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.     

舰船遥感图像的分类方法研究

遥感图像分类一直是舰船应用领域的关键技术,由于遥感图像具有多波段、高维特征等特点,当前遥感图像分类技术面临一定的挑战。为了获得更优的舰船遥感图像分类结果,提出一种多分类器加权组合的舰船遥感图像分类方法。首先分析舰船遥感图像分类研究的历史,找到导致单分类器的舰船遥感图像分类错误率高的原因,然后引入双边滤波算法对原始舰船遥感图像进行去噪,并提取舰船遥感图像分类纹理特征,最后采用多种方法建立舰船遥感图像分类器,并对它们进行加权组合,输出舰船遥感图像的最终归属。仿真测试结果表明,本文方法获得了比单分类器更优的舰船遥感图像分类正确率,舰船遥感图像分类结果更加可靠。     

目标回声分类特征的冗余性评价

对目标回声分类特征的冗余性进行评价与分析.对于2个特征维之间的冗余性,采用基于特征间线性相关系数作为冗余性度量,通过特征的相关系数矩阵分析了特征维之间的冗余度.此外,本文提出了基于特征协方差矩阵近零特征值的冗余性度量,据此可以进一步分析特征组内部的多维组合冗余.最后,利用以上2种冗余性度量,对5种目标回声分类特征各自的...     

基于小波包分析和深度学习的舰船辐射噪声识别

为提高舰船辐射噪声识别的准确率,针对辐射噪声这种非平稳、复杂的信号,提出一种基于小波包分解与多特征融合的特征提取方法.同时,引入深度学习模型,将提取到的特征作为识别分类的依据,采用卷积神经网络和长短时记忆神经网络作为分类器.对单一特征的分类结果与融合的多特征分类结果进行比较,对直接提取的特征分类结果与基于小波包分解提取的特征分类结果进行比较,对卷积神经网络、长短时记忆神经网络和机器学习的识别分类结果进行比较,结果表明,采用基于小波包分解与特征融合的特征提取方法和基于深度学习的分类识别方法能显著提高舰船辐射噪声识别的准确率.     

基于SVPWM五相三电平H桥逆变器中点电位控制研究

针对多相三电平H桥逆变器的电压矢量数量多,难以应用传统的空间矢量PWM算法的问题,提出了一种简化的五相三电平H桥逆变器空间矢量PWM算法。该方法采用相移SPWM思想,将五相三电平H桥逆变器作为两个由单桥臂组成的五相分别予以控制。分析选择合理的工作电压矢量及开关作用顺序,计算了开关周期内的各工作电压矢量的作用时间;不同开关状态下,针对中点电位分析的基础上,提出利用冗余矢量对中点电位进行控制,实现了电容电压的平衡。     

船体表面缺陷检测系统研究

首先利用小波变换对船体表面的灰度图像进行特征提取,得到待检测船体表面的六维小波特征矢量;然后根据最小二乘支持向量机,采用逐级分类的方式进行舰船船体表面质量检测;最后通过实验可知,采用中值滤波进行预处理后的识别率要高于采用均值滤波。     

60°坐标系下五电平NPC/H逆变器的SVPWM实现

研究了一种新型五电平NPC/H逆变器拓扑,并采用60°坐标系下的SVPWM算法,该调试算法在参考矢量扇区的判断和基本矢量作用时间的计算方面,可以避免较多的三角函数运算,减少计算时间,提高控制系统的灵活性。最后,在MATLAB仿真软件中搭建五电平NPC/H逆变器仿真模型并验证该算法,仿真结果证明了该算法的有效性。     

航行作业船舶考虑舵力的动力定位能力评估方法研究

在船舶动力定位系统中,主推和舵组合（桨舵组合）产生的有效推力矢量区域是非凸的,在进行优化推力分配时需要进行凸化处理。文章提出了一种新的处理办法,将主推和舵的组合等效看成相同位置上的两个不能同时工作的独立推进器,这两个推进器的推力矢量区域都是凸区域,且分别对应主推推力方向不同时的推力矢量区域。在数学上只需通过增加等式约束来实现非凸区域的凸化处理,处理过程更为简单。文中结合具体实例进行了计算。结果对比表明,该方法是可靠有效的。该方法还适用于有多个禁区的推进器处理。     

基于运动矢量的鲁棒视频水印方案

提出一种基于运动矢量的鲁棒视频水印方案.采用生命游戏理论、差错控制技术对水印进行预处理,综合考虑视频运动矢量幅值和图像纹理特征来选择运动矢量自适应地嵌入水印,并对嵌入水印后的运动矢量进行误差补偿和码字矫正.仿真实验证明,该方案财视频的码率改变、帧重组、帧删除等攻击有较好的鲁棒性,且具有较好的不可见性、实时性和安全性.     

空间电压矢量最优化选取的新方法

本文研究了空间电压矢量选取的一般方法,提出一种新的研究方法--MMF等效法,这种新的方法能推广到n相电机控制中,它是从电机学的角度进行分析,在电压逆变器控制多相电机过程中,该方法通过电压分频和绕组转换,使转换前后的MMF保持不变,然后将通过逆变器开关组合得到的各个电压值沿各自电压方向合成,通过合成更简洁地得到一组理想的电压矢量,并与一般选取方法采用矢量分解投影得到的结果相吻合.     

基于线谱特征提取的被动声纳目标识技术研究

该文针对被动声纳目标识别，着重研究了线谱特征提取方法，提出了一种自适应遗传BP算法，并用该算法训练神经网络目标分类器。经对上海上实录三类目标噪声分类识别实验结果表明，所设计的被动声纳目标识别系统具有很好的分类效果。     

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。     

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。     

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。     

动态规划算法在被动声呐目标检测中的应用

基于动态规划的检测前跟踪方法可用于检测跟踪低可观测目标。它利用检测前跟踪的技术在检测目标的同时给出目标航迹的优点,实现对低信噪比下目标的检测与跟踪。本文分析了动态规划法进行弱小目标检测的基本原理,结合水下目标检测的特殊性对该算法进行了修正,得到了适应水下目标的检测前跟踪方法。通过实际的海试数据进行验证,证实了检测前跟踪技术在水声领域进行目标检测跟踪的可行性。     

基于改进小波能熵的水下目标识别

文章研究了基于改进小波能熵和概率神经网络的水下目标识别方法。首先对水下目标辐射噪声信号进行小波变换多分辨率分解和重构,然后引入滑动时间窗,提取各分解子带在滑动时间窗内的改进小波能熵值作为目标识别的特征矢量,最后将特征矢量输入到概率神经网络中实现水下目标识别。对信号进行小波多分辨率分解可反映信号在不同频域上的特征,而引入滑动时间窗并在此基础上定义改进的小波能熵可反映信号的时域特征,因此改进小波能熵方法能同时反映信号的时频特征,更适合于水下目标特征提取。仿真结果表明了该方法的有效性。     

Texture image classification using multi-fractal dimension

This paper presents a supervised classification method of sonar image, which takes advantages of both muhi-fractal theory and wavelet analysis. In the process of feature extraction, image transformation and wavelet decomposition are combined and a feature set based on multi-fractal dimension is obtained. In the part of classifier construction, the Learning Vector Quantization (LVQ) network is adopted as a classifier. Experiments of sonar image classification were carried out with satisfactory resuits, which verify the effectiveness of this method.     

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     

基于小波变换和概率神经网络的水下目标识别

由于水下环境的复杂性,水下目标的检测和识别是水声信号处理领域中的一个难题.本文研究了基于小波变换和概率神经网络的水下目标识别方法.利用小波变换得到水下目标辐射噪声信号在不同尺度下的能量分布作为特征矢量,并输入到概率神经网络中以实现目标分类.利用小波变换能量特征值可有效区分不同的目标辐射噪声.概率神经网络无网络训练过程,适合于信号分类.实验结果表明该方法的有效性和可行性.     

基于进化规划算法的舰船辐射噪声分类

神经网络分类器在舰船辐射噪声分类中得到了广泛的应用.针对神经网络分类器的设计困难,提出一种基于进化规划算法的设计方法.在该方法中,进化算法的适应度函数不是取为神经网络分类器对训练样本的识别率,而是对训练样本的可分性和聚合度同时考虑,这样能够在保证识别精度的前提下,使网络分类器具有良好的泛化能力,而且该方法不仅能够对待识别的样本进行离线学习,也能够在线学习.使用该分类器对舰船辐射噪声进行分类识别试验,结果表明该方法设计的分类器具有良好的性能.