胶囊网络矢量水听器DOA估计

针对水下环境信噪比低的特点,以及传统子空间算法计算复杂度高等问题,提出一种基于胶囊网络（capsules network,CapsNet）的波达方向（direction of arrival,DOA）估计模型。将水下矢量水听器阵列采集的协方差数据实虚部分离作为二维数据输入,利用胶囊结构构建向量神经元,通过动态路由的特征传递方法,得到相应矢量胶囊的分类输出,实现低信噪比条件下的DOA估计。为了验证胶囊网络模型的性能,在不同信噪比下条件下,与多重信号分类（multiple signal classification,MUSIC）和卷积神经网络（convolutional neural networks, CNN）的DOA估计结果进行对比分析。仿真结果表明,训练后的胶囊网络,具有更高的水下DOA估计准确率,抗噪性方面优势更加明显,并且在提升性能的同时,加快了方位估计速度。     

基于改进的Faster R-CNN船舶目标检测算法

为了提高船舶目标的检测率和效率,提出了一种改进的基于区域的快速卷积神经网络(faster region-based convolutional neural network, Faster R-CNN)船舶目标检测方法。采用图像降尺度方法,旨在增强船舶图像的有用信息;采用场景窄化方法将目标区域定位网络和Faster R-CNN卷积神经网络构建成一个层级窄化网络,旨在降低目标检测搜索尺度,从而提高Faster R-CNN的计算速度;研究具有主题窄化功能的Faster R-CNN,选择纹理特征和空间差异特征作为窄化子网络,旨在实现主网与子网间深度协作的功能,优化网络参数。试验结果表明:该方法在提高Faster R-CNN算法检测精度的同时,显著地缩短了检测时间。     

基于图像化卷积的半潜式平台响应预测

在风、浪、流等复杂环境荷载的联合作用下，海洋浮式平台运动响应呈现强非线性及非平稳特征。为了解决海洋平台运动响应复杂多变、难以预测的问题，本文结合图像化特征提取方法与卷积神经网络（convolutional neural network,CNN），提出一种半潜式平台六自由度响应预测方法。首先根据海洋荷载计算方程，结合实测荷载数据，提出图像化海洋环境特征提取方法；其次，基于CNN建立平台响应预测模型，并对不同特征输入、模型参数等影响进行分析；最终，利用实测数据验证了所提预测方法的误差仅为3.84%，对比直接基于原始数据的CNN模型，精度提高了64.24%。     

基于复杂网络的交叉航道拥挤识别方法

为了准确认知交叉航道内船舶的复杂态势,提高航道管理效率,根据船舶拥挤的形成过程,提出了交叉航道拥挤的定义,基于船舶汇遇的特征和复杂网络理论,构建了反映交叉航道整体复杂关系的加权网络模型,通过上海港的船舶管理系统(vessel traffic system,VTS)数据进行计算分析,结果表明:文中提出的复杂度计算模型能够准确反映交叉航道内船舶复杂程度,为航道管理的有效实施提供参考依据.     

基于卷积神经网络的AUV水下识别算法设计与实现

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。     

基于卷积神经网络的AUV水下识别算法设计与实现

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。     

基于特征图可视化的医学图像分析

现有的医学图像分类算法中普遍存在模型的可解释性问题,将同一卷积神经网络应用到不同的数据集上,分类性能千差万别.针对这一问题,提出了一种基于特征图可视化的医学图像分析方法.在卷积神经网络的特征提取阶段设计4个特征图可视化模型,这些模型将具有与网络相同的输入层以及权重,但输出则是一系列特征图.采用SSIM相似度对信息熵最大的特征图评估,分析4个模型提取到的特征信息.在kaggle官网上提供的BreaKHis、Chest X-Ray、Retinal OCT 3类数据集上进行实验,其中基于VGG16网络的特征图可视化模型提取到的特征相似度分别集中在0.95,0.93,0.85,分类精度分别为75.96%,77.19%,99.40%.此外,在ResNet18网络上也有相同的表现.研究表明：分类性能取决于网络的特征提取能力,在保证相似性的前提下,卷积层之间提取到的特征其相似度越低,该数据集在同一网络上往往表现出更好的分类性能.     

基于ADS的KBNN在带通滤波器优化设计中的应用

现有的知识神经网络的先验知识大部分是由经验公式推导得到的,而电磁问题中公式的推导比较繁杂,且对于复杂的电磁问题,推导出相应的公式几无可能.因此,提出了一种将仿真软件ADS仿真结果作为先验知识的方法,以解决现有先验知识获取困难的问题.采用神经网络与仿真软件相结合的方法,将ADS和三维电磁仿真软件HFSS仿真结果分别作为先验知识和教师信号,并运用粒子群算法对神经网络进行训练,构建了相应的知识神经网络(knowledge-based neural network,KBNN)模型,有效地降低了神经网络结构的复杂度.利用该方法设计的网络对微带抽头型发卡带通滤波器进行优化设计,该滤波器满足设计指标,表明该方法的有效性和优越性.     

两层网络中基于聚类算法的分簇干扰对齐研究

由Femtocell和Macrocell构成两层网络可以提高系统容量,但也会引起严重的共道干扰.干扰对齐是一种避免干扰的有效方式,但对密集部署的两层网络全网实行干扰对齐是不现实的,也是没有必要的,但有必要对网络进行分簇,以减小干扰管理复杂度.为此,提出基于聚类思想分簇的干扰对齐算法.文中首先对实际场景的Femtocell网络模型进行研究,然后基于K-Medoids算法对三维泊松点过程分布的Femtocell网络进行分簇,最后对确定的簇利用干扰对齐技术进行干扰消除,以达到降低系统干扰对齐复杂度的目的.仿真结果表明,所提算法在实现系统有效分簇的同时,提高了系统的信道容量,适用于实际通信系统.     

基于卷积和循环网络的水声信号联合特征表示和识别方法

传统的水声信号识别方法是将特征提取和分类识别分开进行处理的,影响了水声信号识别的整体性能。本文根据水声信号的特点,结合一维卷积网络（1DCNN）的卷积运算、时间平移不变性和门控循环网络(GRU)内部充分考虑时序相关性的记忆能力等优势,将一维卷积网络和门控循环网络进行串联中并对网络参数和模型结构进行优化,自适应提取特征给出分类结果,并与单独使用1DCNN和GRU网络模型的分类性能进行对比。结果表明,本文提出的网络对水声信号的识别准确率最高。