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。     

基于MATLAB的舰船辐射噪声信号小波消噪处理

针对舰船辐射噪声信号的特点提出了小波消噪的方法,对小波消噪理论作了简要的阐述,并设计了一种消噪方案,最后利用MATLAB,在计算机上选用不同的小波基和阈值进行了实船信号的消噪处理试验,并对结果进行了简单的分析比较。试验结果表明,在选择了合适的小波基和阈值的情况下,利用小波变换的方法对舰船辐射噪声进行消噪处理可以取得良好的效果。     

基于小波包和不变矩的舰船目标识别

以船舶目标分类系统作为研究对象,对小波包变换在舰船目标分类识别中的应用进行研究。首先,介绍小波变换的相关理论,小波包分解能够进行任意尺度的时频分析;然后对不变矩算法进行介绍,给出一种基于小波包分解和不变矩算法相结合的特征值提取方法。仿真实验结果表明,本文给出的方法具有较高的识别率。     

小波变换下舰船辐射噪声特征提取

在海洋环境中,舰船辐射噪声由于其特殊性,很容易被敌方的设备侦测到,这对舰船的航行安全构成了很大的威胁。在辐射噪声中,包含船只机舱的发动机振动噪声、螺旋桨噪声,还有其他一些舰载设备的电磁辐射噪声。本文采用小波算法对复杂的舰船辐射噪声进行特征提取,并通过一定的变换算法,将所获得的噪声功率谱进行过滤,从而提取出所需要的噪声谱图像,通过此图像,科研人员能够有效分析出噪声的来源。最后进行仿真实验,结果说明该小波变换算法能够对舰船的辐射噪声作有效的分辨,这对于舰船减低辐射噪声具有很大的参考价值。     

基于舰船噪声小波包重构子带权重系数的确定方法

文章采用了一种基于小波包分解与能量特征提取的时频域综合分析方法。使用小波包来对舰船噪声进行分解,求取小波包子带系数能量百分比构建子带能量的特征向量,以此作为权重系数,对分解的舰船噪声的各个子带进行加权重构,并将重构信号与原始信号进行时频域比较分析。通过对大量的舰船的实录噪声进行分解重构实验表明,使用此方法重构后的噪声较原始信号特征更为明显,有更强的类别可分性。     

基于模糊贴近度的舰船辐射噪声分类

误差反传神经网络在被动声呐目标分类中得到了广泛的应用，但该算法在搜索过程中容易陷入局部最小值，同时使用赢者独活的识别决策策略，导致识别率的下降。针对BP网络的弱点，提出了基于模糊贴近度的舰船辐射噪声分类方法，该方法能够在不对BP网络作大的改动的前提下，解决神经网络陷入局部最小值，同时使用赢者独活决策策略导致误识的弱点。实验结果证明了该方法的有效性。     

舰船水下辐射噪声的控制分析

水面舰船的声隐身性能是衡量舰船作战能力的一项重要战技指标。控制舰船水下辐射噪声水平、降低舰船的水下辐射噪声,不仅能提高水面舰船的隐身性,还能提高舰船的生命力和战斗力。介绍了国内外的水下辐射噪声控制情况,针对我国水面舰船水下辐射噪声的控制,提出了发展建议。     

基于实测噪声信号的舰船辐射噪声重构

为得到逼真的舰船辐射噪声的仿真数据,通过对实测噪声数据作谱估计得到其频谱特性,同时提出了一种基于实测舰船辐射噪声信号来实现舰船辐射噪声线谱与连续谱同时重构的方法,即利用窗函数法设计出一个具有与其频谱特性相一致的特定幅频响应的FIR滤波器,再将高斯白噪声通过该FIR滤波器实现舰船辐射噪声信号重构.仿真结果表明,该方法能够较真实地重构舰船辐射噪声.其结果可作为半实物仿真试验信号源.     

利用小波包分析进行雷达图像消噪研究

针对船用雷达图像消噪问题,提出了应用小波包分析算法对雷达图像进行消噪处理.小波包分析算法对上一层的低频部分和高频部分同时进行细分,具有更为精确的局部分析能力.本文对小波包分析进行了改进,解决了频率混叠问题,其消噪效果更佳,具有更为广泛的应用价值.     

基于工况TPA的舰船辐射噪声预报与试验研究

为了进一步降低舰船辐射噪声、提高舰船声学性能,结合偏相干以及条件功率谱方法,优化舰船振动传递路径分析方法,开展了辐射噪声合成研究。舱段模型试验表明:经偏相干分析法优化后的工况传递路径分析法可以识别主要振动噪声源、传递路径,实现舱段模型的辐射噪声预报,全频段误差小于3 dB,验证了该方法的有效性。     

自适应小波网络在船舶噪声识别中的应用

本文基于自适应小波网络理论,构造了一个应用于船舶辐射噪声识别的自适应小波网络分类器。仿真结果表明,该方法具有良好的目标识别性能,且收敛速度快,是一种有效的目标识别方法,从而为研究自适应小波网络理论在声呐信号目标识别领域中的应用有着极其重要的实际意义。     

舰船辐射噪声的非线性和确定性检验

为提取舰船目标辐射噪声非线性和混沌特征,实现对舰船目标的自动识别,首先需要对舰船辐射噪声时进行非线性检验和确定性检验。运用替代数据方法,选择合理的检验统计量,根据实验数据与替代数据之间峭度和自相关两个量的差异性,分析得出舰船辐射噪声信号有非线性成分。另外,对舰船辐射噪声时间序列作相空间重构,根据递归图中出现规则图案,定性分析出舰船辐射噪声信号具有确定性成分存在。该结论为下一步提取舰船辐射噪声非线性混沌特征奠定了理论基础。     

舰船辐射噪声的混沌特性检验

为提取舰船目标辐射噪声混沌特征,实现对舰船目标的自动识别,首先需要对舰船辐射噪声的混沌特性进行检验。采用一种改进的Lyapunov指数谱估计方法,计算其最大Lyapunov指数是否大于零,以及所有的Lyapunov指数之和是否小于零来判定噪声时间序列是否具有混沌特性。采用三类舰船目标辐射噪声作仿真计算,仿真结果表明三类舰船辐射噪声都具有一定的混沌特性,该结论为下一步基于混沌预测的目标检测以及提取舰船辐射噪声非线性混沌特征等工作奠定了理论基础。     

混沌方法在舰船辐射噪声分析中的应用研究

为了检测舰船辐射噪声中的非线性特征,本文采用混沌、分形理论从信号产生的机理、相空间轨迹、分形维数和Lyapunov指数等4个方面着重研究了舰船辐射噪声的混沌现象.研究结果表明舰船辐射噪声信号中确实存在混沌现象,且不同类别的信号具有不同的非线性特征,该结果将为水声信号处理、水下目标检测和识别提供新的理论方法.     

基于支持向量机和辐射噪声的舰船目标识别

分类器的构造和特征量的提取是目标识别的两个基本问题。鉴于舰船辐射噪声反映了同种舰船的特征，以及以支持向量机为核心的统计学习理论具有具有较好地解决小样本、非线性问题的能力，提出了一种新的识别方法，首先利用子波变换和多分辨分解算法对舰船目标的辐射噪声进行分解，得到目标的线谱和调制谱特征，然后使用支持向量机构造分类器，进行目标识别。实验表明，这种方法是可行的，且有较好的识别精度和较强的泛化性能。     

基于深度学习技术的舰船无线通信应用研究

随着人工智能技术在各产业应用领域的深入,未来的人工智能技术也将应用于不同的落地场景中,会向着差异化方向发展,并通过最佳的模型和算法设计匹配场景特征.该文介绍了人工智能技术原理及发展现状,将深度学习技术引入舰船无线通信网络应用领域,基于舰船平台特点设计具有时序记忆特征的深度学习神经网络,分析神经网络模型实现落地应用有关的关键理论和工程技术,为舰船平台通信细分领域应用人工智能技术提供参考.     

基于深度学习的船舶设备信息智能化识别技术

针对船舶设备信息识别问题,提出采用基于深度学习的方法识别船舶设备种类信息。根据船舶设备特点进行图像预处理和图像样本标记,建立卷积神经网络。经训练得到可用于船舶设备信息识别的模型。对模型进行评估,调整网络结构和训练参数,得到准确率达到期望值的船舶设备信息识别模型。经预测和优化得到基于深度学习的船舶设备信息智能化识别模型,可实现船舶设备仓储管理智能化,在较大程度上提升管理效率。