舰船尾流激光探测跟踪方法与试验

舰船尾流激光探测跟踪是水下航行器对舰船进行探测、识别、跟踪的新手段。论文基于舰船尾流分布特性、气泡目标特性,采用蒙特卡洛仿真方法,实现了多尺度、宽数密度、大厚度舰船尾流气泡群的后向散射回波信号特性仿真,得到了水下航行器载激光探测系统在搜索、跟踪阶段信号的变化趋势,以及不同目标舰船的激光后向回波信号变化强度,可有效模拟激光探测系统对舰船尾流目标特性的真实跟踪状态。对于大型船只,当激光探测系统位于尾流之下时,航行器距舰船目标越近,尾流气泡激光回波越强,脉冲宽度展宽幅度越大;当激光探测系统位于尾流之中时,航行器距舰船目标越近,尾流气泡激光回波越弱,脉冲宽度变窄幅度越大。探测系统位于尾流之下时与探测系统位于尾流之中时,信号变化相反。小型船只信号变化趋势基本与大型船只保持一致,但尾流激光探测回波强度变低。开展了湖泊环境下船舶尾流激光探测跟踪试验,当探测系统在尾流之下时,大型船只尾流激光回波信号信噪比高,小型船只尾流激光难以检测。探测系统位于尾流之中时,大小船只尾流激光探测系统都可实现有效探测。论文可为舰船尾流探测实际工程应用提供支撑。     

基于电子鼻技术的混合气体识别研究

为了评估恶臭对人类和环境的影响,需要有效鉴别出恶臭成分,设计并研发了以传感器阵列为核心的在线检测恶臭成分的电子鼻系统。针对传感器响应曲线几何特征提取方式的不足,提出分段拟合曲线的方式进行特征值提取。采用主成分分析(PCA)和线性判别分析(LDA)两种降维方式对原始数据降维,并结合支持向量机(SVM)和BP神经网络进行分类识别。结果表明,SVM和BP神经网络结合LDA都能100%识别出三种恶臭物质,SVM结合PCA识别率为92%,BP神经网络结合PCA识别率为94%。     

基于小波PCA与BP神经网络的人脸识别算法

特征提取和分类器设计是人脸识别算法中的两个关键问题。提出一种基于二次小波变换、PCA算法与BP神经网络的人脸识别算法。该算法采用二次小波变换与PCA相结合的算法提取人脸图像的主要特征,并运用加入动量项的改进BP神经网络算法进行人脸图像分类识别。在MATLAB环境下,利用ORL人脸图像数据库进行了仿真实验,实验结果表明,该算法实现简单、识别速度快、识别率较高。     

一种基于人工神经网络的人脸识别方法

提出了一种基于BP人工神经网络的人脸识别新算法。采用积分投影与几何特征提取相结合的方法进行人脸图像特征提取,构建特征向量,利用BP神经网络分类识别。仿真结果表明,该算法应用于ORL人脸库的分类识别,仅用13个特征即可达到平均识别率99%,识别能力显著增强,同时有效地降低了所需特征维数和计算复杂度。     

深度迁移学习预训练对红外尾流成像识别的影响

随着水下航行器噪声水平的不断降低,水下航行器形成的尾流红外成像特征就成为其主要可探测的特征源之一,利用水下航行器尾流的水面红外特征来探测水下航行器的踪迹逐渐发展成为一种新的探测方式。由于人工判别尾流特征的效率低,准确性不高,采用人工智能深度学习的方式能够得到较大的改善。本文以水下航行器尾流红外特征识别为研究核心,通过图像分类制作了混合类的样本集,利用迁移学习比较不同预训练网的对尾流的训练效果,讨论预训练网内部参数对尾流训练效果的影响,结合Faster-RCNN算法,最终测试对尾流的识别精度,在45个2类尾流的小样本集下,预训练之后的网络在识别准确度上增加了21.43%,误检率下降了2.14%,带有红外特征的图像在定位精准率上比可见光图像高18.18%。该预训练测试对未来研究尾流探测结合卷积神经网络的识别有一定的应用潜力。     

水体光学参数对水中气泡场激光雷达探测影响的研究

利用多层Monte Carlo模型模拟计算了不同水体光学参数条件下,激光雷达对水下气泡层探测得到的回波信号.通过对模拟得到回波信号的分析,讨论了不同光学参数对激光雷达水下气泡层探测的影响,结果表明:水体散射系数、吸收系数的增加都会引起回波信号信噪比的降低:水体散射系数和水体单次散射系数的增加会在一定程度上降低激光雷达探测系统必需的探测光功率;     

深海目标探测中载波调制激光雷达技术的仿真分析

在深海目标探测中,蓝绿激光雷达发出的激光受到水体的后向散射,回波信号对比度下降严重,无法满足水下目标探测应用的要求.载波调制激光雷达水下目标探测技术能够有效抑制海水后向散射,提高目标对比度.利用计算机仿真载波调制激光雷达水下目标探测系统,通过仿真系统模拟回波信号,然后对比回波信号中激光信号和微波信号的目标对比度,并分析...     

多尺度复杂水质尾流气泡的激光探测仿真与实验

舰船尾流气泡具有尺度范围大、稀疏、离散等特征。利用蓝绿激光的海水穿透性能以及气泡对激光的后向散射特性，可以实现舰船尾流气泡的远场检测。舰船尾流的稀疏、离散特征导致气泡的激光散射回波信噪比极低，对光学接收处理系统及尾流信号处理方法带来了困难与挑战。建立了舰船尾流气泡的激光后向散射模型，通过蒙特卡罗仿真验证了不同水质、不同气泡距离和不同尺度气泡的激光后向散射特性，设计了可抑制近场水体强散射干扰的水下气泡激光测试分析系统，实现了激光能量与雪崩光电二极管接收增益间的匹配调节。针对室内和湖泊环境，开展了不同水质和光电探测参数下的尾流气泡检测性能测试，通过对数据进行统计处理分析得到了舰船尾流气泡的激光探测特征规律。设计的水下气泡激光测试分析系统可以实现对舰船尾流气泡的有效探测，为舰船尾流探测系统在不同水质环境下的工程应用提供了理论及数据支撑。     

复杂混合尾流气泡场的激光探测特性研究

在实际舰船尾流激光探测过程中,激光探测系统与目标气泡层之间会存在杂质(气泡群、悬浮粒子),导致气泡回波信号信噪比降低。为了提高实际舰船尾流探测的信噪比,采用蒙特卡洛方法,仿真模拟了不同气泡层特性遮挡的情况,通过改变遮挡气泡层的厚度、数密度来探究其对目标气泡回波特性的影响,仿真得到：当遮挡气泡层存在时,回波信号会明显降低,且降低趋势随着遮挡气泡层厚度和数密度的增加而更为剧烈。搭建了实验室条件下的模拟舰船尾流激光探测系统,对不同气泡层特性遮挡的情况进行了验证,得到了遮挡效应会随着气泡层的厚度、数密度增大而不断变强的变化规律。对测试数据进行归一化处理,实现了仿真与实验的相互验证,可为舰船尾流激光探测工程化提供支撑。     

基于PCA和BP神经网络的步态识别系统研究

步态识别是生物特征识别技术中的一个新兴领域,它根据人们走路的个体特点进行身份识别,具有非侵犯性、难以隐藏、对系统分辨率要求低、远距离识别等优点,已成为基于视觉的人体运动分析的研究热点。该文提出了基于主成分分析(PCA)的特征提取方法,有效地对高维步态轮廓特征进行降维,再利用BP神经网络进行特征分类识别。实验结果表明,算法达到了较高的识别率。     

多普勒激光雷达的飞机尾涡识别方法

为了提高民航安全和飞行效率，实现对尾涡的准确识别，对飞机尾涡的空气动力学理论，特别是经典的Hallock-Burnham尾涡速度数学模型进行了分析研究。结合多普勒激光雷达探测涡流风场径向速度的原理，建立了雷达飞机尾涡探测的径向速度标准模型，引入滑动窗口思想，提出一种基于波形相似度匹配的方法，对尾涡进行自动识别，并给出了详细的算法流程；利用实测的激光雷达风场及雷达底层数据和假设检验方法对该识别方法进行了理论分析和实验验证。结果表明，该算法对飞机尾涡的有效识别率为90%。研究结果对进一步的尾涡监测具有一定参考价值。     

浑浊水体激光后向散射特性仿真与实验研究

由于水体的吸收和散射作用,光束能量在传播的过程中会产生衰减,激光脉冲会被展宽,制约着水下激光雷达的探测范围和探测精度。文中以浑浊水体环境下水下弱小目标探测为应用背景,建立了水下光子传播的蒙特卡洛仿真模型,模拟了不同衰减系数和散射率的水体后向散射回波信号,并对相应的水体后向散射回波信号变化趋势进行了分析。仿真结果表明：随水体衰减系数的增加,近场水体激光回波信号接收光子数逐渐增多;随水体散射率的增加,回波信号光子消亡速度逐渐降低。开展了不同浊度下的激光雷达回波信号的测试实验,实验结果表明：随水体衰减系数的增加,水体激光后向散射回波幅度逐渐增高,脉冲宽度逐渐展宽。在进行浑浊水体水下弱小目标探测时,随水体衰减系数的增加,应通过逐渐减小激光器能量或接收系统增益来增强水体回波与目标回波之间的差异,以此提高浑浊水体水下弱小目标探测的信噪比。实验验证了理论与仿真结果,为浑浊水体环境下水下弱小目标激光探测系统在不同水质下的激光能量选取、接收系统增益设计等提供理论支撑。     

雷达信号识别的GANN方法

利用神经网络方法进行雷达信号识别存在两个问题,一是难以选择最优的网络结构;二是用传统的BP学习算法,常常收敛到局部解。本文提出一种GANN方法,即首先利用遗传算法优化两层前馈神经网络结构以确定中间隐层的节点数,然后用遗传算法进行学习。通过与BP算法相比较,遗传算法不仅速度快,而且能找到最优解。实验表明,将GANN应用于雷达信号识别,识别率更高。     

基于2DDPCA人脸识别算法

主成分分析法(PCA)是人脸识别传统方法之一,是模式识别中一种普遍的线性组合算法.传统PCA算法因光照等外界因素和计算量较大等问题导致识别率较低.为了抑制这些缺点,主要研究基于PCA人脸识别算法改进的二维主成分分析法(2DPCA)和在2DPCA算法的基础上进行第二次特征提取的2DDPCA算法,并对PCA,2DPCA,2DDPCA这3种人脸识别算法在ORL和Yale人脸数据库上进行实验.实验主要从两方面进行分析,特征向量的维数、训练样本数与识别率的关系以及3种方法分别在数据库的时间对比.实验结果表明,提出的2DDPCA算法在不明显降低识别率的基础上,能有效提高识别速率,重建性能好.     

用于条纹像距离提取的迭代加权质心方法

条纹阵列探测激光雷达具有测距精度高、作用距离远、探测景深宽和数据更新率高等显著优点,已被广泛应用于地形测绘、海岸带监测、城市三维重构、森林生态研究等领域中。传统的信号鉴别方法在回波信号距离提取过程中存在一定的局限性,影响了条纹阵列探测激光雷达的距离分辨能力和目标识别能力。针对这一问题在处理条纹图像时引入了一种迭代加权质心算法,讨论了该算法在质心定位中的独特优越性,结合条纹阵列探测激光雷达的信号分布特征确定了该算法中关键参数的选取。利用该算法在1.4 km的作用距离下获得了具有清晰边界特征的目标距离像,有效抑制了距离提取过程中产生的边界模糊效应,显著提升了系统的细节分辨能力,相比于传统的质心算法,测距精度提高了17%。     

基于小波神经网络的与文本无关说话人识别方法研究

基于神经网络的说话人识别方法可以在一定程度上模仿人脑的功能,是说话人识别中的一种主要技术,但它通常难以确定隐层单元的数目,收敛速度慢,易于收敛到极小点。该文研究了一种用于说话人识别的小波神经网络模型,给出了网络结构和学习算法。采用Mel频率倒谱系数作为与文本无关的说话人识别的特征参数,并利用该模型进行了5个人的说话人识别实验,得到99.5%的识别率。实验结果表明,小波网络和传统的BP网络相比,训练速度和识别率都有了较大提高,具有良好的应用前景和进一步研究的价值。     

基于多普勒谱特征的飞机尾涡识别

为解决飞机尾涡威胁飞行安全以及限制机场容量的难题,提出了一种基于多普勒谱特征的尾涡识别算法,以提高尾涡检测性能。构建了飞机尾涡回波多普勒谱模型,分析得出其多普勒谱具有对称性、展宽性以及反比性等重要特征。依据上述谱特征,给出了尾涡识别算法的设计流程,包括回波数据预处理、多普勒谱特征提取和特征门限判决。以空客A-340为例...     

可视化与非可视化特征融合超声3D目标识别研究

目前常用的超声3D目标识别方法主要是利用传感器在空间一点或多点获取一维回波,通过信号处理得到目标体3D信息以实现3D目标体识别。这些方法普遍存在识别率低和鲁棒性差的问题,制约了该项技术的推广和应用。为此,文中提出了一种基于可视化和非可视化特征融合的超声3D目标体识别方法,该方法将目标体回波信号处理方法与合成孔径方法相结合,将提取的目标体信息在特征层进行了融合,然后经BP神经网络实现了分类识别,可使现有方法的不足得到显著改善。通过对3类人工靶标的实验表明,该方法可显著提高缺陷的3D识别率,能够保持在90%以上,且鲁棒性也得到明显改善。