水下弱目标跟踪的深度学习方法研究

针对水下弱目标跟踪受干扰和噪声影响容易出现量测丢失或偏差,导致传统Kalman滤波方法跟踪误差显著增加甚至出现发散的问题,为此提出一种基于神经网络的目标跟踪方法,利用深度神经网络解决不同运动模式下目标方位跟踪的问题。水下目标跟踪的神经网路模型可通过运动模型生成大量量测数据进行充分训练,有效解决水声目标数据少、标记样本不足的问题;在量测不连续条件下,提出一种新的损失函数用于增强目标跟踪模型的稳健性;对未学习的仿真数据及实测海试数据进行测试。研究结果表明：构建的卷积神经网络(Convolutional Neural Network, CNN)模型适用于3种不同运动模式下的目标,能在平台静止和运动两种情况下稳定跟踪目标;CNN模型较传统Kalman滤波方法跟踪误差分别降低了7.75°和1.41°,验证了该模型的稳健性和可推广性。     

一种高精度水下成像声呐性能实验研究

多波束测深声呐作为一种用于水下成像的声呐,已经成为国内外海洋科学研究、海底资源开发、海洋工程建设等海洋活动中最主要的海洋调查勘测仪器之一,所介绍的多波束合成孔径声呐是结合了合成孔径声呐技术和多波束测深技术的一种新型成像声呐,可以更好地满足水下地形地貌的探测需求。基于多波束合成孔径声呐理论,构建该声呐模型系统进行相关实验验证。实验中将直径13 cm的空心双球分置于基阵单侧入水,发射信号是中心频率为180 k Hz,脉宽为1 ms,带宽为8 k Hz的线性调频信号,在航迹向的不同采样位置以无指向性的声源对其进行照射,经过合成孔经处理得到高精度的多波束合成孔径声呐图像,通过与多波束测深声呐及侧扫合成孔径声呐的成像结果进行对比,验证了多波束SAS成像理论的有效性和正确性,并在此基础上分析多波束合成孔径声呐的优缺点,为进一步研究提供参考依据。