基于调制线谱特征提取的被动声呐目标识别技术研究

目标噪声特征提取和目标分类器设计是被动声呐目标识别系统的关键技术。本文针对被动声呐目标识别，首先着重研究了调制线谱特征提取方法，然后为了训练神经网络目标分类器，本文将遗传算法和BP算法相结合，提出了一种新的自适应遗传BP算法。最后，对海上实录的三类目标噪声进行了分类识别，实验结果表明本文设计的被动声呐目标识别系统具有很好的分类效果。     

一种被动声纳目标识别数据融合方法的研究

文章首先对目标噪声信号采用五种不同的方法提取特征矢量,然后采用基于自适应遗传BP算法的神经网络分别对五种特征矢量并发地进行分类,再采用遗传算法对分类器组合过程中的多参数进行优化,最后由五种分类结果最优组合产生最终的分类结果。实验结果表明该系统具有很好的分类效果。     

水下目标识别技术的研究

本文分析了水下目标识别技术的研究现状,阐述了水下目标识别技术的基本原理,为了提高水下目标识别的正确率,给出了三种新的研究方法,最后提出了水下目标识别面临的主要困难与亟待解决的问题。     

基于神经网络的主动声纳目标分类器

人工神经网络是当前模式识别领域非常活跃的工具之一，本文在传统ＢＰ算法的基础上，引进了误差范围ＢＰ－ＥＲ算法，利用各种统计方法所建立的主动声纳目标信号的模式表示，提出二上网络结构对信号进行训练分类，比传统的分类器，性能有明显的提高。在６ｄＢ的信噪比情形下，对实际海上回声信号进行分类，取得了令人满意的正确分类率。     

被动声呐目标识别技术的现状与展望

简述了被动声呐目标识别的常用技术，分析了这一领域的研究现状，并针对现阶段被动声呐目标识别存在的问题，展望了下一步的工作。     

基于声学理论的被动声纳探测水下目标仿真

文章给出了海洋水文要素与声速的关系,在分析了相关海域的水文条件基础上,基于声线理论和声纳方程,建立了被动声纳对水下目标探测的数学模型。针对不同的声速剖面,进行了仿真实验,并对结果进行了详细的研究。     

声纳浮标网络目标定位算法研究

声纳浮标网络可用于对潜艇等水下目标进行定位。针对声纳浮标节点的特性,提出一种新的时间加权质心算法。新的时间加权质心算法将各个节点探测的信号强度反映到节点发送探测信息的等待时间中,利用等待时间的长短对各节点位置进行加权,因此权重体现了各节点到目标的距离,提高了目标定位精度,而通信量与一般质心算法相同。仿真结果验证了算法的有效性。     

基于双树复小波的被动目标特征提取方法研究

针对水下目标辐射噪声特征提取困难的问题,提出一种基于双树复小波变换的特征提取方法。首先,采用一种改进的小波阈值去噪方法去除水下目标辐射噪声信号中的噪声成分,该方法可以获得优于经典小波阈值去噪方法的结果;其次,在特征提取过程中,采用具有近似平移不变性的双树复小波变换,该方法能够克服信号时移带来的影响,得到稳定的目标特征向量。仿真试验和实航数据处理结果表明,本文方法提取的目标特征向量比使用离散小波变换提取的结果更稳定。     

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。     

基于反蛙人声纳的小目标检测算法

随着蛙人侵扰活动的日益频繁,在一些重要的部位如港口、码头、海岸洞库和锚泊水域中都安装了水下监控系统,在这些系统中,基于反蛙人声纳的小目标检测既是研究的重点也是难点之一。文章针对小目标检测问题进行了讨论,提出反蛙人声纳图像处理和小目标检测算法。由实践结果可以得出,此算法具有较高的小目标检测率,有效提高了水下监控系统的可靠性。     

多传感器综合目标识别技术研究

描述了传感器与目标身份信息的特征，提出了多佑感器特征级综合目标识别的系统结构，并介绍了与综合目标识别相关的关键技术，重点阐述了几种目标识别融合算法。     

基于改进小波能熵的水下目标识别

文章研究了基于改进小波能熵和概率神经网络的水下目标识别方法。首先对水下目标辐射噪声信号进行小波变换多分辨率分解和重构,然后引入滑动时间窗,提取各分解子带在滑动时间窗内的改进小波能熵值作为目标识别的特征矢量,最后将特征矢量输入到概率神经网络中实现水下目标识别。对信号进行小波多分辨率分解可反映信号在不同频域上的特征,而引入滑动时间窗并在此基础上定义改进的小波能熵可反映信号的时域特征,因此改进小波能熵方法能同时反映信号的时频特征,更适合于水下目标特征提取。仿真结果表明了该方法的有效性。     

基于神经网络的液晶数字识别在船用设备管理中的应用

数字识别是字符识别中的一个重要的研究课题。阿拉伯数字只有0～9十个,而且笔画简单,但是识别这十个数字并非易事,识别的正确率并不高。虽然液晶数字在形式上相对于识别难度较大的手写体数字来说比较规范,但是液晶数字的变体也比较多,形状各异,因此文章研究的目的在于找到一种对于液晶数字识别的一般的有效的方法。文章建立了＂仪表监控与数字识别系统＂,主要对液晶数字识别的过程进行了讨论,重点研究了数字图像处理和数字识别,做了以下几个方面的工作：1）在研究了多种液晶数字特征的基础上,提取了数字的粗网格特征。2）建立了一个基于BP神经网络的液晶数字识别系统,进行了分类器设计,并对数字识别结果进行了检验,取得了较好的系统性能,从而证明了采用的方法是可行的。     

基于神经网络的声纳特征级信息融合中目标分类研究

声纳目标特征级融合的主要任务是实现信息压缩、目标身份确定(分类) ,以利于实时处理、决策分析。基于数学模型的各种算法,由于情况复杂,往往很难建立。而人工神经网络通过样本的学习,具有存储记忆、在相似输入下能恢复记忆等特性,从而避免了烦琐而复杂的建模。在神经网络声纳目标识别前的噪声预处理方法中,选用了功率谱特征提取、双谱特征提取算法;在研究了提取的特征后,选取反向传播神经网络(BP)模型;在此基础上构造了BP神经网络,并对网络进行训练与测试,给出识别实验结果。仿真模拟分析证明,基于神经网络的声纳特征级信息的融合,对目标分类有一定效果,为进一步实现声纳信息融合奠定了基础     

基于遗传BP算法的神经网络目标分类器的研究

首先阐述了水下目标识别的研究发展和系统组成,然后提出了一种基于遗传BP算法训练神经网络目标分类器的新方法。实验结果表明采用新方法的神经网络分类器比采用改进BP算法的神经网络分类器具有更优的分类效果。