基于样本扩充网络的水声目标分类模型优化算法

水声目标识别是近年来各国的研发热点,但是由于水声目标难以采集而导致样本数据不足,严重影响了神经网络的识别效率以及自动化识别装备的水平和性能的发挥。为此,提出了一种基于样本扩充网络的水声目标分类模型优化方法,通过搭建掩模重建的样本扩充网络,充分利用无标注数据进行训练,使模型学习到样本的全局高维特征,再生成样本加入到后续的识别模型训练中,在两次试验过程中,平均识别准确率从76%提升至到80%,最佳识别准确率从88%提升至96%。基于实测数据的实验表明,该方法提升了分类器的准确率、收敛速度以及稳定性。     

基于Chan算法的水下测控设备组网数据融合技术研究

依据水下测控设备组网系统的工作特点,为了有效挖掘现有测控设备的使用效能,构建高精度的综合性水下测控网络,该文提出基于Chan算法的水下测控设备组网集中式数据融合定位算法。该算法首先利用基于波达时间的加权最小二乘算法粗测目标位置,然后依据该目标位置和测量时延信息的关系,构造新的误差矢量,利用该误差矢量再次加权最小二乘估计解算目标位置。研究结果表明,该算法可实现多套水下测控设备的数据融合,可有效提高全域范围的定位精度,且精度高于纯基于波达时间的融合定位算法。