基于深度卷积神经网络的船舶识别方法研究

为解决目前船舶识别率较低的问题,基于深度卷积神经网络算法,提出一种在深度卷积神经网络基础上的改进算法.利用卷积神经网络对船舶图片进行深度特征提取,结合HOG算法得到准确的边缘特征,结合HSV算法得到颜色特征,通过SVM分类器对船舶进行分类.算法主要包括2个阶段:训练阶段实现卷积神经网络的预训练,将得到特征归一化,PCA降维,通过HOG算法得到边缘特征,最后训练SVM分类器;测试阶段则对算法的准确性进行核实.实验结果表明,该方法平均识别正确率达到93.6％,可以很好地实现船舶识别.     

基于深度卷积神经网络的船舶识别方法研究

为解决目前船舶识别率较低的问题,基于深度卷积神经网络算法,提出一种在深度卷积神经网络基础上的改进算法。利用卷积神经网络对船舶图片进行深度特征提取,结合HOG算法得到准确的边缘特征,结合HSV算法得到颜色特征,通过SVM分类器对船舶进行分类。算法主要包括2个阶段:训练阶段实现卷积神经网络的预训练,将得到特征归一化,PCA降维,通过HOG算法得到边缘特征,最后训练SVM分类器;测试阶段则对算法的准确性进行核实。实验结果表明,该方法平均识别正确率达到93.6%,可以很好地实现船舶识别。     

基于深度神经网络的船舶图像识别检索研究

对船舶图像进行快速准确识别在军民领域都有广泛应用,随着船舶种类的增多、图像质量的提高,传统的卷积神经网络进行船舶图像识别需耗费大量时间。本文对深度神经网络的原理进行分析,并在此基础上研究基于深度神经网络的船舶图像识别流程,对船舶图像预处理技术进行研究,建立船舶图像训练集和测试集,对YOLOV2、卷积神经网络和本文算法的平均识别时间和识别准确率进行分析,最后研究3种算法的训练次数对识别准确率的影响。本文研究的深度神经网络船舶图像识别算法,在平均识别时间以及识别准确率上具有一定优势。     

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。     

改进卷积神经网络的舰船物联网安全风险估计

现有方法在舰船物联网威胁识别率与缺陷识别率上表现不佳,因此提出一种改进卷积神经网络的舰船物联网安全风险估计方法。对舰船物联网安全风险数据进行分类也就是分类安全风险指标。对于动态类安全风险数据,需要对其进行数据补充。运行类安全风险数据的预处理需要进行数据清理。基础类安全风险数据的预处理需要进行数据变换与数据归一化处理。基于改进卷积神经网络提取舰船物联网安全风险数据特征,使用的改进卷积神经网络为SSD神经网络。基于灰色层次分析、Borda序列、风险矩阵构建舰船物联网安全风险估计模型。对设计方法进行实践应用,测试其舰船物联网威胁识别率与缺陷识别率,结果表明该方法取得了识别率数据上的突破,能够保障舰船物联网的安全。     

基于自监督学习框架的发电柴油机故障诊断

针对采集的船舶发电柴油机有标签状态数据集为小样本而造成的分类精度较低的问题,本文提出了一种新型的自监督学习框架用于机电设备的故障诊断,挖掘无标签数据集中的特征信息,以提高模型的分类能力。首先,通过KNN算法,将采集到的无标签数据集划分为正类样本和负类样本,并通过添加噪声的方法对原始数据进行数据增强,以此构造自监督任务。然后,设计基于卷积神经网络的编码器,根据正类、负类的伪标签,来提取无标签数据中的监督信息。最后,基于小样本的标签数据,通过编码器得到新的特征表征,对分类模型进行参数微调,提高模型精度。船舶柴油发电机故障实验证明,该自监督学习框架下的分类模型的准确率、精确率和召回率均高于直接用小样本标签数据训练的分类模型。     

基于改进卷积神经网络的船舶目标检测

为提高无人船研究中的船舶辨识速度和精度,弥补海上船舶目标检测中船载自动识别系统(Automatic Identification System,AIS)和雷达图像的不足,提出一种基于改进卷积神经网络的船舶目标检测模型。设计多策略的卷积神经网络模型,利用船舶图像数据进行训练和测试,并将测试结果与基于区域提名和基于回归方法的卷积神经网络模型结果相对比。试验结果表明,改进的卷积神经网络模型的船舶检测准确率高于另外2种模型。     

基于联合神经网络的水声目标识别方法

为了改善传统的单一识别网络难以充分考虑水下声音样本各方面特征的缺陷,本文利用联合一维卷积神经网络与长短期记忆网络2种网络串行的方式,构建一种新的网络框架,首次将联合网络运用到水声目标识别中.其次,用船舶音频数据作为数据集输入网络,对网络性能进行评价,进行识别结果的可视化分析.通过结果分析得出,该网络能够实现对水声目标的...     

基于自编码器的船用柴油机故障诊断

为了提升船舶柴油机故障诊断的泛化能力,引入深度神经网络,文章提出了一种基于自编码器（AE）的船舶柴油机故障诊断方法。通过GT-SUITE船用柴油机故障仿真实验,对数据样本进行分析,结果表明AE在训练集和测试集的故障识别率分别为98.67%和98.33%,优于支持向量机（SVM）和BP神经网络,更适用于船用柴油机的故障诊断。     

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。