摘要：辨识主要机械噪声源对于潜艇的噪声控制具有重要意义，但由于实际条件下测试的困难和昂贵的试验成本，通常难以获得足够多的训练样本，因此其本质上是一个小样本条件下的模式识别问题。为改善分类系统在小样本条件下的泛化性能，通过引入集成学习的BAGGING方法，分别与现有分类算法如分类与回归树（Classification and regressiontree，CART）和物差反传训练（Back-propagation，BP）相结合，提出了B-CART和B-BP算法。进一步，考虑到实际测量中往往同时利用布置在艇体不同部位上的多个通道（加速度传感器、水听器等）来采集数据，以期获得更多关于噪声源的相关信息，基于此先验信息提出了B-CART-M和B-BP-M算法。在此基础上，首先分别对每个通道的数据进行BAGGING集成，并生成该通道的结论，然后对每个通道的结论进行二次投票，从而得到最终分类结果，得到了算法B-CART-M’和B-BP-M’。舱段模型试验结果表明，以上6种算法均能不同程度提高小样本条件下分类系统的性能，其中B-CART-M’和B-BP-M’效果最为明显；对同一算法而言，外壳数据的分类效果最好，远场数据的分类效果最差，内壳和近场数据的分类效果相差不多。给出了算法实际应用时的若干建议。

关键词：噪声源识别 神经网络 分类与回归树 集成学习 

单位：海军工程大学振动与噪声研究所 武汉430033 海军工程大学计算机工程系 武汉430033