几种优化算法在浅海匹配场反演中的性能比较

在分析模拟退火算法、遗传算法、差异进化算法、下山单纯形差异进化算法的优化机理的基础上,定量比较了上述算法在浅海匹配场反演中的效率差异。模拟退火算法与遗传算法只使用目标函数值信息在参数空间搜索全局最优值,效率低且易受参数间耦合的影响。差异进化算法使用种群中个体间的距离与方位信息在参数空间中搜索全局最优值,优化效率随着优化过程的进行而下降。下山单纯形差异进化算法将下山单纯形算法融入差异进化算法,增强了差异进化算法的寻优能力,混合算法对目标函数梯度信息敏感的特性使得这一算法具有较强的解耦能力。浅海匹配场反演仿真算例从最优参数反演结果、最终目标函数值、反演时间等方面检验了上述算法的反演效率。     

基于偏微分方程的医学超声图像去噪方法

研究了各向异性扩散方程在医学超声图像去噪中的应用。在理论上对去噪原理进行了分析,并在此基础上采用改进的针对乘性噪声的各向异性扩散算法对医学超声图像去噪,实验结果表明,该方法在有效去除噪声的同时较好地保留了医学超声图像中的重要细节信息,使图像的细节部分清晰。该方法可以有效地去除超声图像斑纹噪声,提高图像的质量。     

单通道带通信号的复基带盲解卷积算法

该文提出了一种基于多途信道单通道接收的带通数据(波束或传感器输出)自相关函数的盲解卷积算法。该算法先通过复解调将带通信号频谱搬移到0频率附近,然后进行低通滤波和降采样率,得到其复基带信号。再针对单通道复基带信号,以其自相关函数在零延时之外某区间内的实部平方和最小为准则,推导出复基带多途信号盲解卷积的LMS自适应迭代算法。该方法能够适用于带通高斯信号和非高斯信号,与基于高阶统计量的方法相比,对源信号概率分布具有较宽的适用面,计算机仿真结果验证了该方法的正确性。     

基于TMC2310的水声信号处理模块设计

文章介绍将FFT专用芯片TMC2 310应用于水声信号处理模块的设计 ,用于对水下目标进行实时高速检测与参数估计。文中介绍了TMC2 310芯片的主要特点、功能及其结构 ,并给出了系统电路原理框图和软件设计流程。该模块构成的水声信号处理系统 ,经试验验证 ,性能好、工作稳定 ,适合于以FFT为中心的多路并行高速信号处理     

一种提高推广性能的复合神经网络模型

本文利用前向人工神经网络推广性能与初始权值的关系,提出了一种新颖的复合神经网络模型-选举模型复合网络,用于提高前向网络的推广性能.本文还给出了预测该复合推广性能的理论计算公式,并进行了严格的数学证明.理论分析和仿真实验表明,选举模型复合网络是提高前向网络用于目标分类的推广性能之有效手段.     

TMC2310 DSP芯片在水下目标检测与参数估计中的应用

介绍了TMC2310芯片的主要特点、功能及其结构，给出了采用该芯片的水声信号处理系统电路原理框图和软件设计流程。该水声信号处理系统可对水下目标进行实时高速检测和参量估计，已在最近几年进行了多次水池试验。经湖上和海上试验验证，证明其性能良好、工作稳定。现已投入小批量生产。     

匹配场噪声抑制的稳健方法

由于拖船噪声是一种具有多途角扩展的宽带相干强干扰,拖船噪声抑制是拖线阵声呐系统中的关键技术之一。根据最优传感器阵列处理和匹配场处理的概念,提出两种稳健的匹配场噪声抑制方法：多约束匹配场噪声抑制和匹配场波束形成后噪声抑制。理论与仿真分析均表明,稳健的匹配场噪声抑制方法比常规波束形成器、最小方差无失真响应波束形成器、以及以往的匹配场噪声抑制方法具有更优越的性能。     

多亮点各向异性目标回声特征的神经网络提取

如何从回声信号中抽取特征,是目标识别或无损检测的前提。实际物体,从其反射声学特性考察,大多呈多亮点结构并表现出各向异性,其回声特性主要随目标姿态角或声渡入射角的变化而呈混沌态变化。常规方法提取的回声特征,往往随入射角的变化出现严重的类内弥散与类间交迭,从而导致决策界面过分复杂、甚至完全失效。因此,在目标姿态以未知方式自然变化的情况下,如何提取适当的回波特征一直是国内外学者广泛关注的瓶颈问题。本文提供一种趋向不变识别的回声特征的神经网络自动提取方法和新的可分性测度Js与Jr。研究表明,它能直接利用回波信号自动生成具有最大可分性的紧致特征集。给出了典型的实验结果,并着重剖析了神经网络特征提取的信息蕴含及其物理意义。实验结果与理论分析的结论相一致。可望在自动目标识别、水下机器人视觉、图像处理、机械故障诊断、数据压缩、以及生物医学工程等领域获得应用。     

自适应相干累积算法权系数向量的概率密度函数

自适应相干累积算法(ACI)是LMS算法的一种最新的改进算法,它在加速多层神经网络的收敛速度、提高ALE对弱输入信噪比条件下信号的检测和跟踪能力方面具有很好的应用前景.本文研究了高斯数据条件下ACI算法权系数向量的联合概率密度函数。文中采用求条件数学期望的方法,以n和n-1时刻的权系数向量为条件,导出了n+1时刻权系数向量的联合特征函数的精确表达式。然后将条件特征函数展开为泰勒级数,用未知的权系数概率密度函数求平均,得到了无条件的权系数特征函数所满足的一阶偏微分差分方程.在小步长条件下,求出了方程的稳态近似解.结果表明,ACI权系数向量服从联合高斯分布,其一阶和二阶矩与已有的研究结果相一致,计算机仿真结果证实了理论分析的正确性.