。并期待舰船信号的特征提取和识别技术的有飞跃的发展［1～3］。

2 舰船目标识别原理和功用

2.1 舰船目标识别技术的原理和构架

从信号处理学角度看，对舰船目标的识别，重要环节是在于提取有效的信号特征，进行分门别类，实现“物以类聚”，达到对目标区分的效果。

可认为特征提取是一种从目标空间到特征空间的映射（Map）。当然，该映射不是一般的数学变换，它必须具备四个特点：

1）变换后的目标特征应该是相对稳定和相对不变的；

2）变换后的特征空间维数应远远小于变换前的目标空间维数；

3）变换本身的运算复杂度尽可能小且易于实现；

4）变换后特征向量的各维参量之间尽可能不相关，这些特征参量便于理解和解释。

舰船目标识别技术的原理示意框图如图1所示。从框图可以看出，舰船目标识别技术的第一步是信号的检测采集，其中可能涉及到降噪滤波的处理；第二步是舰船目标信号的特征提取，这一步是舰船目标识别技术的关键，能否有效提取具有区分目标属性和类别的特征决定能否有效进行识别和分类。最后在提取目标信号特征的基础上进行专家系统识别和分类识别和决策。

图1 舰船目标识别原理示意图

信号检测试应用测试设备获取能反应舰船目标特征的有用信号，比如声信号、磁信号、水压信号等。

特征提取是最为关键的一步，利用所检测到的信号直接判断舰船类别基本是不可能的，只有通过对检测到的舰船目标信号进行特征提取。常见的特征提取方法有谱分析、神经系统分析、非线性信号处理分析方法等。舰船的特征量提取一般通过各种现代信号处理方法进行。

工况状态识别是对舰船目标运行状态做出判断和识别，其本质是对已提取的特征量进行分类识别，常见的有神经网络分类器和专家系统分类器等。

最后进行舰船的诊断和预测，仿真实验和工程实践中是以典型舰船目标为训练样本，做出异常工况下的各种舰船类型做出准确的判断和决策［4］。

2.2 舰船目标识别的功用

在水声对抗领域和舰船攻击与反攻击对抗领域中，目标识别是其重要的环节。目标信息中的多种特征参量，诸如尺度、亮点模型、频谱分析、声信息等，以及方位、距离等物理信息均可以作为目标识别中可以选取的特征参量。在主动目标识别系统中，诸如回波中的展宽、时频分析、反射参数、能量谱分析等特征都可以作为表征目标回波的特征信息。在被动目标识别中，最常用的是目标的噪声信息，基于舰船发动机、螺旋桨、机械等噪声源来自的噪声信息一定程度上能准确反映舰船目标的吨位、类型等聚类特征，这为目标分类识别的研究提供了重要的理论依据。同时，在被动目标识别中，基于对舰船的磁场信号的分析、水压等物理信号的分析，同样可以作为有用的反映舰船类别的信号特征。

通过对特征的提取和有效的分类识别，实现舰船目标识别功能，从而区分舰船目标的种类、大小，有效区分对象是真实的目标还是假的目标，比如声诱饵、潜艇模拟器、鱼群等。进而实施有效的攻击指令。另一方面，进行目标识别，可以分清攻击的主次，比如在航母战斗群中，有效进行目标识别，选择主要目标实施攻击，从而扩大了武器的攻击使用效能。

2.3 舰船目标识别的发展困难

如今，舰船目标识别技术伴随着现代信号处理技术和计算机科学的发展而取得了长足的进步和发展，许多新的算法和智能化处理芯片已经广泛应用与现役水中兵器之中。实现了算法的优化设计、芯片的高速处理、硬件设计集成化。

然而，许多困扰舰船目标识别发展的难题仍然需要解决，特别是由于本领域属于国防主要军事涉密领域，保密度较高，研究者在一个开放的学术平台上讨论此课题的机会甚少，武器更新换代周期慢。基于以上各种原因，许多新科技新技术还不能有效及时地应用在工程实践和装备发展领域。

技术层面讲，舰船目标识别是一门属于水下信号处理学科，众所周知，水下环境极复杂而不可预期，各种噪声混响背景复杂，因此这也成为困扰舰船目标识别发展最为重要的瓶颈之一。归纳水下环境因素对舰船目标识别发展的主要客观因素有：1）通信传输信道繁杂而不可预期；2）混响背景的复杂且强度高；3）舰船目标自身系统复杂，辐射声场、物理场等产生因素复杂；4）舰船辐射噪声、系统的自身噪声、水下环境物理噪声等因素繁杂众多。

3 国内外研究现状

在舰船目标识别中，被动目标识别方面，目前主要还是采用的是功率谱等谱分析特征提取的方法进行，通过有效的谱分析，能充分反映出目标舰船的各种物理特性，比如高阶谱、LOFAR谱分析等，都能充分反映出舰船的航速、吨位、类型等特征，进而有效进行目标的分类识别。同时，基于舰船辐射噪声的非线性的研究提取分类特征，运用了分形、极限环，混沌等新的数学方法。

在主动目标识别方面，主要是对产生的回波信号进行研究和特征的提取，应用领域一是对亮点回波模型的研究，通过有效检测目标舰船的各个亮点，从而确定目标舰船的类型，二是常用的信号处理方法、比如谱分析法、时频分析法、小波变换法ARMA模型法等等现代信号处理方法，提取回波模型中的对于回波信号中的频谱、小波特征、高阶谱等能反应目标特性的特征量，达到分门别类的目的。

3.1 谱分析方法在舰船目标识别的中发展和应用

谱分析方法在舰船目标识别中的应用主要体现在对线谱、动态谱、功率谱、以及双重谱的提取和研究，并在此基础之上，还对高阶谱进行过研究和应用。高阶谱分析就是提取高阶统计了特征，高阶统计量具有自动抑制高斯有色噪声影响的特性，同时还能够抑制对称分布噪声的影响和制约；另外，高阶循环统计量能自动抑制任何平稳（高斯与非高斯）噪声的影响。可见，高阶统计量中包含了二阶统计量没有的大量信息，所以高阶统计量能够大大超越功率谱和相关函数。

Hinich利用双谱分析的方法进行特征提取并应用在对不同舰船辐射噪声的分析和研究中，同时还在信号检测领域采用双谱分析方法对瞬时信号做了信号检测和分析的研究，效果明显。

另外，B.Giannakis和Tsatsanis在研究高阶统计量的三阶累积量结合匹配滤波器的使用，在低信噪比下对目标信号进行目标分类识别的研究，其信噪比在低于6dB的情况下，都能达到较高的正确识别率，达到95%以上。通过比较计算，该识别率是提取二阶统计量特征进行分类识别的识别率的2.5倍。另外Ajiay N.Balan和R.Azimi－Sadjadi二人，同样使用了双谱分析的方法，对地雷的回波信号进行过研究，提取了双谱的不同切片作为分类识别的特征量，结合神经网络分类器进行分类识别的研究工作，正确识别率平均水平为93%，不同类别目标的识别率平均水平在80%以上。

Vittorio Murino首先使用三阶累积量切片应用于组织结构的分类中，最后对不同组织结构的分类研究和仿真结果表明：在信噪比为5dB的情况下，正确识别率为90%以上，当信噪比SNR甚至低为－10dB，对目标的正确识别率能够到达70%以上，该方法在低信噪比下对目标的识别效果是相当明显的。

另外，Dembele等人，使用四阶累积量作为特征，并结合递归估计方法，应用于分类识别中，具有较好的性能；樊养余等基于高阶谱的研究，结合特征提取的方法提取到了39维的特征矢量，并进行了实际的海上测试研究，对于实测的海上数据进行分类识别［5］，具有良好的实测效果和应用性能。

3.2 小波分析在目标识别中的发展

3.2.1 小波变换在舰船噪声特征提取的研究和应用

关于小波变换在舰船目标识别中的应用，分为对舰船噪声提取研究和对舰船回波的特征提取两个方面。

对于提取小波多分辨带功率谱的特征上，赵建平使用小波分析的方法进行了实测研究，并对三类目标舰船进行了仿真实验和分类识别，正确识别率约为85%［6］；

章新华对舰船辐射噪声的提取结合小波分析和功率谱分析的方法进行，把两者有机结合，提取了功率谱特征，最后进行仿真实验和分类测试，测试效果显示比较优越的分类识别性能［7］。

小波多分辨分析方法是小波变换在舰船辐射噪声提取中一个有效的应用方法，对它的研究中，吴国清等人对它进行了工作的开展和目标识别的实验，获得了把平稳谱和非平稳谱一分为二，获得了很好的效果［8］。

另外，使用小波变换的方法，对舰船辐射噪声的平均功率谱进行分析和特征提取，得到了音频特征这一有效的特征量。并进行分类识别研究，分类效果表明，其正确分类识别率可以达到96%，显示了较好和识别可靠性。对比传统上直接采用平均功率谱进行作为特征的分类识别方法，只有80%，可见，正确识别率提高了16%以上。研究成果体现了较好的优越性能［9］。

3.2.2 小波变换在回波信号的特征提取应用和发展

关于小波变换在舰船目标识别中对舰船回波信号的特征的应用，主要体现在：利用小波变换提取水下回波的边缘特征，有效地识别四类湖底回波［10］；张静远等利用基于小波分解的能量特征、基于小波变换的模极值特征、基于小波包分解的熵特征以及基于小波网络的特征分别对三类湖底回波进行分类，平均识别分别为85.71%、93.33%、99.05%和95.31%［11］；马艳分别提取了尺度一小波能量谱、时间一小波能量谱、多分辨子带能量、小波包分析系数、小波包子带代价向量作为回波特征，对四类湖底回波进行了分类识别，并进行了比较［12］；Azimi－Sadjadi利用线性预测编码（LPC）模型提取小波包分解后各子带的特征，进行了两类回波的识别。

3.2.3 小波变化与神经网络结合的发展

结合小波优越的时频局部特性和变焦特性以及神经网络的自学习性、自适应性、强鲁棒性等优点。把两者有机结合，实现信号处理的跨越和目标识别的发展。实践中，两者的结合形式主要有两种：一种是先用小波变换提取信号的特征，再将特征输入神经网络进行处理；另一种是把小波变换的运算融入到神经网络里，形成所谓的小波神经网络。

对此，Zhang Qinghua和Benveniste明确提出了小波网络的概念和算法；Telfer等人利用自适应小波网络提高识别率；Tollig等人利用小波网络对瞬时信号进行分类；ZhnagJun等利用小波网络进行函数学习，性能好于MLP和RPF网络；何振亚和何强分出用于信号逼近和分类的自适应时延小波网络以及自适应周期小波网络。

3.3 混沌理论在舰船目标识别中的发展及应用

混沌理论是一门以非线性动力系统为理论基础，形成的一门从自然科学和物理学引入到信号处理学科的全新有效的新兴的现代信号处理理论。传统的信号处理理论都是假设研究信号即时间序列是线性或高斯性的，这种假设的线性和高斯性，虽然有利于信号处理工作的开展和进行，但毕竟现实中采集的任何工程领域、经济领域、管理领域甚至是网络领域的时间序列都或多或少具有一定的非线性成分，这种成分的存在，或许并不是阻碍人们去研究原时间序列的障碍，相反，通过非线性时间序列和混沌的分析的方法更能有效挖掘和提取充分反映原始信号序列内在规律的特征信息。

舰船辐射噪声信号具有混沌特性是舰船噪声自身的动力系统内在的固有特征和规律决定的。其运行过程自身是一个随机过程，通过提取舰船辐射噪声信号得到的数据具有随机性和非线性也是必然的，如何能从提取到的貌似杂乱无章的舰船辐射噪声信号中得到我们所想要的信息，以便进行目标的检测、定位、识别等工作，成为现代信号与信息处理领域和水下信号处理领域面对的共同问题。无论是目标识别还是故障诊断，其关键步骤还是故障特征的提取，然后通过自适应神经网络等分类器和专家系统模式识别，实现对研究对象的分门别类，达到故障诊断的目的。通过对目标识别方法的研究和改进，以及信号处理技术的不断进步，通过有效提取舰船目标的信号特征量，做出识别决策，保障智能武器攻击的有效进行［13～14］。

刘翠华、陶荣华［15］等对海上目标噪声实验数据提取非线性相似序列重复度特征，有效区分舰船目标和水上目标，水下高速目标和水下低速目标，水上大型目标、中型目标和小型目标，为水声目标识别提供了一种新的思路和方法；杨德森等分析了目标辐射噪声信号关联维估计过程，提出了一种新的无标度区域判定方法而，获得准确的噪声信号的关联维特征估计［16］；陈静、贾雪松等做了舰船辐射噪声的混沌特征提取方面的研究［17～18］；陆扬博士做了水中目标辐射噪声非线性特征提取的研究［19］；李钢虎、李亚安等研究了水声信号的混沌特征参数提取以及利用混沌特征参数的水声信号分类［20］。胡光波等人采用子空间降噪和K－L变换进行特征压缩，提出一个基于子空间降噪理论与相空间重构以及K－L变换相结合的完整的舰船辐射噪声特征提取方法，对三类目标舰船噪声信号具有较好的分类效果［21］。闫源江有效利用舰船辐射噪声的混沌特性，提取其混沌特征来对目标进行分类识别，采用了一种集相空间重构技术和关联维数拟合估计为一体的系统的特征提取方案，并成功应用于对舰船辐射噪声的特征提取［22］。陈静用递归图分析定性区分各类舰船，并对递归图作定量分析，研究了基于混沌理论和相空间重构技术递归图分析方法，分析递归图的内部规律性和特征，通过定量递归分析提取非线性特征量可以区分各类舰船目标信号，并通过神经网络做了分类识别［23］。章新华等人研究了舰船目标辐射噪声的Lyapunov指数，对Lyapunov指数特征提取的计算算法有自己的看法和见解，但Lyapunov指数是否能有效应用与舰船目标的分类识别有待商榷和研究，众多研究结果表明答案可能是否定的；另外，混沌理论在舰船辐射噪声提取中的应用，还包括分维数、极限环，并和功率谱特征以及AR模型等特征的提取和分类，研究成果累累［25］，并有待于工程应用的进一步实践。

基于舰船辐射噪声时间序列的混沌特征提取［26～27］，在混沌特征提取中，基于对关联维、最大Lyapunov指数、各种熵等特征提取的研究得以广泛开展，能通过有效构造相空间，在相空间中寻找能够反映舰船特征的混沌特征向量，进行分类识别，研究表明，关联维是一个有效的混沌特征，能够对各类舰船做有效的区分，具有应用于舰船目标分类识别的价值和潜力。另外自然测度也是一个不错的特征选择。文献［28］针对关联维数计算耗时量大的问题，通过改进点对距离的度量方法，以及采用K－NN技术进行点对距离的搜索实现了关联和的快速计算，较大程度地提高了关联维数的计算速度。验证表明：对于长度为20480的时间序列，采用快速算法计算关联维数，其耗时量是G－P算法的1／60。由于混沌理论应用在信号处理和目标识别还未完全成熟，关于混沌理论在舰船目标识别中的具体应用和发展还有待进一步深入［29～40］。

4 舰船目标识别的发展趋势展望

随着现代水中兵器的智能化要求越来越高，特别是鱼雷制导系统以及水雷目标识别系统的智能化和精准化的发展趋势，能否精确有效打击目标在现代海上战争中更显重要，然而要想精确有效打击目标，首要的是对目标进行有效的识别，因此舰船目标识别具有非常重要的军事应用价值和意义。未来目标识别发展方向重点将放在真假目标识别和目标类型识别上，目前舰船目标识别应用上主要是真假目标识别。目标识别主要在如下几个方面重点发展：1）目标舰船声频谱识别法；2）目标尺度分析法；3）目标回波谱结构分析法；4）功率—频率—时间三维分布目标识别方法等。

目标识别的理论基础依然要回到物理学。识别目标的方法重点突出在：1）利用目标回波的幅度和相位特征来识别；2）利用回波场的分布特性来识别；3）利用目标的运动特征识别；4）利用回波的冲击响应和传递函数来识别；5）利用目标声场的谱分析识别。

随着现代信号处理技术的日新月异的发展，如何利用好海水中的声、无线电波、激光、核辐射、舰船尾流辐射场、红外线、紫外线、可见光等有用介质，能有效提取目标信号的有效特征量上。同时在运算时效性、特征量的聚类性上下功夫，在智能分类上设计快速高效的分类器，因此特征压缩和神经网络分类器系统也是研究的重点。目标识别与分类的关键技术依然在于提取有效的目标类别特征，利用信号处理技术，发展有效的特征提取方法，从而推动舰船信号的特征提取和识别技术的进一步发展。

5 结语

随着水中兵器智能化的发展，目标识别技术作为水中兵器大脑中枢系统的重要组成部分，能否设计出一种准确有效的舰船目标识别系统直接关系水中兵器的发展和进步。同时也是决定能否精确有效打击目标，赢得现代海上战争胜利的关键。人们经过多年的探索、研究和实践，对声、无线电波、激光、核辐射、舰船尾流辐射场、红外线、紫外线、可见光等在海水中的传播特性有了深入的认识和探索。这些介质的存在也将指引人们如何利用并使用现代信号处理技术提取目标有效特征，实现准确识别和有力打击。随着人们对舰船目标识别的研究和对海上国防建设的重视，相信，舰船目标识别技术以及水中兵器发展将走得更远。

［1］姚振轩，张效民，赵延安，等.基于基频提取的舰船目标识别系统设计［J］.鱼雷技术，2011，19（5）：355－359

［2］闫源江，胡光波，周勇.舰船辐射噪声的非线性和确定性检验［J］.舰船电子工程，2010，30（10）：150－153.

［3］侯平魁，龚云帆，史习智，等.舰船辐射噪声的非线性检验［J］.声学学报，2001，26（2）：135－139.

［4］Cristina Stan，C.P.Cristescu，D.G.Dimitriu.Analysis of the intermittent behavior in a low－temperature discharge plasma by recurrence plot quantification［J］.Physics of Plasmas，2010，17（4）：（042115）1－6.

［5］樊养余.基于高阶谱的舰船辐射噪声特征提取［J］.声学学报，1999，24（6）：24－28.

［6］赵建平.舰船信号的特征提取和瞬时参量估计的小波变换技术研究［D］.西安：西北工业大学博士学位论文，1998.

［7］章新华，王骥程，林良骥.基于小波变换的舰船辐射噪声特征提［J］.声学学报，1997，22（3）：139－144.

［8］吴国清，任锐，陈耀明，等.舰船辐射噪声的子波分析［J］.声学学报，1996，21：700－708.

［9］Chen CH，Lee DJ，Lin MC.Classification of underwater signals using wavelet transforms and neural networks［J］.Math.Compute.Modeling，1998，27（2）：47－60.

［10］赵建平，黄建国，谢一清，等.用小波变换进行水下回波边缘特征提取与分类识别［J］.声学学报，1998，23（1）：31－38.

［11］张静远，张冰，蒋兴舟.基于小波变换的特征提取方法分析［J］.信号处理，2000，16（2）：156－162.

［12］马艳.基于小波变换的畸变信道检测和目标特征提取研究［D］.西安：西北工业大学博士学位论文，2002.

［13］侯平魁，龚云帆，史习智，等.舰船辐射噪声的非线性检验［J］.声学学报，2001，26（2）：135－139.

［14］蔡志明，郑兆宁，杨士峩.水中混响的混沌属性分析［J］.声学学报，2002，27（6）：45－50.

［15］刘翠华，陶荣华，祝传刚.海洋目标噪声非线性RPT特征提取模型［J］.系统仿真学报，2009，21（5）：1412－1415.

［16］陆杨，杨德森，付斌.目标辐射声信号关联维提取研究［J］.弹箭与制导学报，2006，26（2）：845－847.

［17］吕金虎，陆君安，陈士华.混沌时间序列分析及其应用［M］.武汉：华中科技大学出版社，2002.

［18］贾雪松.基于混沌理论的舰船辐射噪声特征提取研究［D］.西安：西北工业大学硕士学位论文，2004.

［19］陆扬.水中目标辐射噪声非线性特征提取研究［D］.哈尔滨：哈尔滨工程大学博士学位论文，2006.

［20］李钢虎，李亚安，贾雪松.水声信号的混沌特征参数提取与分类研究［J］.西北工业大学学报，2006，24（2）：170－173.

［21］胡光波，梁红，徐骞.舰船辐射噪声混沌特征提取方法研究［J］.计算机仿真，2011，28（2）：22－24.

［22］闫源江，胡光波.关联维估计在舰船辐射噪声特征提取中的应用［J］.科学技术与工程，2010，10（27）：6756－6759.

［23］陈静.舰船辐射噪声的混沌特征提取方法研究［D］.西安：西北工业大学硕士学位论文，2006.

［24］章新华.舰船辐射噪声的混沌现象研究［J］.声学学报，1998，23（2）：67－70.

［25］宋爱国.基于极限环的舰船噪声信号非线性特征分析及提取［J］.声学学报，1999，24（4）：90－93.

［26］陈捷，陈克安，孙进才，基于多重分形的舰船噪声特征提取［J］.西北工业大学学报，2000，18（2）：241－244.

［27］杨向峰.混沌在舰船目标识别中的应用［D］.西安：西北工业大学硕士论文，2005.

［28］ZHANG Xiaoming，LIU Jianmin，et al.Fast Algorithm for Calculating the Correlation Dimension of Time Series［J］.Journal of Academy of Armored Force Engineering，Dec，2007，21（6）：65－71.

［29］Azimi－Sadjadi MR，Yao D，Huang Q.Underwater target classification using wavelet packets and neural networks［J］.IEEE Trans.on Nenral Network，2000，11（3）：23－28.

［30］Zhang QH，Benveniste A.Wavelet networks［J］.IEEE Trans.on Neural Network，1992，3（6）：78－81.

［31］何振亚，李文化，蔚承建.用于信号逼近的自适应时延小波神经网络［J］.电子科学学刊，1998，20（5）：604－610.

［32］刘秉正，彭建华.非线性动力学［M］.北京：高等教育出版社，2003.

［33］Terrill Philip lan，Wilson Stephen James，Suresh Sadasivam，et al.Attractor structure discriminates sleep states：Recurrence plot analysis applied to infant breathing patterns［J］.IEEE Transactions on Biomedical Engineering，2010，57（5）：1108－1116.

［34］张毅，盛会平，胡光波.基于相空间重构和K－L变换的压缩机舰船诊断［J］.压缩机技术，2011（4）：19－21.

［35］Guhathakurta Kousik，Bhattacharya Basabi，Chowdhury A.Roy.Using recurrence plot analysis to distinguish between endogenous and exogenous stock market crashes［J］.Physica A：Statistical Mechanics and its Applications，2010，389（9）：1874－1882.

［36］李太福，易军，苏盈盈，等.基于KPCA子空间虚假邻点判别的非线性建模的变量选择［J］.机械工程学报，2012，48（10）：192－198.

［37］廖志强，李太福，余德均，等.基于相空间重构的神经网络短期风速预测［J］.江南大学学报（自然科学版），2012，11（1）：14－18.

［38］Terrill Philip Lan，Wilson Stephen James，Suresh Sadasivam，et al.Attractor structure discriminates sleep states：Recurrence plot analysis applied to infant breathing patterns［J］.IEEE Transactions on Biomedical Engineering，2010，57（5）：1108－1116.

［39］E.Bautista－Thompson，Moussavi Zahra.Swallowing sound detection using hidden markov modeling of recurrence plot features［J］.Chaos，Solitons and Fractals，2009，39（2）：778－783.

［40］胡光波，何席兵，甘新年.基于分数阶Fourier变换累积量的目标检测算法［J］.鱼雷技术，2011，19（5）：344－348.