基于舰载雷达小样本的低慢小目标识别方法

本文针对舰载雷达低、慢、小目标探测面临的小样本识别问题,提出一种基于小样本学习的低慢小目标分类识别方法。该方法将低慢小目标雷达回波数据转换到小波变换域,利用多头注意力机制和双向长短记忆人工神经网络相结合的方式,解决了小样本目标分类识别的问题。在低慢小目标雷达回波仿真数据集上,开展模型训练和算法验证,分析任务差异性与识别准确率的关系,实验结果表明该方法对典型低慢小目标识别精度可达90%以上,在雷达目标识别领域具有较好的应用价值。     

基于注意力机制的TCS-YOLO船舶检测系统

针对当前海上环境复杂、噪声干扰严重及船舶检测存在漏检和误检等问题,提出一种基于注意力机制的TCS-YOLO船舶检测系统。该算法使用K-Means++聚类算法确定目标样本的锚框以提高先验框与船舶目标的尺寸匹配度;在YOLOv7的Neck部分引入Transformer Block以捕获全局信息和丰富的上下文信息;在YOLOv7的Head部分添加CA注意力机制,有助于模型更准确地定位和识别感兴趣的对象。并在自制的船舶数据集上进行试验,结果表明,该算法的平均精度均值达到70.5%,相比原始的YOLOv7算法值提高了5.1%,能更准确地检测船舶,满足在复杂海上环境中进行船舶检测的需求。     

基于双神经网络通道的时间序列预测框架

为了提高时间序列预测方法的预测精度,提出了一种基于双神经网络通道的时间序列预测框架。双通道框架组合了卷积神经网络和循环神经网络,卷积神经网络通道利用卷积和池化操作提取出时间序列的深层特征,循环神经网络通道能够提取出长序列依赖特征。此外,针对循环神经网络通道,设计了基于注意力机制的改进,提高预测精度。在EEM2016能源价格预测比赛提供的数据集上进行了实验,实验结果表明所提双通道框架可以取得比单通道框架更高的预测精度。     

基于图卷积网络的非均衡数据船舶柴油机故障诊断北大核心CSCD

[目的]船舶柴油机状态信息数据普遍存在类别不均衡的问题,非均衡数据集降低了基于数据驱动的故障诊断模型对柴油机健康状况自动识别的准确性。因此,提出基于样本间概率相似性的图卷积网络(GCN)模型,以解决非均衡数据集分类问题。[方法]首先,引入Kullback-Leibler散度来计算样本间的概率相似性,以挖掘样本间的非线性关系,将各个样本间的相似性用构造概率图的拓扑结构体现。然后,利用图学习对样本特征及邻近样本特征进行聚合和提取,为非均衡数据集的分类提供更多的信息。最后,通过构造多层图卷积层,对样本特征信息进行更深层次的挖掘。[结果]仿真及台架实验表明,所提出的图卷积网络能够有效地学习更多样本信息,通过聚合邻近样本信息来提高非均衡数据集分类的准确率。[结论]该模型的召回率和精确率均高于其他分类模型,具有一定的工程应用价值。     

基于近似约简的基因选择方法

为了对癌症等疾病分型、诊断及进行病理学研究,利用基因微阵列数据识别疾病相关基因.考虑到了基因微阵列数据是典型的矛盾决策系统,在证明矛盾系统在近似分布集上是协调的这一事实的基础上提出了一套近似分布约简理论,讨论了不同近似分布集上约简之间的关系,提出了基于近似约简的基因选择方法.使用两组真实的基因表达数据对所提出的方法进行了验证.实验结果表明,该方法能在保持分类能力的情况下降低特征基因集的相关性,从而显著地减少特征基因的数量.     

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%。     

基于数据挖掘的船用通信网络异常行为分类和识别研究方法

为保证船用通信网络的安全,设计基于深度数据挖掘的船用通信网络异常行为分类和识别方法。该方法数据处理模块采用全局信息数据融合策略,融合网络的原始采集数据,特征选择模块通过平均不纯度减少特征重要度计算方法,选择有效特征并计算该特征重要度后,形成特征集,将其输入分类识别模块的内外卷积网络深度学习网络模型中,通过模型的学习和训练,获取船用通信网络异常行为分类识别结果。测试结果显示：该方法可有效删除其中的无效特征,保留有效特征结果;可获取不同类别有效特征标签的重要度评分结果;分类识别的平均绝对误差均低于0.18,可完成不同流量变化下异常行为分类识别。     

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。     

基于AP聚类和深度卷积网络的船舶焊缝缺陷检测

针对船舶焊缝缺陷检测中存在定位困难和识别效率低问题,提出基于AP聚类和深度卷积神经网络的检测方法.采用基于距离最值的M-SMOTE算法进行焊缝样本不平衡数据集处理,实现少数类新样本的精细化生成,并提出基于AP聚类的深度卷积神经网络模型.模型先基于几何特征、强度特征和背景对比反差进行11个焊缝缺陷特征提取和AP聚类,并将聚类结果作为神经网络输入;采用自适应PCA法对网络进行降维,在保证识别准确率的基础上,通过参数化方法简化降维步骤.试验表明,在通用焊缝数据集上,文中模型的识别率高达98.87％,与准确率较高的VGG模型相比,训练时间缩短12.10％,模型存储减小11.94％;在船舶焊缝数据集上,文中模型的总体识别率达到98.00％,对比准确率较高的DNN模型,其准确率提高了 3.33％.     

大数据环境下舰船尾迹破碎图像高精度识别技术

针对原有方法在对舰船尾迹破碎图像进行识别的过程中,受破碎图像特征残缺的影响,存在大量难以检测的角点,在图像破碎度为40%～60%时存在特征抽样拟合率较低的问题,提出一种大数据环境下舰船尾迹破碎图像高精度识别技术。在大数据环境下,通过SUSAN角点检测算法这种大数据算法对舰船尾迹破碎图像进行角点检测。构建图像特征检测模型,利用构建模型对舰船尾迹破碎图像角点处实施特征检测,获取舰船尾迹破碎图像特征。通过构建舰船尾迹破碎图像高精度识别模型实现舰船尾迹破碎图像高精度识别。为了证明大数据环境下舰船尾迹破碎图像高精度识别技术实现了特征抽样拟合率的提升,将原有技术作为对比实验技术进行该技术与原有技术的特征抽样拟合率对比实验,实验结果证明该技术实现了特征抽样拟合率的提升,更适用于舰船尾迹破碎图像的识别。     

大数据背景下的舰船图像特征识别研究

传统舰船图像特征识别方法仅能对图像大范围特征像素信息进行识别,而对图像细微像素特征识别效果,远远达不到实际应用要求。导致大量细节特征舰船图像,无法准确完成特征的识别处理,影响整体应用效果。为了解决细节特征信息识别问题,提出大数据背景下的舰船图像特征识别研究。利用大数据计算能力,对图像特征结构分布进行特征模型建立;根据特征分布特点,利用大数据算法,确定细节图像区域构成像素点特征。最后根据特征信息,分散检索全局目标图像像素信息,完成识别输出过程。通过与传统图像识别方法的10张图像359 035万个像素点的识别测试表明,提出方法能够在最短的时间内,完成预设细节图像特征点的识别任务,且识别准确率达到98.72%以上。     

大数据背景下舰船通信信息资源提取方法

在现有舰船通信信息资源提取方法中,经过整合处理得到的信息资源数据编码结构混乱,导致提取数据精度较低。为此,设计一种大数据背景下舰船通信信息资源提取方法。利用大数据技术编码信息资源特征后,设定局部性约束条件,确定舰船通信信息资源特征。构建信息资源阈值识别判断公式,根据计算得到的识别阈值,完成对信息资源的提取。设定实验环境后,准备通信信息数据,分别使用2种传统资源提取方法以及文中设计的资源提取方法进行对比实验,结果表明,文中设计的资源提取方法提取精度最高。     

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.     

基于注意力融合的海上目标检测算法

准确识别海上目标对提高舰船航行安全、维护海上权益意义重大。YOLOv7作为YOLO系列算法的最新成果,在目标检测任务中拥有良好的速度和精度。但通用化的网络应用于特定场景时,由于权重过大可移植性差,优势并不明显。本文根据海上目标分布及背景特点,利用注意力机制提升网络的特征提取与特征融合能力,提出一种基于注意力融合的海上目标检测算法CS-YOLOv7s。在新加坡海上数据集中的实验结果表明,本文所提网络在少量降低准确率的同时,大幅度降低网络权重,提高检测速度,可满足海上目标实时检测任务需要。     

不同数据集容量下的卷积神经网络图像识别性能

为探究在无法获取充足图像数据样本的前提下,怎样发挥卷积神经网络图像识别的良好性能,针对训练数据集容量与卷积神经网络图像识别性能的关系进行深入研究。首先阐述了机器学习能够学习的条件,并根据VC Dimension理论推导出数据集容量与卷积神经网络参数量的关系,接着构建DigitNet与Cifar10Net网络模型,然后分别在不同容量的手写数字识别数据集及Cifar10数据集上训练模型并检验相应的训练模型的识别正确率,最后分析了实验结果是否符合推导的训练数据集容量与卷积神经网络参数量之间的关系。实验结果表明:卷积神经网络的图像识别性能与数据集容量之间存在着一定的关系,在满足卷积神经网络对数据集容量的最低要求时,卷积神经网络即可获取良好的图像识别性能。因此在无法获取海量数据集的情况下,采用卷积神经网络解决实际问题时,仅需要模型参数量10倍的训练数据容量为下限即可获取性能良好的网络模型。     

面向船舶目标检测的YOLOX轻量化研究

针对船舶目标检测存在的模型参数量多、规模大、实时性差和难以在实际工程中应用等问题，提出面向船舶目标检测的YOLOX轻量化方法。设计CA-Mobile Net V3轻量化主干网络，在Mobile Net V3中融合坐标注意力机制，生成一对方向感知特征图，提升空间信息编码能力；改进细化融合特征金字塔网络，构建对称的大尺度深度可分离卷积，提高感受野的范围；通过引入残差分支，以串联的方式融合细化不同尺度的特征信息，提高对小尺度船舶目标的检测能力。基于Seaships数据集的试验结果表明，提出的模型与YOLOv5和YOLOX等相比，具有规模小、实时性好和检测精度高等优势。     

基于PSO-ELM算法实现船舶发电机组故障识别

针对船舶发电机组的不同故障类型,通过传感器采集不同故障下柴油机缸盖处的振动信号,构成大量数据集,选取部分数据集作为样本数据。通过EEMD算法对样本数据进行分解降噪,把一维数据分解成能反映柴油机工况信息的多维数据,对分解形成的多维数据使用KICA算法进行特征提取,并对提取后的数据进行训练集、验证集分组。使用PSO-ELM算法搭建故障识别模型,并使用训练集训练模型,使用验证集验证模型,根据验证结果评价模型是否满足故障识别的精确度。     

大数据环境下基于协同过滤算法的船舶信息推荐模型研究

传统的船舶信息推荐模型的MAE值偏高,因此提出大数据环境下基于协同过滤算法的船舶信息推荐模型研究。利用船舶信息采集装置传输船舶信息,并利用HDFS文件处理传输的信息生成船舶信息数据集。在大数据环境下挖掘用户需求,计算相邻用户相似度,基于协同过滤算法的规则,选取最近邻居聚类用户,完成信息的随机分组。同时协同过滤出大量船舶信息,并对剩余信息进行深层次的信息匹配预测评分,从高到低生成信息推荐列表,完成了推荐模型的研究。实验结果表明,设计的模型在实验中的平均MAE值比传统模型降低了0.135,说明设计的模型推荐精度更高。     

基于数据驱动的舰船通信网络异常行为检测方法

为了提高对舰船通信网络异常识别能力,提出基于数据驱动的舰船通信网络异常行为检测方法。采用最短路径和最大覆盖范围寻优方法构建舰船通信网络的节点覆盖模型,通过最小间隔均衡技术对舰船通信网络的信道均衡控制,提取舰船通信网络的信道传输信息特征。对舰船通信网络的行为特征参数分析,结合谱分量融合和融合聚类处理方法,实现对舰船网络异常行为的数据驱动控制。根据数据驱动的图模型参数识别和异常谱特征聚类分析,实现对舰船通信网络异常行为检测。测试结果表明,该方法能够进行舰船通信网络异常行为检测处理,提高信道均衡性能     

基于神经网络特征提取的SSA-SVM船舶目标识别方法

运用神经网络图像特征提取联合SSA-SVM分类算法,对通航区域图像中的典型船舶目标进行识别以实现船舶目标的自动分类。首先通过摄像机获得通航区域的高分辨率图像,以AlexNet深度学习网络为基础经迁移学习后提取典型船舶目标特征,获得4种船舶类型、共5 505 024个特征数的典型船舶目标特征矩阵。以特征矩阵为训练依据训练SSA-SVM算法,在种群寻优下获得最佳识别参数,经训练得出在小数据集下具有较强辨识能力的SSA-SVM船舶目标识别模型。实验表明,相比于深度学习的大数据集驱动识别算法,使用AlexNet特征提取的SSASVM算法能够在数据量较少的情况下对散货船、集装箱船等典型船舶目标进行有效识别,识别准确率为88.87%、训练时长为1 856 s,满足实用需求,为水上监管提供了可靠的技术支持。