声纳信号抗混响能力和声兼容性分析

作为主动声纳系统设计的三大要素之一,主动声纳波形设计在主动声纳系统设计中占有重要的地位。主动声纳信号波形不仅决定了接收信号的处理方式,还直接影响到系统的分辨率、测量精度、抗干扰能力以及目标跟踪性能等各个方面。利用信号的Q函数和互模糊度函数,研究信号的抗互相能力和声兼容性能。并通过实际的海试数据分析,验证了这种分析方法的可行性、有效性和正确性。     

基于遗传算法的神经网络被动声呐目标分类研究

被动声呐目标识别系统中目标分类器的设计和训练是一项重要内容，本文设计了目标分类器的神经网络结构，提出了一种用改进的遗传算法训练神经网络分类器的新方法，最后，对海上实录的Ａ，Ｂ，Ｃ三类目标噪声进行了分类识别，实验结果表明基于遗传算法的神经网络分类器比传统的基于ＢＰ算法的神经网络分类源泛化性能有明显提高。     

基于方位-距离量测的舰艇搜潜定位算法研究

结合舰艇拖曳线列阵声纳实际搜潜装备,利用舰载声纳测得的潜艇目标方位和距离信息,建立了基于目标方位-距离量测的舰艇对潜艇目标定位的数学模型,并对定位误差进行了分析,在该模型基础上,仿真研究了潜艇与舰艇之间的初始距离、舰艇测得潜艇目标初始方位角、潜艇航向等因素对定位性能的影响,给出了仿真结果并进行了分析,仿真结果表明：不同的目标运动态势,对声纳探测定位性能影响很大,因此,根据目标运动态势合理选择声纳的位置和探测方位在一定程度上可提高声纳的探测定位性能.     

目标噪声响度特征提取技术研究

考虑声纳员听音判型过程中,目标噪声的响度变化是其判型的重要依据,计算目标噪声信号的响度,提取其响度特征,基于响度特征对三类目标进行分类识别。设计神经网络分类器,实测数据验证了基于响度的目标特征提取方法是有效的,并分析了响度特征和能量特征的区别,说明了三类目标噪声响度特征较能量特征分布的集中度好,有利于提高分类识别的正确概率。     

面向不平衡数据的云模型旋转机械故障识别方法EI北大核心CSCD

因正常数据丰富、故障数据匮乏而引起的数据不平衡,已经成为工业大数据智能决策技术面临的关键问题之一。因此,针对机械设备故障诊断研究中经常遇到的不平衡数据集中少数样本类别识别精度偏低的问题,提出一种基于云模型的集成学习方法并将其用于旋转机械不平衡数据的模式识别。该方法首先将提取出的轴承故障特征数据集通过ReliefF算法计算各特征的权重,依据特征权重值降序排列的结果提取出权重趋大的特征构成低维特征集,并将低维特征集划分为不平衡训练集、测试集两部分;其次通过云模型理论中的正向云发生器、逆向云发生器对低维特征集中各个特征分别绘制云图,得到单一特征下各状态的训练数据与测试数据云图;然后通过距离公式判别与待测样本距离最近的训练数据云图,判断出单一特征下待测样本的类别;最后通过集成学习方法将各个特征下的识别结果进行整合,以相对多数投票法识别出待测样本的所属类别结果。与传统的BP神经网络、支持向量机两种分类器进行对比的试验表明,该方法不仅对不平衡数据的待测样本识别精度较高,而且具有一定的泛化性能。     

用于水声目标识别的自适应遗传样本选择算法

针对训练样本集中含有噪声样本、冗余样本以及无关样本,导致分类系统分类性能下降、不稳定的水声目标识别问题,提出了一种新的自适应遗传样本选择算法(Adaptive Genetic Instance Selection Algorithm, AGISA)。算法先随机生成初始种群,接着利用设计的遗传算子(跨代选择、自适应交叉和简化最近邻变异)指导种群进化,每代中对分类贡献大且选择样本数目少的个体适应度值高。提取了实测3类水声目标的多域特征,进行样本选择和分类识别仿真实验,结果表明：AGISA可以选出有效样本子集,在样本维数下降约73%的情况下,支持向量机分类器的正确分类率能提高约2.5%;并且AGISA具有较好的收敛性、稳定性,所得优化样本子集具有较好泛化能力且能明显减少分类的时间。     

深度嵌入度量学习的机械跨工况故障识别方法

传统数据驱动的机械装备故障诊断方法依赖目标工况下的完备数据,而装备实际运行工况复杂多变,难以预测,且数据获取困难。针对上述问题,提出了一种深度嵌入度量网络（Deep Embedding Metric Network, DEMN）的机械跨工况故障识别方法,该方法利用装备在已知工况下的数据学习鲁棒特征表示,建立适用于未知工况场景下的泛化智能故障识别模型。基于多尺度卷积神经网络（Multiscale Convolutional Neural Network, MCNN）获取故障信号的深度嵌入特征;用度量学习方法引导判别性特征学习,构建特征嵌入空间下的三元组损失（Triplet Loss, TL）;利用粒子群算法（Particle Swarm Optimization, PSO）对间隔参数进行寻优。所提方法有效缩小装备健康状态类内距离、扩大类间距离,降低工况变化对健康状态映射关系的影响。实验结果表明,该方法在齿轮箱跨工况故障诊断实验中表现出良好的识别精度与泛化性能。     

交互偏移支持矩阵机及其在滚动轴承故障诊断中的应用

针对滚动轴承微弱故障信息特征提取与分类的问题,提出一种交互偏移支持矩阵机（Interactive Deviation Support Matrix Machine,IDSMM）。在 IDSMM 建模过程中,将每个目标函数加入偏移参数,从几何上看,这使得每一类样本对应的超平面相对原位置进行偏移,构造出一对具有偏移量的交互超平面,且每一个超平面距离异类样本更远,提高了模型的泛化能力。此外,IDSMM 引入多秩左右投影矩阵构造目标函数,充分挖掘了矩阵中行列间的结构信息,并使模型具有更好的数据拟合能力。采用两个滚动轴承数据集进行实验验证,实验结果表明 IDSMM在滚动轴承故障诊断中具有优异的分类性能。     

基于PEDCC性能退化指标及MCRNN的滚动轴承寿命状态识别方法

针对滚动轴承退化性能难以评估、寿命状态难以识别的问题,提出一种基于相空间欧式距离相关性(phase Euclidean distance cross-correlation, PEDCC)指标和多通道卷积长短时记忆网络(multichannel convolutional neural long short term memory network, MCRNN)的状态识别方法。首先将正常轴承样本信号进行相空间重构,计算样本内重构后相邻数据之间的欧式距离,并将样本内的所有欧氏距离构成距离向量;然后利用互相关函数计算其余样本距离向量与正常样本距离向量之间的相关性,并将其作为轴承退化指标;最后利用所建立的PEDCC退化指标对轴承状态进行划分,将其输入到MCRNN网络中进行退化状态识别。其中MCRNN网络在不同通道中分别采取了不同卷积核,不同激活函数,以便于提取轴承振动信号的多尺度特征。通过轴承全寿命数据集对所提退化指标及网络模型的实用性进行验证,试验证明所提出的方法能更精确的实现轴承的退化状态识别。     

基于最小均方无失真响应和支持向量机的被动声纳目标识别

为了有效地进行被动声纳识别,研究了一种运用最小均方无失真响应（Minimum Variance Distortionless Response,MVDR）谱系数作为特征参数,用多分类支持向量机作为分类器,进行被动声纳目标识别的方法。实验表明,在不同数目的训练样本情况下,基于最小均方无失真响应谱系数和多分类支持向量机的被动声纳目标识别方法使系统的性能显著提高,具有很好的识别效果和应用价值.其优于传统的神经网络作为分类器的识别方法,尤其是在训练样本较少情况下,识别率具有很大的提高。     

基于BPSO-KNN算法的被动声呐目标分类识别技术研究

以提取得到的被动声呐目标功率谱特征为基础,采用二进制粒子群(Binary Particle Swarm Optimization, BPSO)优化算法和k最近邻(k-Nearest Neighbor, KNN)分类算法相结合的BPSO-KNN算法进行特征选择和参数优化,分别用KNN分类算法和BPSO-KNN分类算法对实际得到的四类海上被动声呐目标进行分类识别。结果表明,BPSO-KNN算法可对提取的功率谱特征进行特征优化选择,并对KNN分类器进行参数优化,提高了对四类目标的分类精度。该算法在被动声呐目标分类识别方面有参考价值。     

水下被动定位声纳显示及航迹跟踪方法

根据水下目标定位跟踪的系统功能,设计了用于水下目标被动定位跟踪的综合显示系统,能够实现信号的特征显示、轨迹跟踪处理和目标轨迹识别。采用B式瀑布图显示技术、目标航迹跟踪技术以及基于Hough变换的航迹信息提取技术,仿真分析和实验数据表明,该显示系统的设计可以提高被动定位跟踪综合显示性能。     

被动声纳目标识别技术的现状与发展

在现代被动声纳系统中，水下目标的自动识别是关键技术之一。文章对被动声纳目标识别的特征提取、特征选择和分类器设计方面进行了回顾。对LOFAR，DEMON和小波变换等特征提取技术进行了讨论，分析了特征优化的重要性和专家系统和神经网络等分类器的优缺点，并简要分析了该领域的过去、现在和未来。     

水下近场目标声探测系统设计研究

为对水下近场目标进行定位和识别,设计了一种小型水下近场目标声探测系统。该系统采用水听器十字阵对目标进行被动方位估计和主动声纳测距相结合的工作方式。为验证声纳探测系统设计的可行性,设计了一个水下目标方位估计的水池实验,该实验系统利用LabVIEW便捷的数据采集和存储功能及MATLAB对算法的强大仿真能力,方便地实现了对水声信号的采集和分析。这种探测系统的设计可为水听器布阵和相关算法的选择提供参考。     

基于提升小波变换的MFCC在目标识别中的应用

水下环境噪声对被动声呐目标的分类识别影响显著,为了提高水声信号识别系统对环境噪声的鲁棒性,采用提升小波变换方法提取MFCC特征,对水下被动声呐目标进行分类和识别。仿真实验表明,与传统MFCC和小波变换的MFCC相比,在信噪比相近的情况下,提升小波变换方法提取MFCC具有识别率较高、对噪声鲁棒性较好的显著优点。     

国外鱼雷防御问题评述(二)水面舰艇鱼雷防御系统中鱼雷报警纵览

鱼雷防御是从对来袭鱼雷的识别报警开始的,所有鱼雷防御系统的基础是其对鱼雷的检测、分类和定位能力。为了有效地对抗鱼雷攻击,各国海军正在努力提升其声纳的鱼雷目标检测、定位和识别性能。文章对国外鱼雷报警系统的现状和发展趋势进行了分析和评述。鱼雷报警功能可以利用专门的鱼雷报警声纳来实现,也可以集成在一个被动拖线阵里。但通常由一个主被动联合拖曳阵声纳和舰壳声纳构成一个完整的系统,共同完成鱼雷辐射噪声的被动检测、分类和主动回波信号的分析,每个声纳都为鱼雷这个高速小目标的检测定位进行了优化。这样的系统由于可以采用基元数众多长线阵、更好地利用声场条件等,可以实现对鱼雷目标的远距离识别、定位和全方位覆盖。系统部分组成通常也是反潜战能力的组成部分,而将鱼雷检测和水声对抗结合正成为一种新的发展趋势,一些拖曳阵可以作为软杀伤对抗措施欺骗其检测到的鱼雷目标。     

一种多目标自动跟踪的逻辑关联方法

目标跟踪是被动声纳系统的主要功能之一,跟踪器为目标运动分析和目标识别等后置处理提供输入数据。声纳操作员利用人脑独特的认知模式、先验知识和视觉的迹迹相关效应,能够很好地在声纳显示方位历程图上发现目标并录取跟踪。但实际应用中由于低信噪比、航迹交叉和转向等复杂多目标情形,声纳系统实现多目标自动跟踪十分困难。给出一种多目标自动跟踪的逻辑关联方法,利用被动声纳宽带波束输出数据,通过点迹与航迹关联、航迹评价管理和交叉处理等过程,可以较好实现多目标自动跟踪。试验数据的处理结果验证了所提方法的有效性,能够在声纳装备中得到工程应用。     

Supervised target detection and classification by training on augmented reality data

A proof of concept for a model-less target detection and classification system for side-scan imagery is presented. The system is based on a supervised approach that uses augmented reality (AR) images for training computer added detection and classification (CAD/CAC) algorithms, which are then deployed on real data. The algorithms are able to generalise and detect real targets when trained on AR ones, with performances comparable with the state-of-the-art in CAD/CAC. To illustrate the approach, the focus is on one specific algorithm, which uses Bayesian decision and the novel, purpose-designed central filter feature extractors. Depending on how the training database is partitioned, the algorithm can be used either for detection or classification. Performance figures for these two modes of operation are presented, both for synthetic and real targets. Typical results show a detection rate of more that 95% and a false alarm rate of less than 5%. The proposed supervised approach can be directly applied to train and evaluate other learning algorithms and data representations. In fact, a most important aspect is that it enables the use of a wealth of legacy pattern recognition algorithms for the sonar CAD/CAC applications of target detection and target classification     

结合多尺度卷积网络和双端注意力机制的水声目标识别

水声目标识别是被动声呐系统的主要应用之一。为了进一步提升小样本条件下水下目标的识别率,文章提出一种基于多尺度卷积和双端注意力机制相融合的方法。首先,提取梅尔倒谱系数,色度谱和计算谱对比度等特征,建立基于多类别特征子集的三维聚合特征。其次,采用多尺度卷积滤波器算子构造多分辨率卷积神经网络,以更好地适应三维聚合特征的时频结构。另外,采用双端注意力模型捕获样本的全局依赖和局部特性。采用基于指数加权的对数交叉熵函数作为损失函数,提升样本数较少类别的识别率。实验结果表明,该方法在ShipsEar数据上的平均识别率为95.5%,取得了较好的分类效果。     

倒谱和复倒谱在被动声纳目标识别中的应用

基于声纳员的感受被动声纳可以认为是一个发声体,这个发声体可以表示为激励噪声源与发声体冲激响应的卷积。在这种情况下,使用倒谱和复倒谱的形式分析被动声纳目标噪声的时域特征,得到的目标特征不够明显,因此提出了利用指数倒谱和指数复倒谱的频谱特性来提取目标噪声的特征,进行分类识别。设计了BP神经网络分类器,利用实测数据对三类目标进行分类。分析比较了两种方法的分类结果,验证了基于倒谱和复倒谱的指数运算的被动声纳目标特征提取方法的可行性。