长短时记忆网络水下目标噪声智能识别方法

未来基于水下无人平台的水声目标探测体系要求平台自身具备目标智能化识别能力,而传统水下目标噪声识别方法需要人工提取泛化能力强的特征数据,且识别过程具有较强的人机交互特性,无法满足这一要求。针对这一问题,本文研究一种基于长短时记忆网络(LSTM)的水下目标噪声智能识别方法,借助深度学习自主学习数据特征的能力,应用长短时记忆网络(LSTM)分别对水下目标噪声的时域时间序列数据、频谱数据、梅尔倒谱(MFCC)数据进行深层次特征提取与识别,并使用实际水声目标噪声信号对该方法进行了验证。结果表明,在上述3种输入数据情况下,采用LSTM长短时记忆模型均能有效实现水下目标噪声特征提取与智能识别。     

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。     

目标和环境特性对被动声呐浮标探测范围的影响

被动声呐浮标的探测性能不仅和自身设备性能有关,还和目标运动特征及环境特性有着密切的关系。通过建立潜艇目标运动、海洋环境的数学模型,利用浅海平滑平均声场理论推导了潜艇深度变化后被动声呐浮标的探测范围,讨论了潜艇采用不同航速、航深以及海洋环境对被动声呐浮标探测范围的影响,并进行了仿真。结果表明,目标和环境特性对被动声呐浮标的探测范围有重要影响,这对航空反潜作战训练具有一定的指导意义。     

贝叶斯假设方法在水声成像声呐阵控制中的应用

在对水中目标轮廓进行水声成像时,可设计声呐阵中各声呐单体对目标分割识别,利用贝叶斯假设方法,解决多声呐单体识别结果的目标最终识别问题,实现声呐阵的有效控制。     

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。     

基于特征融合的舰船目标识别方法

传统的被动目标识别主要依靠声呐员的作用,随着人工智能的迅速发展,水下目标智能识别成为未来发展的趋势.针对这一问题,根据舰船辐射噪声特性,提出基于特征融合的舰船目标识别方法,通过提取基于人耳听觉感知的梅尔倒谱系数特征、基于循环平稳分析的谱相关密度函数特征,构建特征层融合和决策层融合的特征融合模型,利用深度学习中的卷积神经...     

支持向量机的水声信号分类识别

研究水声信号识别特征的提取,在此基础上采用支持向量机理论,提出了一种水声信号的分类识别算法.该算法选取两类水声信号,提取它们的混沌特征值关联维数和h2熵作为目标信息,每类信号各提取32组数据,取两类水声信号各8组数据作为训练样本,训练支持向量机,其它样本用于验证.结果表明,支持向量机的分类算法能实现对目标的有效分类,分类效果较好,比较适合小样本、非线性分类.     

被动声呐目标识别技术的现状与展望

简述了被动声呐目标识别的常用技术，分析了这一领域的研究现状，并针对现阶段被动声呐目标识别存在的问题，展望了下一步的工作。     

基于目标特征信息融合的潜艇目标识别系统

结合水下目标运动状态估计和目标声特征提取的关键技术,提出了基于目标运动状态特征和声特征信息融合的潜艇目标识别基本原理.首先,采用双通道Power-law水声瞬态信号检测方法和LMS自适应时延估计算法,建立了基于方位时延的目标运动状态跟踪的数学模型,并采用EKF算法实现了水下目标运动状态估计;其次,建立了提取潜艇典型不变声特征的原理模型;最后,提出基于多目标特征信息融合的结构模型,为潜艇目标识别系统的发展奠定了理论基础.     

基于MFCC的舰船辐射噪声特征提取

将MFCC特征参数应用于舰船辐射噪声特征提取，从理论上分析了MFCC特征参数表示水声信号的有效性。通过实验选择了Mel滤波器个数和MFCC阶数，并用AR特征参数与MFCC特征参数作了比较，实验结果证明，基于MFCC的特征参数对新目标的识别率以及抗加性噪声的性能要优于AR特征参数。     

基于粒子滤波的声呐图像目标跟踪算法研究

声呐图像目标跟踪技术在水下UUV作战系统中具有重要意义,由于水声环境复杂,噪声干扰严重,导致声呐目标跟踪效果欠佳。本文针对UUV声呐成像特点,首先给出一种改进的Curvelet变换图像增强方法,可以有效降低声呐图像噪声并在一定程度上增强目标图像的边缘。并此基础上,提出一种基于粒子滤波的声呐目标跟踪算法以获得更为准确的目标跟踪效果。仿真结果表明,相较于传统声呐目标跟踪,该方法具有更好的目标跟踪精度以及鲁棒性。     

一种多源信息融合的声呐综合目标识别方法

针对声呐在搜潜过程中目标识别正确率提升的问题,分析声呐目标特征及其获取手段,研究声呐目标特征提取、分析和识别方法,提出一种多信息源融合的声呐目标综合识别方法。综合运用声呐探测回波特征信息、频谱信息、音频信息、目标运动要素信息、雷达信息、AIS信息等信息进行联合识别,深层次挖掘目标特征信息,通过图谱特性、频域特征、听音识别、运动要素等多维识别,将孤立的、碎片的数据转化成信息优势,形成标准的声呐目标综合识别使用流程,从而提高目标识别正确率。     

基于机器学习的多光谱舰船图像异常目标检测方法

针对现有舰船异常目标检测方法,出现高相似度异常目标辨识度低的问题。提出基于机器学习的多光谱舰船图像异常目标检测方法,基于机器学习技术,对现有图像分析算法进行优化改进,通过采用多光谱AI协同CRD算法对图像构成原子进行划类提取,明确目标图像边缘。在此基础上,利用精准图源RX处理算法,精准确认图像内异常目标特征,完成提出的方法设计。对比实验证明,提出的基于机器学习的多光谱舰船图像异常目标检测方法,能够准确识别恶劣环境下的图像目标异常,具备高精度识别高相似度图像内的异常目标的要求,并且在处理速度、运算稳定性与后期学习能力上都优于传统舰船图像异常目标检测方法。     

用于水下目标识别的无监督特征选择算法

随着社会发展,海洋空间对人类变得愈发重要,对新的水下目标自动识别系统的需求也愈发迫切。在水下目标自动识别系统的构建过程中,提取到的特征含有很多冗余特征、不相关特征和噪声特征,影响系统工作效率,降低了分类识别正确率。为此,本文提出一种新的用于水下目标识别的特征选择算法——基于图学习的无监督特征选择算法(Unsupervised Feature Selection Algorithm Based on Graph Learning,UFSGL)。该算法通过同时进行转换矩阵优化和图学习来优化算法框架,并用正则化方法优化加权图中边的光滑度,最后对转换矩阵进行稀疏化从而进行特征选择。使用UCI数据库的sonar数据集对算法性能进行验证,结果证明,UFSGL算法能够有效减少特征子集中的特征个数,并在一定程度上提高分类识别正确率。     

一种提取水中目标水声信号时频特征的方法

对水中目标识别而言,其关键技术之一就是对目标水声信号的分析处理。基于短时傅立叶变换思想,论文给出了一种针对水中目标水声信号的时间-频率提取方法,并对此方法进行了仿真分析,结果表明此方法对水声信号的时频特征提取可行有效。     

水声对抗中的被动声呐仿真技术

被动声呐仿真模型是水声对抗的研究重点,文章围绕被动声呐仿真模型的基础理论和被动声呐仿真系统组成中的关键模块、实现方法,以及被动声呐仿真系统的软硬件配置等问题进行了研究.     

基于互双谱与径向基函数神经网络的舰船目标分类(英文)

提出了声矢量信号互双谱估计算法.利用该算法和其它的二阶、高阶谱估计算法,提取了实测数据的声压和声矢量信号组合特征,并用不同组合特征构造了径向基函数神经网络的输入向量集,对矢量水听器实测的舰船目标进行了分类识别.结果表明,声矢量信号组合特征比声压信号组合特征具有更强的类别可分性,提高了水声目标的识别率.     

基于深度学习的多声源并行化声纹辨别方法

随着大数据时代的到来,快速而有效地辨别声纹已经成为智能感知领域的重要需求,而传统神经网络和单拾音器系统的辨别精度不高,样本数据量大,其运算速度严重制约了系统的实时性.文中方法通过拾音阵列获取目标声源的位置和时频域信息,利用GPU并行构造掩蔽函数,实现信号数据级融合,强化目标语音特征,然后将多通道的MFCC(mel-frequency cepstral coefficient)声纹参数进行特征级融合,输入深度信念网络(deep belief network,DBN)进行训练和识别,同时使用CUDA(compute unified device architecture)平台对DBN的训练过程进行了并行优化.该方法能在多声源环境下全面地提取目标声纹,有效提高声纹辨别准确率,缩短数据训练耗时,保证了系统实时性.该方法为大数据环境下语音信号高性能处理提供了一种实现方式.     

大噪声环境下前视声呐图像目标识别方法研究

提出大噪声环境下前视声呐图像目标识别的研究方法,针对水下无人航行器(UUV)在近岸浅水区航行中由于前视声呐图像噪声较大,难以准确识别目标的问题,通过改进的中值滤波和Otus阈值检测算法,对前视声呐图像进行滤波和二值化.利用区域增长算法分割疑似目标区域图像,分别提取分割图像的长度、形状、方向、灰度均值和灰度能量中值等参数...     

复杂背景下小样本声呐图像目标检测

水下目标检测具有重要意义,在军事和民用领域都发挥着重要作用。实际场景中可以获得的声呐图像非常有限,且声呐图像的信噪比较低,无法得到较好的检测结果。因此,本文引入小样本学习,基于Faster RCNN两阶段目标检测算法,选择不同的策略对模型进行优化,得到了较好的检测结果并验证了小样本目标检测在声呐图像领域的可行性。根据混响对声呐图像的影响进行仿真实验,得到不同混响背景下的声呐图像,对比分析了不同数据集下训练模型的检测性能。实验结果表明,在训练样本中增加混响信号可以提高低信噪比条件下的目标检测精度。