基于进化规划的自适应高斯神经网络及其在被动声纳目标识别中的应用

自适应高斯神经网络能够对目标信号的功率谱有效识别特征进行自动提取和分类,但此网络使用BP算法,其误差能量函数是一个不规则的超曲面,容易陷入局部极小值.因此,提出了一种使用进化规则来设计和训练自适应高斯神经网络的新方法,该方法能够自动的确定网络的最优结构和联结权值,同时避免网络的局部优化.将该方法用于被动声呐目标的分类识别,实验结果表明基于进化规则的自适应高斯神经网络能够有效的克服局部最小问题,具有更好的识别率.     

基于模糊贴近度的舰船辐射噪声分类方法

误差反传神经网络在被动声呐目标分类中得到了广泛的应用,但该算法在搜索过程中容易陷入局部最小值,同时使用赢者独活的识别决策策略,导致识别率的下降.本文针对BP网络的弱点,提出了基于模糊贴近度的舰船辐射噪声分类方法,该方法能够在不对BP网络作大的改动的前提下,解决神经网络陷入局部最小值,同时使用赢者独活决策策略导致误识的弱点.实验结果证明了该方法的有效性.     

复合基神经网络在水声目标分类识别中的应用

本文根据不同神经网络的分类特点，提出将径向基函数网络和多层感知器网络复合构成复合基网络，用于水声信号的分类识别，试验表明，该网络的分类能力及对未来训练目标的适应性优于ＢＰ网和ＲＢＦ网。     

基于模糊贴近度的舰船辐射噪声分类方法

针对BP网络的弱点，提出了基于模糊贴近度的舰船辐射噪声分类方法，该方法能够在不对BP网络做大的改动的前提下。克服神经网络容易陷入局部最小值，以及使用赢者独活决策策略导致的误识的弱点．实验结果证明了该方法的有效性．     

基于统计学方法的水面目标特征提取

在使用统计学方法对水面目标进行特征提取时,由于传统的方法进行自动目标识别的效果与RO(I感兴趣区域)定位算法有直接的关系,因此当ROI定位算法不准确时,目标的识别将很难完成。本文提出了一种基于目标特征的逐块二维Hadamard变换的特征提取和高斯混合模型分类器的局部特征轮廓识别方法。实验表明该方法对于复杂条件下的水面目标识别(如:部分超出视野范围以及比例变换等)具有很好的鲁棒性。     

嵌入注意力机制的卷积神经网络水声目标识别

针对低信噪比水声目标单一特征识别率低,稳健性差的问题,提出一种基于注意力机制和多尺度残差卷积神经网络（Multi-scale Residual CNN with Attention,MR-CNN-A）进行特征融合的识别方法。该方法根据多尺度卷积核与特征图形成多分辨率分析关系,并以此通过注意力机制实现优势特征权值提取与融合,从而提高模型在文中水声数据集上提取目标噪声特征和分类识别的稳健性与抗噪能力。开展了4类舰船噪声和海洋环境噪声的识别试验、水下和水面自主式水下航行器的识别试验,以及不同信噪比条件下目标噪声的识别试验。结果表明：对于文中所涉及的水声目标噪声和人工高斯白噪声干扰,该网络模型识别正确率明显高于支持矢量机与简单卷积神经网络,且对高斯白噪声的抑制能力远强于支持矢量机与简单卷积神经网络,稳健性好,模型复杂度小。     

基于深度神经网络的货架商品识别方法

目的为快速统计货架商品信息,提出一种基于深度神经网络的货架商品自动识别方法。方法摄像头采集的货架商品图像经过深度神经网络算法处理,得到了图像中商品的SKU和位置。针对货架商品识别这种密集检测场景,文中方法改进了通用深度神经网络目标检测算法,将算法分为检测和分类2个阶段且重新设计了部分网络结构。最后,将文中方法和传统货架商品识别方法以及通用深度神经网络目标检测方法进行了比较。结果实验证明该方法的检测阶段的模型平均正确率达到96.5%,分类阶段的分类准确率达到99.9%。整图测试的查准率为97.56%,查全率为99.26%。结论相较于以往使用传统的目标检测模型进行货架商品识别以及使用SIFT等人工算子提取特征并分类识别商品具体SKU,文中方法的商品检出率和分类准确率都有了大幅度的提升,具有很好的应用潜力。     

压缩感知结合卷积网络的天然气管道泄漏孔径识别EI北大核心CSCD

针对传统天然气管道泄漏孔径检测面临的原始数据冗余性大、特征选取主观依赖性强以及复杂环境下识别准确率低等问题,提出了一种将压缩感知与深度卷积神经网络相结合的泄漏孔径识别方法。首先利用随机高斯矩阵对原始泄漏信号进行压缩采集,以较少的压缩感知域数据获取全部泄漏信息;然后构建深度一维卷积神经网络,将压缩采集数据送入网络中实现自适应特征提取及高准确度泄漏孔径识别;还对主要参数的影响进行了深入的分析。实验结果表明,该方法能够快速、准确地实现天然气管道泄漏孔径识别,且在低信噪比环境下具有较好的鲁棒性,总体识别效果优于传统的分类方法。     

子域适应无监督轴承故障诊断

针对深度无监督轴承故障诊断网络仅对齐全局分布,未考虑源域和目标域每个类别细粒度信息的问题,提出了一种子域适应无监督端到端轴承故障诊断网络。该网络采用一维卷积神经网络进行特征提取,利用多分类函数构建分类器,通过最小化局部最大平均差异和分类器损失函数,进行相关子域的分布对齐。在江南大学轴承故障数据集对该方法进行有效性验证。结果表明,该方法在目标域数据无标签的情况下,识别正确率明显高于其他5种目前流行的领域自适应故障诊断方法,t分布随机邻居嵌入结果显示该方法有效对齐源域和目标域类别信息,验证了该方法的可行性和有效性。     

基于形状相似度的水下目标识别算法

在水下声纳图像目标检测与识别中,水下目标的识别问题是关键技术之一。基于形状相似度的概念,提出一种新的水下目标形状分类算法。首先对检测到的水下目标阴影区域进行规格化处理,采用改进的形状上下文方法对常见水下目标形状进行分类识别。与传统形状上下文方法相比,改进后的算法具有旋转不变性和模板自适应更新能力。通过对球形、圆柱形和圆台形三类目标的阴影区域进行仿真分类计算可知,该方法具有仿射不变性,分类准确率较高。     

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URP-ANCNN的变转速齿轮箱智能故障诊断方法

由于齿轮箱振动信号在变转速工况下出现的调频、调幅等现象,使得信号征兆与故障模式之间的映射关系变得复杂,导致齿轮箱故障难以精确诊断。鉴于深度神经网络在自动提取数据特征和分类上的优势,提出一种基于无阈值递归图编码(Un-threshold Recurrence Plot,URP)和自适应归一化卷积神经网络(Adaptive Normalized Convolutional Neural Network,ANCNN)的变转速工况齿轮箱故障诊断方法。该方法先使用快速傅里叶变换(Fast Fourier Transform,FFT)将时域信号转化为频域信号,再利用URP编码将得到的频域信号转化为二维递归图,并提取图像特征输入到ANCNN模型。在ANCNN模型中,采用批量归一化算法消除因转速变化引起的特征分布差异,同时处理转速波动下产生的频移和调制特性,并使用遗传算法自动调整该网络模型的超参数,以提高该网络的整体性能。采用转速波动的齿轮箱试验数据对该方法进行验证,实验结果表明,该方法能够克服转速波动的影响,成功实现对不同齿轮故障的准确识别。     

模糊神经技术在刀具故障检测中的应用

提出了一种刀具故障检测方法，该方法把模糊逻辑和神经网络结合起来，并用神经网络分解技术，建立了一个刀具状态识别网络。该网络适用于多传感器对刀具复杂状态进行识别和分类，具有训练时间短，执行速度快，可靠性高，抗噪能力强等特点。     

基于浓度特征向量的目标识别与分类

提出了一种新的基于零件浓度特征向量的目标识别与分类技术,以及由零件图像特征信息所构成的浓度特征信息的合理性验证方法。该技术不仅能够准确地反映目标图像的局部结构特征与整体结构特征之间的关系,而且较好地解决了计算机描述零件图像的特征信息的负担过重问题。实验表明,该技术具有识别准确、计算机负担小的优点。     

基于模糊自适应BP算法的包装件缓冲垫层非线性特性识别

将模糊自适应ＢＰ算法应用于包装件缓冲垫层非线性特性识别问题，提高了网络训练速度，从而使结构化神经网络方法更适于实际应用．     

基于ICA-GMM的混叠振动目标识别

提出一种基于独立分量分析的混叠振动目标盲分离和混合高斯模型识别相结合的混合模型振动识别方法。建立已知振动目标的GMM，然后实现混叠振动目标自适应盲源分离，提取了振动目标的线性预测系数作为目标识别的参数，产生了训练和识别所用的特征向量。识别阶段，通过解码判断振动目标的类别。仿真结果表明：新的混合模型识别系统在混叠振动目标识别中具有可行性。     

基于光学相关的遮拦目标识别技术

在目标识别研究中,目标被遮拦现象经常出现.基于遮拦目标局部信息缺失的特点,本文将传统的直方图均衡化做了对比度自适应改进,局部增强目标信息,应用光学相关识别原理,结合边缘提取方法,将被遮拦目标从背景中分离出来.通过大量光学实验表明,基于Sobel算子的边缘检测和对比度自适应直方图均衡化相结合,有效增强了探测目标的相关峰强度,实现了遮拦目标的识别.     

信息论在声呐自动目标识别中的应用

声呐自动目标识别（ATR）旨在自动地从背景或杂波中分离出感兴趣目标，一个声呐自动目标识别系统的可行与否取决于它的目标探测性能和识别分类系统的运算效率及训练效率。文章综述了当今信息论在声呐ATR中应用中的理论基础及其可行性分析，最后给出了信息论在声呐ATR特征提取中的应用举例。     

模糊融合分类器在水雷识别中的应用

当目标的类别多时会使分类器的精度和稳健性大受影响,用神经网络分类器去完成复杂的目标分类任务是难以保证其可靠性的。引入信息融合条件下一种新型的分类器,即模糊融合分类器,该分类器可以自动“过滤”无效和冗余特征的负面影响,实现有效的特征层融合识别。采用4种特征提取方法,利用三个模糊融合神经网络作为分类器进行特征层的融合,再将分类器的输出作为决策层的融合,提高系统的分类性能。通过处理水雷实体回波数据得出的识别率表明,所选取的特征提取和分类器算法是有效的。     

基于文本表达的指向性目标分割方法研究

本文提出了一种基于文本表达式理解的图像分割网络,旨在用给定的文本表达式分割出图片中的目标区域.该模型完成了对目标区域的精确定位,实现了视觉和文本的对齐,同时很好地处理了预测分歧问题.首先,使用卷积神经网络和双向门控循环神经网络分别提取视觉特征和文本特征;然后,将提取的视觉特征和文本特征融合生成多模态特征,同时使用自适应...