一种基于DTW算法的谱图匹配声纳目标识别方法

为解决由于舰船目标螺旋桨轴频不同造成DEMON谱线谱频率不同而难以直接比对的问题,利用DTW算法将DEMON谱数据根据线谱频率进行对齐,解决了难以比对的问题,并对实测舰船辐射噪声进行了分析。结果表明,利用DTW算法的识别率在原先匹配识别的基础上提高了3%~5%,说明基于DTW算法对谱图匹配声纳目标进行识别是有效的。     

一种针对不平衡数据分类的集成学习算法

针对水声目标识别中常被忽略的数据不平衡问题,提出一种随机子空间AdaBoost算法(RSBoost)。通过随机子空间法在不同水声特征空间上提取子训练样本集,在各个子训练样本集上训练基分类器,将其中少类间隔均值最大的基分类器作为本轮选定的分类器,迭代形成最终集成分类器。在实测数据上进行试验,利用F-measure和G-mean两个准则对RSBoost算法和AdaBoost算法在不同特征集上的性能进行评价。试验结果表明:相对于AdaBoost算法, RSBoost算法在F-measure准则下的平均值由0.07提升到0.22,在G-mean准则下的平均值由0.18提升到0.25,说明在处理水声数据不平衡分类问题上, RSBoost算法优于AdaBoost算法。     

基于间隔理论的过采样集成算法

针对传统集成算法不适用于不平衡数据分类的问题，提出基于间隔理论的AdaBoost算法（MOSBoost）。首先通过预训练得到原始样本的间隔；然后依据间隔排序对少类样本进行启发式复制，从而形成新的平衡样本集；最后将平衡样本集输入AdaBoost算法进行训练以得到最终集成分类器。在UCI数据集上进行测试实验，利用F-measure和G-mean两个准则对MOSBoost、AdaBoost、随机过采样AdaBoost（ROSBoost）和随机降采样AdaBoost（RDSBoost）四种算法进行评价。实验结果表明，MOSBoost算法分类性能优于其他三种算法，其中，相对于AdaBoost算法，MOSBoost算法在F-measure和G-mean准则下分别提升了8.4%和6.2%。     

空气背衬压电圆管和压电球壳耐压性能研究

为了解决大深度水听器的耐压问题,对空气背衬压电圆管和压电球壳换能器的强度与稳定性失效进行了理论计算,并使用有限元仿真软件对其进行结构静力仿真和特征值屈曲仿真。计算和仿真结果表明,空气背衬压电圆管和压电球壳自身具有相当的耐压性能,可以用于制作耐压3 km以上的大深度水听器。随后制作了1个直径?30 mm、厚3 mm的压电球壳水听器,并通过了30 MPa耐压测试。最后采用有限元仿真法研究了高静水压对压电圆管和压电球壳换能器灵敏度的影响。仿真结果显示,高静水压会导致压电圆管和压电球壳换能器灵敏度损失,且静水压越高,灵敏度损失越快。     

分布式天线系统中信道时延扩展的统计分析

从理论上分析了复合衰落下两支路分布式天线系统信道时延扩展的统计特性,同时作为特例,分析了仅考虑单一尺度衰落时的相关特性。最后在城市环境典型参数下,基于蒙特卡洛仿真对所导出的解析结果进行了验证,仿真结果验证了解析结果的正确性。由于均方根时延扩展的统计特性所依赖的参数多,在实际应用,必须按照实际场景固定某些参数来考察某一参数的影响。     

一种新的MPSK信号特征提取方法

针对MPSK信号的识别问题,提出了一种依据基带信号相位空间聚类提取码元序列的方法。基带信号相位空间聚类是宏观特征,对参数估计精度要求不高,受噪声影响较小,与传统依据参数估计提取码元序列的方法相比,不需要进行码元速率估计和码元对准,是一种简单有效的码元序列提取方法。仿真实验证明了该方法的有效性。     

复杂电磁环境下雷达抗干扰技术研究

分析了复杂电磁环境对雷达探测的影响.首先,从战术应用角度将现有的干扰方法分为常规和非常规两大类,并分别进行了较为全面的总结,其中常规干扰方法指无需特殊情报、具普适性的方法,非常规干扰方法包括大部分有一定针对性的欺骗干扰方法.然后,以干扰方法为基础,对相应的抗干扰技术进行了汇总和分析.最后,在此基础上展望了雷达抗干扰技术研究的发展趋势.     

基于卷积神经网络的层级化智能故障诊断算法

传统智能故障诊断算法需要依赖人工特征提取和专家知识,而旋转机械设备复杂的工作环境和工况使得传统算法在实际应用中缺乏良好的自适应性和泛化性.针对以上问题,提出基于卷积神经网络(Convolutional neural network,CNN)的层级化故障诊断算法(CNN based hierarchical fault diagnosis,CNN-HFD).首先,将原始振动信号进行分段预处理,以实现数据扩容;然后,分别根据故障类型和故障程度设计多个卷积神经网络,并将原始振动数据以某一时间步进行分割,作为卷积神经网络的输入进行训练;最后,将待识别信号送入CNN-HFD模型,经过分层故障诊断,在末端卷积神经网络输出相应故障类别和程度.通过滚动轴承振动数据库的实验表明,所提出的算法不仅具有高达99.5%以上的故障识别率,而且在负载发生变化时依然可以保持高达97%以上的故障识别率,具有较好的鲁棒性和泛化性能.     

基于Mel倒谱和BP神经网络的船舶目标分类研究

Mel倒谱系数分析依据人耳听觉特性,可以提取有利于船舶目标分类的特征.前向神经网络的反向传播算法对类别数目小但分类困难的模式识别问题有良好的分类效果.针对Mel倒谱系数分析提取的船舶目标分类识别特征,采用前向神经网络的反向传播算法,可以有效对船舶目标进行分类.