一种基于频谱细化技术的水下目标识别方法

被动声纳目标识别主要是根据目标辐射噪声的不同实现的,如何从水下目标辐射噪声中提取有效的识别特征,是实现水下目标识别的关键环节。文中在分析目标辐射噪声特点的基础上,利用一种改进的高频噪声解调分析(DEMON)方法进行目标线谱提取,在提取线谱的过程中,利用小波变换进行DEMON谱融合得到明显的DEMON线谱,再通过频域周期图法对DEMON谱进行净化,以便可靠地提取线谱。仿真及试验结果验证了所提方法的有效性和可行性。     

基于DS证据理论的水下目标识别融合推理方法研究

水下多途、时变的复杂环境给水下目标的识别精度带来了很大影响,单传感器获得的目标信息已不能支持水下目标识别要求,需要通过分析不同传感器源获得的水下目标特征信息间的关联关系,构建水下目标多特征信息不确定性融合推理识别模型和准则,给出水下目标识别的具体判断逻辑流程,建立目标属性识别框架,确定不同传感器源获得的水下目标特征信息证据对水下目标属性可信度分配函数,通过 DS(Dempster-Shafer)证据理论实现水下目标的综合推理识别,为提升水下多平台协同作战能力提供重要基础。     

基于谱回归特征降维与后向传播神经网络的识别方法研究

采用后向传播(BP)神经网络对空间目标进行识别时,高维的输入特征导致网络结构复杂,识别性能降低。针对上述难点,该文提出一种基于谱回归(SR)特征降维与BP神经网络的识别方法。该方法首先对空间目标进行HOG特征提取,然后将提取的高维HOG特征进行SR降维,最后把降维后的数据通过BP分类器进行训练识别。实验结果表明:该方法的降维和识别特性优于传统降维方法PCA, KPAC, LPP, KLPP等,能够兼顾实时性和准确性,提高了识别性能。     

一种基于YOLOv3的水下声呐图像目标检测方法

将目标检测框架应用于水下声呐图像处理是近期的高热度话题,现有水下声呐目标检测方法多基于声呐图像的纹理特征识别不同物体,难以解决声呐图像中由于形状畸变造成的几何特征不稳定问题。为此,该文提出一种基于YOLOv3的水下物体检测模型YOLOv3F,该模型将从声呐图像中提取的纹理特征和从深度图中提取的空间几何特征相融合,利用深度图中相对稳定的空间几何特征弥补纹理特征表述能力的不足,再将融合后的特征用于目标检测。实验结果表明,所提改进模型的检测性能相较于3个基线模型在识别精度方面具有明显提升;在对单个类别的物体进行检测的情况下,与YOLOv3相比,改进模型也表现出了更出色的检测效果。     

基于激光传感信号的动态环境目标智能识别研究

由于利用原有方法自动识别复杂环境运动目标时,图像存在的噪声会导致误识别率较高,因此,提出一种基于机器视觉的复杂环境运动目标自动识别方法.通过高斯混合建模方法检测复杂环境下的运动目标,具体步骤为确定高斯混合模型的实际初始参数,更新高斯混合模型的对应参数,最后对各高斯函数的实际权值实施归一化处理.基于机器视觉中的局部二值模型提取复杂环境下的运动目标特征,根据提取的运动目标特征,通过三帧差法选取并比较三帧相邻的复杂环境图像,然后两两作差并实施二值化,以及执行逻辑"与"运算,实现复杂环境下运动目标特征的识别.通过将基于机器视觉的复杂环境运动目标自动识别方法与原有方法进行性能对比实验,证明该方法的误识别率低于两种原有方法,实现了运动目标识别性能的提升,对于监控系统的发展有很大意义.     

基于特征匹配的水下目标检测与识别

针对水下特殊环境的目标检测与识别,提出一种基于霍夫变换与几何特征相结合的特征匹配算法。通过对Canny边缘检测和迭代阈值分割的有机融合,实现了对图像的后处理式联合分割,有效地减小了光照不均等噪声干扰对目标提取的影响。通过霍夫变换直线匹配和几何特征匹配算法对规则的几何目标进行识别,具有较好的抗旋转和抗缩放性能。实验结果表明了该算法的准确性和稳定性。     

Gabor小波与HOG特征融合的行人识别算法

针对传统HOG特征行人检测方法中,当目标存在遮挡以及面对复杂环境条件下,行人识别存在较高漏检率和误检率的问题,提出一种基于Gabor小波与HOG特征融合(G-HOG)的行人识别算法。利用Gabor小波对样本图像进行特征变换并在尺度和方向上融合,获取Gabor特征图像,利用HOG算子在特征图像上提取目标特征,进行样本分类,获取行人目标的疑似区域;对行人样本进行HOG特征提取与训练,实现对疑似区域的目标识别。实验结果表明,基于G-HOG特征的行人识别算法在INRIA、MIT与Daimler数据库上性能表现良好,能够获取较高的查全率和识别率。     

基于频域注意力的水下目标检测算法研究

针对水下目标检测过程中由于水下成像模糊、目标物与背景对比度低等原因导致的水下图像特征提取与目标理解困难的问题,本文提出了一种基于频域注意力的水下目标检测算法。该方法首先将训练集图像变换到频域,并使用低频特征引导组件(low frequency feature guiding suite, LFGS)计算频率分量,然后该分量将作为参数被应用到低频特征提取模块(low frequency feature extraction model, LFM)来更好地提取图像的低频特征,融合了图像低频信息的特征经过进一步特征提取生成高层特征,最后将高层特征输入到检测头中进行检测。在URPC2021数据集上进行验证,平均精度均值达到了83.35%,验证了本文方法的有效性。     

水下隐身动目标激光与偏振红外探测技术研究

为解决水下隐身动目标声探测与识别难度大的问题,根据水下动目标运动形成的尾流、尾迹、引起的海面温度变化特征,提出了以低轨卫星为平台,运用红外偏振尾流探测水下目标尾流的方法,结合激光动态深度测量技术和偏振激光探测技术,实现对水下隐身动目标探测与识别。     

自动色阶与双向特征融合的水下目标检测算法

水下环境存在光线差、噪声大等复杂情况，导致传统水下目标检测方法检测精度较低、漏检率较高。针对上述问题，在现阶段通用的Faster R-CNN的基础上，提出一种自动色阶与双向特征融合的水下目标检测算法。首先，采用自动色阶对水下模糊图像进行增强处理；其次，采用PAFPN进行双向特征融合，以增强对浅层信息的表达能力；然后，在训练前后均引入柔性非极大值抑制（Soft-NMS）算法，来修正并生成候选目标区域；最后，采用FocalLoss函数，解决正负样本分配不均衡的问题。实验结果表明，所提算法在URPC2020数据集上的检测准确率可达59.7%，召回率可达70.5%，相比现阶段通用的Faster R-CNN算法，分别提高了5.5个百分点和8.4个百分点，有效提高了水下目标检测的准确率。     

基于波形结构特征和支持向量机的水面目标识别

借鉴语音声学的研究成果,音色可作为区分不同目标的依据。由于舰船辐射噪声的音色信息包含在其信号的波形结构特征中,可以通过提取舰船辐射噪声的波形结构特征判断目标类型。该文对水面目标信号时域波形结构特征提取进行了研究,构建了基于信号统计特性的特征矢量,包括过零点波长、峰峰幅度、过零点波长差分以及波列面积等。应用支持向量机(Support Vector Machine, SVM)作为分类器识别两类水面目标信号,核函数为径向基函数(RBF)。提出了差分进化和粒子群算法的混合算法,优化了惩罚因子和径向基函数参数的选取,两类目标的识别率较常规的网格搜索法有显著提高。     

改进的卷积神经网络实现端到端的水下目标自动识别

由于水声信号的高度复杂性，基于特征工程的传统水下目标识别方法表现欠佳。基于深度学习模型的水下目标识别方法可有效减少由于特征提取过程带来的水声信号信息损失，进而提高水下目标识别效果。本文提出一种适用于水下目标识别场景的卷积神经网络结构，即在卷积模块化设计中引入卷积核为1的卷积层，更大程度地保留水声信号局部特征，且降低模型的复杂程度；同时，以全局平均池化层替代全连接层的方式构造基于特征图对应的特征向量主导分类结果的网络结构，使结果更具可解释性，且减少训练参数降低过拟合风险。实验结果表明该方法得到的水下目标识别准确率（91.7%）要优于基于传统卷积神经网络（69.8%）和基于高阶统计量特征的传统方法识别表现（85%）。这说明本文提出的模型能更好保留水声信号的时域结构，进而提高分类识别效果。      

基于生成对抗网络的舰船辐射噪声分类方法研究

基于机器学习的舰船目标识别近年来已成为水声信号处理领域的一个重要研究方向,但水声目标信号的获取困难,样本量不足和不均衡的问题很容易导致目标分类模型的识别效果不佳。该文提出一种基于条件卷积生成对抗网络的船舶噪声数据分类方法,该方法利用生成对抗学习理论,生成相比于传统数据增强算法非线性特征更强,特征差异更丰富的伪DEMON调制谱数据来缓解训练样本量不足的问题。之后将传统生成对抗网络中的全连层输出替换成更善于解决小样本问题集成分类器,从而降低分类器对于数据量的依赖程度,进一步提高分类模型性能。最终由基于真实样本的实验结果表明,相比于传统数据增强算法和卷积生成对抗网络,该文方法能够更有效提高在样本不足条件下的模型的分类性能。     

基于音色一致的语音克隆说话人特征提取方法

当前基于预训练说话人编码器的语音克隆方法可以为训练过程中见到的说话人合成较高音色相似性的语音,但对于训练中未看到的说话人,语音克隆的语音在音色上仍然与真实说话人音色存在明显差别。针对此问题,本文提出了一种基于音色一致的说话人特征提取方法,该方法使用当前先进的说话人识别模型TitaNet作为说话人编码器的基本架构,并依据说话人音色在语音片段中保持不变的先验知识,引入一种音色一致性约束损失用于说话人编码器训练,以此提取更精确的说话人音色特征,增加说话人表征的鲁棒性和泛化性,最后将提取的特征应用端到端的语音合成模型VITS进行语音克隆。实验结果表明,本文提出的方法在2个公开的语音数据集上取得了相比基线系统更好的性能表现,提高了对未见说话人克隆语音的音色相似度。     

近海摩托艇信号的模态分解

在非线性非平稳信号的分析、处理以及特征提取中,希尔伯特-黄变换(HHT)是一种高效的自适应分析方法,在工程领域中有着广泛应用。本文利用经验模态分解(EMD)和变分模态分解(VMD)方法对近海摩托艇的水声信号进行对比分析,发现水声信号能量主要集中在低频段。与高频段相比,其振幅相对较大。EMD方法在分析这类信号时,会产生模态混叠,因此不能有效分解信号和提取特征;而VMD方法可有效降低模态混叠现象,能够成功提取其信号特征。研究结果表明,VMD方法在船舶水声信号处理分析及特征提取时更为有效,为复杂水声信号的处理提供了一种可行的技术参考。     

水下声信号激光相干探测的仿真与实验

建立波长1 550 nm的全光纤激光相干探测系统,系统采用全光纤设计,光路简单且稳定性高.数值仿真与实验结果表明,采用激光相干探测和时-频分析,可有效地提取水下不同频率、不同强度和不同深度的振动特征.该系统可实时探测出40~10 000 Hz的水下声信号,且测量标准偏差小于几个赫兹.因此,激光相干雷达用于水下目标的探测与识别具有实时性,该技术可为水下目标的特征提取和识别提供新的途径.     

听觉外周计算模型在水中目标分类识别中的应用

 听觉外周的理论和建模已取得长足的发展,并已广泛应用于语音信号处理.本文集成Gammatone听觉滤波器和Meddis内毛细胞模型来模拟耳蜗的处理机制,并根据水中目标辐射噪声信号的特点对Meddis模型的参数进行了修正.提出基于Gammatone-Meddis听觉外周计算模型的水中目标特征提取方法,得到一个23维的特征向量.对大量海上实测数据的分析表明该特征具有以下优点:(1)分类识别效果好,对测试集识别率达到94%以上;(2)抗卷积噪声能力强,对原始信号加入卷积噪声,识别能力没有下降.最后通过实验证明基底膜对频率的非线性选取和内毛细胞都能够很好地抑制噪声.     

水下声信号激光探测技术研究

水下声信号激光探测技术采用了激光接收技术。它在空气中利用光波，而在水中利用声波，把两种最佳的信道和物理场结合了起来，是遥感探测水下声信号的一种比较理想的方法。水下声信号在水空气界面会引起表面波动而对打在水表面处的激光束进行幅度调制。利用直接光强检测方法可以检测受水下声信号调制的激光信号。本文在理论分析的基础上通过试验验证了激光探测水下声信号技术的可行性，同时对水下声信号光电探测存在的问题进行了探讨并提出了相应的解决途径。     

一种互谱相位在时延估计中的应用方法

时延估计(TDE)是水声领域的重要研究课题,基于时延估计的水声目标被动测向、被动定位技术是水声目标无源定位的重要分支。目前,较为常用的时延估计方法有基本互相关法(NCC)、广义互相关法(GCC)、自适应时延估计(LMS)等。不同于以上方法的思路,该文利用两路信号的互谱相位(CSP)设计了一种时延估计的新方法,该方法将互谱相位进行傅里叶变换,利用其变换域估算相位斜率以求取时延,能够实现多目标分辨、消除时延估计模糊与背景起伏。仿真实验证明,该方法效果要优于基本互相关,广义互相关等方法。