共查询到20条相似文献,搜索用时 15 毫秒
1.
杨铭月郑奎松吴强韦高 《中国舰船研究》2023,(4):119-128
[目的]随着人类对海洋资源的逐步开发,海面下运行的航行器数量激增,由此带来的对航行器等水下复杂目标的电磁探测问题亟待解决。[方法]基于总场-散射场源时域有限差分方法(TSS-FDTD)和海面上下表面的场值转换算法,分析水下天线阵列源照射水下航行器目标产生散射场的空间分布规律。通过计算得到水下天线阵列与复杂目标附近区域的场分布、整个水下空间的场分布和海面上方的场分布,并将目标与源在不同相对位置的3组模型在空间中的散射场进行对比分析。[结果]结果表明:在海水内部环境中,不同目标模型的散射场差异较大,通过观测该散射场可确定目标的存在;而在海面上空,不同目标模型的散射场差异较小,通过观测其散射场均值和能量分布情况也能确定目标是否存在。[结论]研究结果可为相似工作频段的探测雷达提供数值参考,为水下航行器探测、水下救援、打捞沉船等工程领域提供技术支撑。 相似文献
2.
自主式水下机器人(AUV)是应用于复杂海洋环境中的高智能化无人装备,其需要具备良好的环境感知能力进行自主导航,包括水下目标识别能力。随着人工智能的高速发展,卷积神经网络作为图像处理领域的深度学习架构,在图像特征提取和图像识别上有着强大的性能和卓越的优势。本文利用卷积神经网络,实现了自主式水下机器人水下目标的自主识别。同时,通过采用三段式全连接方式和增加卷积层深度的方式对卷积神经网络进行进一步改进,提高了卷积神经网络的训练速度、准确率和泛化能力。 相似文献
3.
4.
5.
6.
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。 相似文献
7.
8.
9.
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. 相似文献
10.
11.
利用布设的水下传感器对水下潜艇进行探测预警是反潜的一种重要反潜手段。本文利用信息融合算法对水下目标识别中多传感器获得的不同数据进行信息融合,从而得出识别结论。 相似文献
12.
《舰船科学技术》2019,(23)
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。 相似文献
13.
14.
简要介绍了用Helmholtz积分公式和Kirchhoff公式计算简单刚性几何形状目标的散射场过程,给出了水中壳体目标声散射的求解方法;基于Sysnoise软件在固定入射角下,改变入射波频率对水下艇体散射场进行仿真,得出频率对场点压力的影响;在固定入射波频率下,改变入射角度对艇体的散射场进行仿真,得出了不同入射角下散射场的指向特性.对轴对称的艇体,除平行轴线入射外,散射指向性呈非对称特性.在相同入射条件下,艇体目标的声散射特性基本符合角平分线规律.散射场压力的最大值出现在几何镜反射的方向上. 相似文献
15.
16.
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。 相似文献
17.
18.
19.
《中国舰船研究》2016,(2)
在舰船结构水下爆炸试验中,为了研究水下爆炸条件下水中自由场压力载荷的时频特征,针对某水下爆炸试验自由场压力测试试验数据,基于小波分析对信号进行时频特性分析,得到水中自由场压力信号的时频分布和能量分布状况。分析结果表明:针对水下爆炸自由场压力载荷,基于小波分析技术对其时频特征进行分析,可得到水下爆炸自由场压力载荷所包含的频率信息、强度信息以及不同频段下的载荷持续作用时间等信息;另外,可对冲击波、滞后流和二次压力波这3个不同信号阶段进行频段与能量统计分析;在不同频段上对冲南击信号的能量进行统计发现,冲击波阶段在8 k Hz以下频段集中了超过90%的能量,其中4 k Hz以下频段的能量最大,在滞后流和二次压力波阶段,需特别重视250 Hz以下的低频段对船体结构及设备的影响,该结果对舰船结构及设备的抗冲击防护具有借鉴意义。 相似文献
20.
为了对舰船结构和设备的冲击环境进行研究,提出了基于小波包分析的水下爆炸压力时频分析方法.研究了短时非平稳水下爆炸压力实验测试信号的时频分布和能量分布规律,从水下爆炸压力时域信号中提取出冲击波,首次和二次气泡脉动压力信号,分析了它们在不同频带的能量分布规律.结果表明,基于小波包的时频分析方法可以提取水下爆炸压力不同时段的信号进行能量和频率分析,水下爆炸压力中以低频成分为主的气泡脉动压力产生的能量接近总能量的一半,是使安装频率为数十赫兹的舰船设备产生冲击振动的主要能源. 相似文献