2.2 目标识别软件
　　目标识别的效果主要依赖于特征提取和分类识别算法。本目标识别系统采用小波包分析特征提取和BP神经网络分类算法编写目标识别软件应用程序，将目标识别软件移植于S3C44B0X硬件平台，实现声信号的处理，达到识别目标类型的目的。
2.2.1 小波包分析
　　小波包是由通常的小波函数通过线性组合而成，具有小波函数的正交性和时-频局部化特性。在小波包分析中，同时对信号的低频和高频部分进行分解，并能根据被分析信号的特征，自适应地选择相应的频带，使之与信号频谱相匹配，从而提高时－频分辨率^[2]。
　　定义函数u_n(t)满足以下双尺度方程：
　　
　　式中：g(k)=(-1)^kh(1-k)，即两系数具有正交关系，u₀(t)和u1(t)分别为尺度函数φ(t)和小波基函数(t)。
 　 由式(1)构造的序列{u_n(t)}(n∈Z+)称为由基函数确定的正交小波包。
　

2.2.2 基于小波包分析的信号特征提取
　　基于小波包分析的声信号特征提取步骤：
　　(1)对原始信号进行三层小波分析；
　　(2)对分解后的第三层信号进行五层小波包分解；
　　(3)对小波包分解系数重构，提取各频段范围的信号。以S_5j表示第(5，j)个节点的小波系数重构，其中j=0，1，…31，分别表示第五层第j个节点；
　　(4)求各个频段信号的总能量。以E_5j(j=0，1，…31)表示信号S_5j的能量。特征向量T可以构造如下：
　　T=[E₅₀，E₅₁，E₅₂，…，E₅₃₀，E₅₃₁]
　　当能量较大时，E_5j通常是一个较大数值，给数据分析造成不便。由此，可以对特征向量进行归一化处理，令：

　　
　　其中，向量T′即为归一化后的向量，以T′的值为元素构造特征向量。
2.2.3 基于BP神经网络的目标识别
　　BP神经网络是一种多层网络的逆推学习算法，图3为BP神经网络结构图，它由输入层、输出层和隐层组成^[3]。本文选取32×17×2的神经网络模型结构。

　　BP神经网络目标识别的实现分为两个阶段。第一阶段是学习训练阶段。在这个阶段，网络加载实际目标信号的输入和理想输出，计算理想输出与实际输出之间的误差，通过误差传递调整网络权值，直至理想输出与实际输出之间的误差符合分类器精度要求，此时权值所包含的信息就是分类器的分类信息；第二阶段是识别阶段。在这个阶段，网络只加载实际目标信号的输入，根据第一阶段所获得的权值来计算分类器输出，通过输出判断信号所属类别。
3 实验结果及讨论
　　采用战场实测的一组直升机声信号数据和非直升机声信号数据作为测试样本。第一步采用小波包分析对样本进行特征提取，结果如表1所示。第二步采用BP神经网络对样本进行目标分类。在学习训练阶段，该目标识别系统将实测的战场声信号特征向量作为训练样本，对BP网络进行训练，确定权值和阈值。在识别阶段，把表1中声信号特征向量作为神经网络的输入，利用训练好的网络对测试样本进行识别，判断目标类别^[4]，识别结果如表2所示。

　　由表2可看出网络的实际输出与理论输出吻合较为理想，说明可将小波包分析与BP神经网络分类器相结合的直升机目标识别算法应用于实际战场环境中。
　　为反映嵌入式目标识别平台的识别率，分别采用80组直升机数据样本以及80组非直升机数据样本作为测试样本，提取特征向量，在嵌入式平台上利用训练好的网络对测试样本进行识别，识别结果如表3。
　　该目标识别系统采用近年来兴起的嵌入式技术，并与声探测技术相结合，实现了对武装直升机的目标识别，目标识别率较高，且嵌入式系统具备低功耗和高性能的优点，适用于战场环境。本识别系统的研制对战场环境直升机类目标的探测预警有实际应用价值。

参考文献
[1] 徐贵英.反直升机声引信的声传播问题[J].现代引信，1997(3)：38－41.
[2] 胡昌华，李国华，刘涛，等.基于MATLAB 6.x的系统分析与设计——小波分析[M].西安：西安电子科技大学出版社，2004.
[3] 朱大奇，史慧.人工神经网路原理及应用[M].北京：科学出版社，2006.
[4] 支华，巢佰崇，陈雪丰.基于ARM的指纹识别平台设计[J].地理空间信息，2005，3(3)：23－24.