激光雷达信号的舰船识别研究

舰船是一种海上军事目标,对其进行高精度识别具有重要的研究意义,传统舰船识别方法通用性差,无法识别所有类型的舰船型号,导致舰船的误识概率相当高,为了有效降低舰船误识概率,提高舰船识别的精度,提出了基于激光雷达信号的舰船识别方法。首先对激光雷达的工作原理进行分析,并通过激光雷达信号成像技术获取舰船图像,然后从舰船图像中提取识别特征,并根据特征进行舰船图像匹配,从而实现舰船识别,最后进行激光雷达信号的舰船识别性能测试,实验结果表明,本文方法可以有效地识别舰船类型,舰船的误识概率要明显少于对照舰船识别方法,提高了舰船识别率,实验结果验证了本文方法的先进性。     

基于深度学习的舰船前方障碍物图像快速识别

航运时代的到来,舰船行驶速度得到提升,航运货物量逐渐增加,舰船事故频发。依靠当前舰船前方障碍物图像快速识别方法完成障碍物识别的方法已经逐渐落后。针对目前的舰船发展方向,设计基于深度学习的舰船前方障碍物图像快速识别方法。使用Sobel算子完成障碍物图像边缘划分过程,初步确定障碍物边缘形状。选用深入学习中的人工神经网络技术作为核心技术,构建对应的图像识别网络,完成障碍物识别过程。至此,基于深度学习的舰船前方障碍物图像快速识别方法设计完成。构建实验环节,经实验结果表明,深度学习识别方法的图像识别效率较高,识别精度较为稳定,使用其完成障碍物识别效果优于当前方法。综合以上结果可知,深度学习识别方法具有科学性,可将其应用到日常生活中。     

基于智能视觉的船体焊接坏点识别

船体焊接坏点识别对保证舰船制造工艺精度具有重要的价值,也是提高舰船建造质量的关键技术。针对当前船体焊接坏点识别精度低的问题,设计基于智能视觉的船体焊接坏点识别方法。首先对船体焊接坏点识别的视觉图像进行采集,并对图像进行增强处理,提高图像的清晰度,然后提取船体焊接坏点的图像特征,采用人工智能技术对船体焊接坏点进行分类和识别。实验结果表明,本文方法可以提高船体焊接坏点识别精度,应用于实际舰船制造工艺中,能够保障舰船建造质量。     

BP神经网络的舰船辐射噪声识别

当前舰船辐射噪声识别方法存在识别率低,对环境鲁棒性差等缺陷,为了对复杂环境下的舰船辐射噪声识别进行准确识别,提出了BP神经网络的舰船辐射噪声识别方法。首先采集舰船辐射噪声,并提取舰船辐射噪声识别有效特征参数,然后采用BP神经网络建立舰船辐射噪声识别模型,从而实现对舰船辐射噪声信号的分类和识别,最后进行舰船辐射噪声识别的仿真测试。结果表明,相对于已有的舰船辐射噪声识别方法,BP神经网络提高了舰船辐射噪声识别率,可以对各种舰船辐射噪声信号进行准确分类。     

舰船数字图像局部模糊特征智能识别方法

当前舰船数字图像识别方法存在明显不足,如识别成功率低、识别过程太复杂等。为了改善舰船数字图像识别准确性,提出一种舰船数字图像局部模糊特征智能识别方法。首先收集舰船数字图像,并进行噪声除去处理,以获得更优的舰船数字图像识别特征;然后提取舰船数字图像识别的局部特征,并引入主成分分析算法对特征进行分析,减少特征数量;最后引入模糊聚类算法计算舰船数字图像特征之间的距离。根据距离划分舰船数字图像的类型,在Matlab环境中的舰船数字图像识别测试结果表明,本文方法解决了当前舰船数字图像识别方法的局限性,舰船数字图像的平均识别率超过92%,舰船数字图像的误识率极低,识别结果明显好于当前几种重要的舰船数字图像识别方法,具有实际应用前景。     

无线网络的舰船识别方法

舰船识别依赖特征参数与待分类数据的联系,现有识别方法未挖掘信号隐性特征,影响可识别范围,基于无线网络提出一种舰船识别方法。对舰船信号进行预处理,计算短时能量和过零率,判断信号起始点。利用卷积神经网络挖掘样本信号的显性和隐性特征参数,并构建舰船识别模型对特征参数进行训练,得到最优分类面即为识别结果。实验结果表明,本文提出的识别方法能实现一对一的舰船识别,并且可识别范围大于基于SAR图像和基于稀疏信号分解算法的识别方法,基本上可覆盖全部的目标识别区域,有助于实际海洋环境的舰船监测。     

基于卷积神经网络的舰船图像类型识别

舰船图像类型识别是计算机视觉领域研究的热点,当前舰船图像类型识别方法存在误识率高、识别时间长等不足,为获得更优的舰船图像类型识别结果,提出基于卷积神经网络的舰船图像类型识别方法。首先提取舰船图像,对其进行增强、去噪、过滤处理,提升舰船图像质量,然后从舰船图像中提取识别特征,将其作为卷积神经网络的输入,舰船图像类型识别作为卷积神经网络的输出,建立舰船图像类型识别分类器,最后采用Matlab2017对5种类型的舰船图像进行仿真测试,卷积神经网络的舰船图像类型识别正确率超过95%,舰船图像类型的误识率和漏识别均低于5%,获得了理想的舰船图像类型识别结果,而且舰船图像类型识别性能远高于其他舰船图像类型识别方法,具有十分广泛的前景。     

基于特征优化和机器学习算法的舰船网络非法入侵行为识别

舰船网络非法入侵行为识别受到识别算法的影响,使得误检率较高。因此,提出特征优化和机器学习算法的舰船网络非法入侵行为识别方法设计。采用自适应遗传算法,完成舰船网络数据特征优化处理,有效提升了识别效率。以SVM算法为核心设计行为分类算法,完成舰船网络数据的分类。最后,通过构建网络非法入侵行为识别模型,实现非法入侵行为的准确识别。实验结果表明:从单一类型非法入侵行为识别结果分析,本文方法的平均误检率相比传统方法降低了4.8%,8.69%;从多种类型非法入侵行为识别结果分析,本文方法将平均误检率分别降低了10.02%、10.74%。     

高噪声背景下舰船指挥舱大词汇量连续语音识别方法

传统的舰船指挥舱大词汇量连续语音识别方法存在着识别错误率高的缺陷,为此提出高噪声背景下舰船指挥舱大词汇量连续语音识别方法研究。对采集的连续语音信号进行预加重和预处理,以预处理后的连续语音信号为基础,采用多通道语音增强方法对连续语音信号进行增强,得到纯净连续语音信号估计,采用CDMFCC方法对纯净连续语音信号特征参数进行提取,通过CDHMM方法实现了高噪声背景下舰船指挥舱大词汇量连续语音的识别。通过实验得到,提出的舰船指挥舱大词汇量连续语音识别方法识别错误率比传统方法低了16%,说明提出的舰船指挥舱大词汇量连续语音识别方法识别性能更好。     

基于物联网技术的舰船运行轨迹异常点识别

针对传统舰船运行轨迹异常点识别方法存在运行轨迹检测性能较差的问题,提出一种基于物联网技术的舰船运行轨迹异常点识别方法,获取舰船自动识别系统中的舰船运行轨迹数据,在舰船自动识别系统中,舰船运行轨迹数据的存放形式是日志文件,因此对系统中的日志文件进行挖掘,基于物联网技术对挖掘数据实施预处理,通过StopT-CB算法划分舰船运行轨迹以剔除停留点,便于进行异常点的识别,通过网格划分实现舰船运行轨迹的异常点识别。为了证明基于物联网技术的舰船运行轨迹异常点识别方法的运行轨迹检测性能更好,将传统舰船运行轨迹异常点识别方法与该方法进行对比实验,实验结果证明该方法的运行轨迹检测性能优于传统方法。     

小波变换下舰船噪声信号识别方法

考虑到舰船在海上航行过程中受到海上多种环境因素的干扰,降低了舰船噪声信号的识别性能,为此提出小波变换下舰船噪声信号识别方法研究。基于小波变换原理,对舰船噪声信号进行分解,得到分解后的特征分量,为了消除声呐距离的影响,引入归一化处理方式,提取出舰船噪声信号特征。根据舰船噪声信号的识别形式,计算了舰船噪声信号样本周围的紧密度。基于舰船噪声信号样本的分布情况,设计了舰船噪声信号的识别流程,实现了舰船噪声信号的识别。实验结果表明,小波变换下舰船噪声信号识别方法不仅可以提高舰船噪声信号的识别率,还可以加快识别速度,从而提高了舰船噪声信号的识别能力。     

舰船信息系统多来源数据有效识别方法研究

在舰船信息系统中汇总了大量的多源数据,由于多源化的数据识别程度不同,造成传统多源数据识别方法识别速率较低,为此提出舰船信息系统多来源数据有效识别方法研究。使用线性特征计算对多来源数据进行快速特征提取,去除冗余数据减少识别数据量,以数据合成规则为基础,对提取特征进行快速融合,将融合特征数据以几何形式进行高速识别,完成舰船信息系统多来源数据有效识别。实验数据表明,设计的多来源数据有效识别方法比传统识别方法的TGK识别速率高0.15%,并具备极高的有效性。     

基于神经网络的红外图像舰船统计特征分析

目前研究的红外图像舰船统计特征分析方法全面性较差,准确性较低。为了提高舰船统计特征提取的准确度和精度,本文借鉴神经网络工作原理,进一步对红外图像识别到的舰船目标进行统计特征提取,实现预期设计的效果。本文首先了解舰船红外成像的工作原理,然后利用图像滤波、图像增强技术以及图像分割操作对舰船图像数据进行预处理分析,利用特征目标模糊分类识别方法初步实现红外图像舰船统计特征的识别,然后调用神经网络技术,完善红外图像舰船统计特征提取流程。实验表明,设计方法具有很好的全面性和准确性,实现研究目标,可以投入使用。     

舰船通信网络感知层异常入侵行为集成识别方法

为了缩短异常入侵行为集成识别的时间,提高舰船通信网络感知层异常入侵行为的识别能力,提出了舰船通信网络感知层异常入侵行为集成识别方法。采取短时过零率与短时能量相结合的方式,得到了舰船通信网络感知层异常入侵行为特征的提取流程,完成了舰船通信网络感知层异常入侵行为的特征提取;又结合异常入侵行为集成识别流程的设计,实现了舰船通信网络感知层的异常入侵行为集成识别。对比实验结果证明,提出的异常入侵行为识别方法与基于数据挖掘的识别方法相比,异常入侵行为的识别能力提高了56.8%。     

多波段舰船图像目标局部特征识别方法

针对传统的多波段舰船图像局部特征识别方法存在的识别速度慢的缺点,提出一种多波段舰船图像目标局部特征识别方法。通过检测关键点和特征匹配,提取多波段舰船图像目标的局部特征;利用多分类器组合,通过线性分类器和非线性分类器对局部特征开展训练和识别。通过对比实验,与传统的多波段舰船图像局部特征识别方法作比较。实验结果表明,提出的多波段舰船图像局部特征识别方法具有更快的识别速度。     

舰船目标图像不变特征快速识别方法

传统舰船目标图像不变特征的识别方式,图像特征识别的稳定度较低,舰船图像表面特征瑕点较多。对此提出了一种新型舰船目标图像特征快速识别技术。通过图像转化和背景帧差法对船舶目标图像进行灰化处理,提取局部特征点;再对舰船图像局部特征点的稳定度、重复度和匹配度的3项参数进行求取,并对其进行维数分析,实现舰船目标图像不变特征的快速识别。仿真实验表明,新型舰船目标图像不变特征快速识别方法与传统识别方法相比,Rtc图像离散度更低,在5 T目标图像下,最多可以减少27×106 T的瑕点,可以证明新型目标图像不变特征快速识别方法识别稳定度更高,图像产生的瑕点更少。     

云计算环境下舰船图像特征识别方法

目前舰船图像特征识别方法,未曾提取舰船图像目标,导致图像特征识别率低,且容易受到图像拍摄方向影响,为此提出云计算环境下舰船图像特征识别方法。在云计算环境下,利用OpenStack云平台,预处理舰船图像;引入LBP算子,提取舰船图像目标,识别舰船图像特征。实验结果表明,此次研究的舰船图像特征识别方法,识别同一舰船图像特征,受到图像拍摄方向影响较小,具有较高的特征识别率。     

舰船网络入侵行为的检测与识别研究

入侵行为检测是保证舰船网络安全的核心技术,当前入侵行为检测与识别存在检测误差大,识别准确性差等严重不足,为此设计基于核主成分分析和聚类分析算法的舰船网络入侵行为的检测与识别方法。首先对舰船网络入侵行为的检测的原理进行分析,并收集大量的舰船网络入侵行为检测特征。然后采用核主成分分析对舰船网络入侵行为检测特征进行选择,并通过聚类分析算法建立训练样本。最后建立舰船网络入侵行为检测与识别模型。利用标准舰船网络入侵数据集的仿真测试结果表明,本文方法不仅可以大幅度减少舰船网络入侵行为特征数量,降低舰船网络入侵行为检测的复杂度,舰船网络入侵行为检测的实时性增强,而且能够获得更高正确率的舰船网络入侵行为检测结果。     

舰船监控图像拼接与识别研究

针对当前舰船监控图像拼接与识别存在的弊端,如拼接错误率高、识别正确率低等,为了提高舰船监控图像拼接与识别效果,设计了一种神经网络的舰船监控图像拼接与识别方法。首先提取舰船监控图像拼接的特征,并根据拼接关键点方向直方图建立舰船监控图像拼接模型,然后引入神经网络构建舰船监控图像识别的分类器,最后进行了舰船监控图像拼接和分类仿真模拟测试实验。相对于其它舰船监控图像拼接方法,本文方法的舰船监控图像拼接正确率得到了提升,同时本文方法的舰船监控图像识别正确率超过了90%,使得舰船监控图像的误识率大幅度减少,具有一定的实际应用价值。     

舰船电力通信网络的安全智能预警系统设计

分析舰船电力通信网络安全智能预警效果具有重要意义,针对当前舰船电力通信网络安全智能预警系统存在的误差大,精度低的缺陷,设计了基于光传感技术的舰船电力通信网络安全智能预警系统。首先分析舰船电力通信网络安全智能预警系统的研究现状,并指出各种系统缺陷,然后采用光传感器采集舰船电力通信网络安全状态信息,并根据状态信息的小波信息熵识别舰船电力通信网络安全状态,根据网络安全状态识别结果设计相应预警保护措施,采用仿真实验分析了智能预警系统的性能,结果表明,本文系统的舰船电力通信网络安全状态识别精度高,加快了舰船电力通信网络安全识别速度,可以快速实现舰船电力通信网络安全预警,具有重要的实际价值。