李余兴， 李亚安， 陈 晓， 蔚 婧

(西北工业大学 航海学院，西安 710072)

船舶工业是一个国家综合实力的体现，是提高综合实力、加快海洋开发、维护国家主权的必然需求。舰船作为船舶工业的重要组成部分，对它的研究至关重要。舰船辐射噪声信号包含了较多的舰船特征信息，是舰船性能的重要标志。舰船辐射噪声的特征提取与识别是水声领域的关键，对于舰船辐射噪声信号特征的研究，有利于准确识别敌方目标，具有重要的理论和实际意义。由于舰船辐射噪声信号具有非平稳、非高斯和非线性特性，传统的信号处理方法不能有效的对其进行处理[1]。

Huang等[2]提出的经验模态分解(Empirical Mode Decomposition,EMD)方法可将目标信号自适应的分解为多个固有模态函数(Intrinsic Mode Function,IMF)，IMF包含目标信号不同尺度的振荡特性。Wu等[3]针对EMD的模态混叠现象提出集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)方法，该方法利用白噪声的统计特性可在一定程度上减少模态混叠现象。EMD及EEMD算法在故障诊断领域[4-5]、医学领域[6-7]及水声信号处理领域[8-11]得到广泛应用。因EMD及其改进方法属于递归分解，受模态混叠和端点效应影响，存在一定分解误差。

Dragomiretskiy等[12]于2014年提出了变分模态分解(Variational Mode Decomposition，VMD)方法，VMD是一种新的非递归的信号分解方法，该方法通过迭代搜寻变分模型的最优解来实现目标信号的自适应分解，从而确定每个IMF的中心频率及带宽。与EMD及EEMD相比，VMD不但具有坚实的理论基础，对于噪声也表现出较好的鲁棒性。支持向量机(Support Vector Machine,SVM)是一种有效的分类识别方法，尤其适用于解决小样本分类问题。……