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。     

水声目标辐射噪声谐波特征提取算法

水下目标辐射噪声中的谐波分量包含了反映目标自身本质特性的信息,能否有效提取目标谐波特征关系到目标识别的效果.论文基于目标辐射噪声的一般数理模型,利用最大似然估计和卡尔曼滤波理论,提出一种水下目标辐射噪声谐波特征的提取与分析算法,估计得到了谐波的瞬时基频;然后利用卡尔曼滤波器跟踪瞬时基频的时变特性,实现对基频的精确跟踪和估计;并提取各阶谐波的振幅,得到目标的谐波特征;最后结合仿真信号与实测数据进行对比,验证了谐波特征提取算法估计基频和提取谐波信息的可行性.     

水声目标辐射噪声谐波特征提取算法

水下目标辐射噪声中的谐波分量包含了反映目标自身本质特性的信息,能否有效提取目标谐波特征关系到目标识别的效果。论文基于目标辐射噪声的一般数理模型,利用最大似然估计和卡尔曼滤波理论,提出一种水下目标辐射噪声谐波特征的提取与分析算法,估计得到了谐波的瞬时基频;然后利用卡尔曼滤波器跟踪瞬时基频的时变特性,实现对基频的精确跟踪和估计;并提取各阶谐波的振幅,得到目标的谐波特征;最后结合仿真信号与实测数据进行对比,验证了谐波特征提取算法估计基频和提取谐波信息的可行性。     

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。     

长短时记忆网络水下目标噪声智能识别方法

未来基于水下无人平台的水声目标探测体系要求平台自身具备目标智能化识别能力,而传统水下目标噪声识别方法需要人工提取泛化能力强的特征数据,且识别过程具有较强的人机交互特性,无法满足这一要求。针对这一问题,本文研究一种基于长短时记忆网络(LSTM)的水下目标噪声智能识别方法,借助深度学习自主学习数据特征的能力,应用长短时记忆网络(LSTM)分别对水下目标噪声的时域时间序列数据、频谱数据、梅尔倒谱(MFCC)数据进行深层次特征提取与识别,并使用实际水声目标噪声信号对该方法进行了验证。结果表明,在上述3种输入数据情况下,采用LSTM长短时记忆模型均能有效实现水下目标噪声特征提取与智能识别。     

基于信息熵的水声目标识别模型评估方法

水声目标自动识别技术作为实现武器装备智能化的核心技术之一,具有重要的军事意义。水声目标识别模型评估是目标识别技术研究中的关键环节,对促进识别技术发展起到了十分重要的作用。国内在自动目标识别模型评估方面,特别是在评估理论与方法上的研究还刚刚起步,远不能满足当前深入持续发展目标识别技术的迫切需求。根据信息熵的理论及其应用,构建了水声目标识别模型性能评价指标体系;借鉴信息论的方法,利用信息熵确定模型综合评估中各指标的权重系数,提出客观的水声目标识别模型综合评估方法。     

基于神经网络/模糊逻辑系统的混合式特征提取器

特征提取是水声目标分类的关键环节之一，用以获取各类目标的一些可鉴别性特征。螺旋桨轴频、叶率和叶片数是目标的本质性、鉴别性特征，是分类的重要线索。本文提出了一个基于神经网络／模糊逻辑系统的混合式特征提取器，先利用侧抑制神经网络从目标辐射噪声的包络谱中提取线谱序列，再利用模糊逻辑系统从线谱序列中提取出螺旋桨轴频、叶率和叶片数。对目标数据的分析表明：该特征提取器能够为目标分类提取有效的鉴别性特征。     

基于小波变换和概率神经网络的水下目标识别

由于水下环境的复杂性,水下目标的检测和识别是水声信号处理领域中的一个难题.本文研究了基于小波变换和概率神经网络的水下目标识别方法.利用小波变换得到水下目标辐射噪声信号在不同尺度下的能量分布作为特征矢量,并输入到概率神经网络中以实现目标分类.利用小波变换能量特征值可有效区分不同的目标辐射噪声.概率神经网络无网络训练过程,适合于信号分类.实验结果表明该方法的有效性和可行性.     

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.     

舰船总体水声兼容性设计综述

随着越来越多的水声设备上舰,舰船水声兼容性问题日益突出。在解决水声兼容性问题时,舰船总体设计单位扮演着重要的角色。文章从舰船总体的角度,针对舰船总体水声兼容性设计所涉及的水声兼容性问题和解决措施进行论述。     

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。     

一种识别声源噪声辐射区域的方法

针对大型结构体的声辐射问题,提出了一种利用声辐射模态识别声源表面的噪声辐射区域的方法。分析了各阶声辐射模态对声源的辐射声功率的贡献量,找出了对远场辐射声功率贡献最大的几个主要的声辐射模态,然后利用这几个主要的声辐射模态重建声源表面法向振速,通过声源表面法向振速的重建结果实现了声源表面噪声辐射区域的识别。通过对平板声源在几种不同频率下的噪声辐射区域的仿真分析验证了文中方法的正确性。该文方法对于确定特定频率下声源表面的噪声辐射区域,从而进一步进行辐射噪声控制具有积极的意义。     

高性能处理器DM6446下的舰船目标识别算法

介绍舰船噪声的频谱特性,并通过对频谱特性分析,研究舰船目标识别算法的可行性,最终选用DEMON谱分析与轴频提取算法作为舰船目标识别的实现方式。考虑到算法的数据处理,软硬件平台及设计选用TI公司基于DM6446高性能处理器TY-DM6446-1000开发板进行舰船目标识别算法研究,并对该算法的实验数据进行测试统计。结果显示,该算法能够实现对舰船目标特征提取和目标的精确识别,可满足应用要求。     

基于深度学习的水面无人船前方船只图像识别方法

建立基于图像识别系统的水面无人船感知平台,采集内河船舶图片数据库建立船只检测单层多尺度深度学习（Single Shot Multibox Detector,SSD）框架,通过使用预训练模型参数调优并微调分类框架实现较高的内河船舶检测准确度。试验结果表明,不同天气状况下的识别算法的查全率和查准率均能保持在70%以上     

深海水声探测特性研究

为改善水声探测系统的信号检测性能,研究了在深海环境下水声探测的特性.在对浅海和深海声传播特性进行比较的基础上,分析了深海声传播的优越性.通过对不同海洋深度声源的声传播特性仿真分析,证明了深海环境有利于实现远距离声传播.在一定信号接收带宽的情况下,计算了位于深海区域的水声探测系统对安静型潜艇的最大被动水声探测距离,进一步证明了深海环境有利于实现远程水声探测.研究结果为在深海环境下探测安静型潜艇提供了理论依据.     

基于盲信号处理的舰船辐射噪声检测

根据舰船辐射噪声在水中传递的环境及特点,采用盲信号处理技术重构出相应的原始辐射源信号,该方法能够减少噪声及舰船间的相互干扰,提高了原始辐射源信号的信噪比,从而为水中兵器目标信号的准确检测提供了基础。仿真实验研究了单船舶辐射噪声信号谐波成分的分离及多船舶辐射噪声混合信号的分离,结果表明该算法稳定性好、收敛速度快,是一种有效的舰船辐射噪声检测方法。