水下探测目标识别的BP网络模型的设计与实现

船舶在海洋中航行时,需要雷达系统对航道进行实时监控,此时水下目标的自动识别就显得尤为重要,只有对水下潜在的危险目标进行实时的预测,才能保证航行的安全。因此,本文着重对水下目标的特性识别方法进行了研究,通过BP网络模型建立了能够提取水下目标特征值的算法,同时对输出层和隐含层进行优化,得到了较为理想的水下目标识别模型。仿真结果表明,通过BP网络模型对目标识别算法的优化,目标的识别率都获得了较为明显的提升。     

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。     

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...     

基于神经网络特征提取的SSA-SVM船舶目标识别方法

运用神经网络图像特征提取联合SSA-SVM分类算法,对通航区域图像中的典型船舶目标进行识别以实现船舶目标的自动分类。首先通过摄像机获得通航区域的高分辨率图像,以AlexNet深度学习网络为基础经迁移学习后提取典型船舶目标特征,获得4种船舶类型、共5 505 024个特征数的典型船舶目标特征矩阵。以特征矩阵为训练依据训练SSA-SVM算法,在种群寻优下获得最佳识别参数,经训练得出在小数据集下具有较强辨识能力的SSA-SVM船舶目标识别模型。实验表明,相比于深度学习的大数据集驱动识别算法,使用AlexNet特征提取的SSASVM算法能够在数据量较少的情况下对散货船、集装箱船等典型船舶目标进行有效识别,识别准确率为88.87%、训练时长为1 856 s,满足实用需求,为水上监管提供了可靠的技术支持。     

基于DSP的水下目标识别嵌入式系统

水下目标识别系统是海洋开发的关键组成部分,而利用声呐对目标物进行定位跟踪是水下目标识别系统中最重要的技术。本文首先分析水下目标识别系统的基本原理及组成,重点研究水下声呐目标识别技术中的基于形状及纹理等特性对识别精度的影响,最后优化小波变换对目标物声呐图像的提取特征算法,通过对声呐特性的分析提出一种小波提升分析法,并构造基于DSP嵌入式系统。     

水下目标识别技术的研究

本文分析了水下目标识别技术的研究现状,阐述了水下目标识别技术的基本原理,为了提高水下目标识别的正确率,给出了三种新的研究方法,最后提出了水下目标识别面临的主要困难与亟待解决的问题。     

混沌理论研究及其在舰船目标识别中的应用

为有效提取舰船目标的特征,进行舰船目标自动识别.以混沌理论为基础,研究了混沌的定义和基本特征,从混沌系统运动特征中,以实际采集的舰船辐射噪声为研究对象,找出对舰船目标识别有效利用的关联维数这一混沌特征量,对其提取算法进行研究和仿真.通过对各类舰船辐射噪声的关联维数的提取仿真实验表明,关联维数这一混沌特征量能有效对各类舰船进行分类识别,从而对水中兵器的制导系统及目标识别系统设计具有一定的借鉴意义.     

基于深度自编码网络的舰船辐射噪声分类识别

针对水下被动声呐目标分类识别问题,借签深度学习网络在图像、语音等领域的成功运用,提出一种基于深度自编码网络的舰船辐射噪声分类识别方法。首先使用Welch功率谱估计方法获得舰船辐射噪声的功率谱特征,然后对原始训练样本集结构优化得到新训练样本集,并构建训练深度自编码网络。依据总体正确识别概率和各类目标正确识别概率对网络参数进行优化设置,实现对舰船辐射噪声的分类识别。经过大量海上实录舰船辐射噪声的分类识别实验,验证了该方法的可行性和实用性。对比BP神经网络分类器,具有更高的正确分类识别概率。     

基于形态特征的水下小目标识别方法

为应对恐怖组织利用蛙人或水下机器人等小型武器的攻击,需要在一些重要的部位,如港口、码头、海岸洞库和锚泊水域中安装水下智能监控系统,而小目标识别技术是该系统的核心技术之一.本文对蛙人等水下小目标的特征进行了研究,提出基于形态特征的水下小目标识别方法.由实验结果可以得出,此算法具有较高的小目标检测率,有效提高了水下智能监控系统的可靠性.     

小波分解和多尺度形态学的舰船图像自动识别

传统舰船图像识别方法仅支持单一识别算法运算,导致不同图像识别特征差异化区域的识别感知系数降低,直接影响自动识别准确率。为了保证不同算法在融合过程中的相互独立与统一,提出小波分解和多尺度形态学的舰船图像自动识别。对图像识别滤波器进行多尺度形态优化,使其适应差异化特征图像;利用小波分解算法,计算得到图像特征区域熵;根据识别特征熵,对识别图像特征进行提取。最后通过特征的多尺度对比,完成图像自动识别计算。通过与传统单一算法的图像识别方法对比证明,在相同时间内,提出方法的识别准确率最高,并可将识别准确率控制在98%以上。