神经网络在舰船噪声识别中的应用

本文基于多层前馈型网络模型发展了一种利用声纳信号进行目标识别的技术，并在对传统BP算法局限性详细分析的基础上，对其稍作改进，提出了BP－选择学习算法。实验表明，此算法对噪声信号的识别效果好于BP算法。     

舰艇螺旋桨水下噪声预测

螺旋桨空化噪声是舰艇最主要的辐射噪声源。文章分析了螺旋桨噪声平坡形谱曲线的特点,给出源声级谱级曲线的衰减指数值,分析了特征频率和峰值谱级的影响因素。由螺旋桨空化状态下两个特征航速对应的部分频段内的噪声谱级计算式拟合得到水面舰船螺旋桨空化后任意可达航速下的噪声谱曲线。结合叶梢周向速度一定时特征频率处谱级与螺旋桨直径的函数关系和频率一定时叶梢周向速度变化引起的特征频率处谱级变化量,得到潜艇螺旋桨无空化状态下特征频率处谱级,在空化状态下,还需要加上螺旋桨进入尖锐谱峰区和转速进一步升高引起的声级增加量,从而得到了潜艇在任意航态下整个频带内螺旋桨噪声谱级的计算式。利用已有数据对计算式进行了检验,计算声级误差小于4dB。计算中用到的叶梢初生空泡数和判定是否出现窄带调噪声要通过空泡筒试验确定。     

螺旋桨负荷噪声研究

本文运用非定常升力面方法和Ｇｏｌｄｓｔｅｉｎ声相似理论研究了螺旋桨的负荷噪声特性。     

基于高阶谱的水下目标识别

利用高阶谱估值法,对具有很强非高斯性和非线性的舰船辐射噪声信号进行分析及特征提取,并通过结构自适应神经网络作为分类实验,表明基于高阶谱的特征提取具有较强的类别可分性,在无源声纳目标识别中特具潜力。     

螺旋桨离散谱噪声计算研究

在螺旋桨处于非空泡状态时，离散谱噪声是舰艇辐射噪声的主要成分之一。因而对螺旋桨离散谱噪声进行预报控制至关重要。螺旋桨离散谱噪声计算一般是在螺旋桨非定常力计算和声学计算相结合的基础上得到的。非定常力可以采用面元法或升力面方法计算得到。本文对两种方法进行了比较，结果面元法要优于升力面方法。随后的算例采用面元法计算出螺旋桨非定常力后作为FW—H方程的源项进行了螺旋桨离散谱噪声预报，并通过螺旋桨参数变化可得到离散谱噪声变化规律。     

人工神经网络技术在目标识别中的应用

在多传感器信息融合的基础上讨论了目标种类识别的有关问题，并给出了直升机、固定翼飞机、导弹、水面舰艇、鱼雷、潜艇和水雷的识别准则和方法，并在此基础上提出了基于BP神经网络的目标种类识别模型。仿真计算结果表明，只要学习样本足够多，能够有效保证识别的正确性和克服基于规则的识别方法在模糊区识别效果差的问题。     

遗传算法在舰艇编队电磁频谱管理中的应用

为了避免舰艇编队作战过程中电子设备间的电磁干扰,需要对编队实施电磁频谱管理。文章推导了编队电磁频谱管理的数学模型,并引入遗传算法求解该模型。通过对致死染色体的基因进行治疗改进了遗传算法,改进后的算法可以快速给出电磁频谱管理的决策结果。仿真证明,该算法在编队作战中可以得到较好的作战效能。     

舰船辐射噪声非线性频谱特征提取与应用

舰船辐射噪声分类识别一直是被动声呐面临的难题,提取舰船辐射噪声的频谱特征来实现分类识别是一种常用的方法。基于舰船辐射噪声频谱特征主要聚于低频段的特点,按照稀疏分解的原理,通过构造完备的非线性频谱字典,提出了一种舰船辐射噪声非线性频谱特征提取方法。对海上实录的多种型号和多种工况的大量噪声样本进行了特征提取,采用最近邻分类器对辐射噪声样本进行了分类识别实验,结果表明,非线性频谱特征的正确分类识别概率高于线性频谱特征的正确分类识别概率。     

舰船辐射噪声非线性频谱特征提取与应用

舰船辐射噪声分类识别一直是被动声呐面临的难题,提取舰船辐射噪声的频谱特征来实现分类识别是一种常用的方法。基于舰船辐射噪声频谱特征主要聚于低频段的特点,按照稀疏分解的原理,通过构造完备的非线性频谱字典,提出了一种舰船辐射噪声非线性频谱特征提取方法。对海上实录的多种型号和多种工况的大量噪声样本进行了特征提取,采用最近邻分类器对辐射噪声样本进行了分类识别实验,结果表明,非线性频谱特征的正确分类识别概率高于线性频谱特征的正确分类识别概率。     

深度学习在目标识别中的应用研究

深度学习是一种基于数据技术和图像技术的新兴机器学习技术,目前深度学习技术在社会发展建设中起到了越来越重要的作用。深度学习是建立在信息神经网络、卷积理论等先进科学技术理论基础上的,加强了机器深度学习的可靠性和准确性。本文通过对深度学习在目标识别中的应用进行深入研究和探讨,旨在为我国目标识别领域提供新的思路和途径,从而提高我国目标识别技术水平。     

神经网络在目标识别中的应用

神经网络技术作为现代智能信息处理技术的主要方法之一,模拟人的神经元的生理结构模型,可自身完善和发展,在各领域都有其广泛的用途。本文对神经网络在目标识别中的应用进行了介绍。并指出目标识别在某种程度上也是一种函数逼近,并用matlab实现了BP网络的函数逼近。     

线性预测编码和支持向量机在目标识别中的应用

针对利用船舶辐射噪声进行水下目标识别的问题进行研究,提出一种基于线性预测编码(LPC)倒谱系数和支持向量机(SVM)的船舶目标识别方法。该方法通过对捕获到船舶辐射噪声进行LPC倒谱分析,实现各信号分量及信道的分离,以提取其LPC倒谱参数。再采用支持向量机技术处理多类水下目标的非线性、小样本的识别分类。最后,利用仿真得到的几种水下目标辐射噪声进行本文算法试验,证明本文算法是有效的,并取得较高的识别准确率。     

舰船磁场模型参数在目标识别中的应用

在深入研究舰船磁场单一旋转椭球体建模及其模型参数稳定性的基础上,以该模型参数作为舰船目标识别的新特征量,用人工神经网络方法对船型、航向等目标模式进行识别,达到了良好的识别效果。