基于调制线谱特征提取的被动声呐目标识别技术研究

目标噪声特征提取和目标分类器设计是被动声呐目标识别系统的关键技术。本文针对被动声呐目标识别，首先着重研究了调制线谱特征提取方法，然后为了训练神经网络目标分类器，本文将遗传算法和BP算法相结合，提出了一种新的自适应遗传BP算法。最后，对海上实录的三类目标噪声进行了分类识别，实验结果表明本文设计的被动声呐目标识别系统具有很好的分类效果。     

大尺度声纳图像目标自动分类方法研究

针对大尺度海底声纳图像l中小目标的自动识别问题,提出了一种基于分形维探测与纹卵特征卡结结合的目标自动分类算法。该算法采用分形维探测方法实现尺度变换,并在此基础上利用基于灰度共生矩阵的纹理特征描述目标特性,最后采用SVM算法解决图像声纳小目标识别中小样本,非线性及高维的现实难题向实现分类。实验结果表明,此算法在对解决大尺...     

基于神经网络的声纳特征级信息融合中目标分类研究

声纳目标特征级融合的主要任务是实现信息压缩、目标身份确定(分类) ,以利于实时处理、决策分析。基于数学模型的各种算法,由于情况复杂,往往很难建立。而人工神经网络通过样本的学习,具有存储记忆、在相似输入下能恢复记忆等特性,从而避免了烦琐而复杂的建模。在神经网络声纳目标识别前的噪声预处理方法中,选用了功率谱特征提取、双谱特征提取算法;在研究了提取的特征后,选取反向传播神经网络(BP)模型;在此基础上构造了BP神经网络,并对网络进行训练与测试,给出识别实验结果。仿真模拟分析证明,基于神经网络的声纳特征级信息的融合,对目标分类有一定效果,为进一步实现声纳信息融合奠定了基础     

神经网络在舰船噪声识别中的应用

本文基于多层前馈型网络模型发展了一种利用声纳信号进行目标识别的技术，并在对传统BP算法局限性详细分析的基础上，对其稍作改进，提出了BP－选择学习算法。实验表明，此算法对噪声信号的识别效果好于BP算法。     

基于时延差的声纳浮标阵定位仿真

被动方式的声纳浮标是应用于航空反潜中的一种重要设备,因为其隐蔽性好,效率高的特点备受关注。但是通常被动声纳浮标只能探测到目标方向,无法获知距离信息。论文提出了一种基于时延差得被动定位阵定位模型,介绍了定位算法,分析了定位误差,并通过插值法提高时延估计精度,进而提高定位精度,给出了仿真结果且进行了分析。     

一种基于稀疏表示声纳图像识别方法

提出了一种基于灰度-梯度共生矩阵的稀疏表示声纳图像识别方法.该方法采用灰度-梯度共生矩阵对声纳图像进行特征提取,特征提取结果相比全局的特征提取包含了声纳图像的重要的纹理信息;并结合稀疏表示的分类方法对声纳图像进行识别.实验表明,该方法既满足了对声纳图像进行识别实时性,又提高了识别的准确性.     

空间测量雷达目标分类与识别算法及其能力分析

对空间测量雷达目标分类与识别算法的结构及其工作过程作了介绍，并对该雷达的目标分类与识别能力进行了分析。     

基于神经网络的主动声纳目标分类器

人工神经网络是当前模式识别领域非常活跃的工具之一，本文在传统ＢＰ算法的基础上，引进了误差范围ＢＰ－ＥＲ算法，利用各种统计方法所建立的主动声纳目标信号的模式表示，提出二上网络结构对信号进行训练分类，比传统的分类器，性能有明显的提高。在６ｄＢ的信噪比情形下，对实际海上回声信号进行分类，取得了令人满意的正确分类率。     

基于目标MFCC特征的监督学习方法在被动声呐目标识别中的应用研究

以机器学习为代表的智能技术迅猛发展,也为被动声呐目标识别提供了新的思路。利用机器学习算法挖掘水声目标信号深层特征,实现目标自动识别、辅助识别,成为被动声呐目标识别的新发展方向。本文针对水下噪声目标的信号特性,结合人耳在低信噪比、多目标环境下的优异识别性能,提取被动声呐目标经典听觉感知特征——梅尔倒谱(MFCC),并引入KNN、SVM、CNN和DBN四种机器学习算法对两类水声目标进行监督学习和识别分析。试验结果表明,监督学习方法应用于被动声呐目标识别具有可行性,且其中DBN方法对目标MFCC特征的识别性能最佳。     

基于进化规划的自适应高斯神经网络

自适应高斯神经网络能够对目标信号的功率谱有效识别特征进行自动提取和分类，但此网络使用BP算法，其误差能量函数是一个不规则的超曲面，容易陷入局部极小值。因此，提出了一种使用进化规则来设计和训练自适应高斯神经网络的新方法，该方法能够自动的确定网络的最优结构和联结权值，同时避免网络的局部优化。将该方法用于被动声呐晶目标的分类识别，实验结果表明基于进化规则的自适应高斯神经网络能够有效的克服局部最小问题，具有更好的识别率。     

一种被动声纳目标识别数据融合方法的研究

文章首先对目标噪声信号采用五种不同的方法提取特征矢量,然后采用基于自适应遗传BP算法的神经网络分别对五种特征矢量并发地进行分类,再采用遗传算法对分类器组合过程中的多参数进行优化,最后由五种分类结果最优组合产生最终的分类结果。实验结果表明该系统具有很好的分类效果。     

一种基于高阶谱特征的舰船目标识别方法

基于高分辨距离像(HRRP)的舰船目标识别问题,提出了一种基于高阶谱特征的舰船目标识别方法。在对舰船目标HRRP特性分析的基础上,首先利用姿态角进行方位约束筛选,然后通过高阶谱特征结合欧氏距离测度最近邻分类器进行识别匹配。通过10类军民船目标的实测数据进行测试,验证结果表明该方法在舰船目标识别领域具有很好的应用前景。     

基于激光雷达相干探测技术的实验研究

基于激光雷达相干探测技术建立了探测转动目标（如舰载直升机）的数学模型,展开了应用激光相干技术探测运动目标的实验研究,并实现了目标运动特征的提取。实验对目标仅做转动运动和转动加平动的复合运动两种情况进行了实验对比,然后对目标的转动结构部分（如舰载直升机的旋转叶片）的不同运动状态进行了实验研究,采用时频分析方法提取出目标运动特征,成功估计出了运动参数,为目标识别和运动特征的探测提供了重要的信息。     

一种水下目标识别方法──基于模糊理论的多种神经网络融合分类

在应用多种方法提取目标噪声中分类特征的研究基础上,本文设计出基于模糊理论的多神经网络融合分类器,其研究重点主要包括有监督分类的模糊聚类神经网络分类、多神经网络与模糊综合分析相结合的融合分类。基于大量海试实测信号样本的多组实验表明,该分类方法具有良好的工程应用前景。     

基于高阶谱的水下目标识别

利用高阶谱估值法,对具有很强非高斯性和非线性的舰船辐射噪声信号进行分析及特征提取,并通过结构自适应神经网络作为分类实验,表明基于高阶谱的特征提取具有较强的类别可分性,在无源声纳目标识别中特具潜力。     

鱼雷目标检测的贝叶斯判别融合方法研究

对基于贝叶斯判决法的模式分类方法进行了理论分析,并将多变量的贝叶斯模式分类方法应用于决策信息融合过程,证明用多传感器测得的多维信息通过决策融合进行目标判别优于用单传感器测量进行目标判别,此方法用于鱼雷的目标检测,能大大提高系统的目标检测概率,或降低检测的虚警概率。理论分析和数学仿真均证明其是一种有效的方法。     

基于粒子群优化的SAR图像舰船目标特征选择

SAR图像特征提取和分类器设计是进行目标识别的关键,通常情况下分类器性能与特征数量之间并不存在线性关系,相反过度冗余的特征甚至会导致分类器性能严重下降,因此特征选择成为必要。提出一种粒子群优化与Wrapper策略相结合的特征选择方法,针对包含待识别舰船目标的SAR图像,提取其3类共16个典型特征,利用本文所提算法筛选出最佳的特征组合。实验结果表明,将本文所提取的特征组合用于目标识别,分类精度提高了22%,分类时间缩短了2.16 s。     

基于深度学习的三维感知算法在船舶自主靠泊场景中的应用

随着船舶自主化在航运业的快速发展,《自主货物运输船舶指南》提出了针对自主靠泊场景的环境感知等相关技术要求。本文提出一种基于深度学习的三维感知算法,将多传感器的点云和图像数据进行深度融合,提升目标检测和分类的精度,用于寻找指定的靠泊目标。搭建基于虚拟物理引擎的船舶靠泊仿真系统,模拟靠泊场景,解决数据采集的难题。最后结合成熟的决策和控制算法,构建完整的自主靠泊系统,完成靠泊仿真试验,验证算法的有效性,对船舶自主靠泊应用具有重要意义。