遗传算法应用于目标识别系统的在线学习

在线学习是水声目标识别系统的重要功能之一。本文提出将遗传算法用子水声目标识别系统多层感知器分类网络在线学习的一种实现方法。实验表明,所提出的方法能够取得一定的效果,使原样本训练过的MLP网络经过在线学习后对新增目标的识别率有了明显增加。     

声呐盲波束形成的神经网络实现方法

本文首先对两种盲波束形成的方法进行了分析。针对这类方法计算量大,不利于实时实现的缺点,并结合水声环境和水声信号的特性,提出了两种盲波束形成的神经网络实现方法。一种方法采用在线学习的T-H神经网络,盲估计波束形成的权矢量;另一种方法采用离线学习的径向基函数(RBF)网络实现盲波束形成。由于神经网络的并行性和非线性的特点,使得盲波束形成的运算速度得到了明显的提高,易于工程上实时应用。     

一种基于VGGish神经网络的水声目标识别方法

水声目标智能识别是水声装备智能化的重要组成部分,深度学习则是实现水声目标智能识别的重要技术手段之一。当前水声目标智能识别经常面临数据集较小带来的训练样本量不足的情况,针对小数据集识别中存在的因过拟合导致模型泛化能力不足,以及输入的水声信号二维谱图样式不统一的问题,文章提出了一种基于VGGish神经网络模型的水声目标识别方法。该方法以VGGish网络作为特征提取器,并在VGGish网络前部加入了信号预处理模块,同时设计了一种基于传统机器学习算法的联合分类器,通过以上措施解决了过拟合问题和二维谱图样式不统一问题。实验结果显示,该方法应用在ShipsEar数据集上得到了94.397%的识别准确率,高于传统预训练-微调法得到的最高90.977%的准确率,并且在相同条件下该方法的模型训练耗时仅为传统预训练-微调方法的0.5%左右,有效提高了识别准确率和模型训练速度。     

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。     

基于神经网络的聚类分析

本文介绍了学习向量量化（ＬＶＱ）网络及其改进－－广义的学习向量量化（ＧＬＶＱ）网络在聚类分析和水声目标分类中的应用。通过聚类分布图和分类结果的比较，发现对ＬＶＱ网络进行的改进在一定程度上提高了聚类性能：基于ＧＬＶＱ网络的分类 系统具有更好的分类性能。     

基于OPNET的分布式协议攻击的性能研究

目前,对水声网络协议干扰和攻击的研究大多采用单个节点的攻击方法。在此基础上,为提升攻击性能,研究了分布式协议攻击方法。通过OPNET仿真软件构建水声网络模型,采用不同的协议攻击方法对目标水声网络进行攻击仿真研究,包括单节点工作方式和多节点的分布式协议攻击。比较了不同的工作方式达到的干扰效果以及不同协议攻击方法的分布式攻击工作方式的干扰效果。结果表明,采用分布式协议攻击工作方式,在其他条件相同的情况下,目标网络吞吐量比单节点攻击工作方式多下降了5%以上,对水声网络的干扰效果更佳。     

舰载水声系统信息融合性能评估

以检验舰载水声系统信息融合性能为目标，提出一种在海洋声学环境、敌我战术机动过程和声纳处理结果仿真条件下的水声系统信息融合性能评估方法，通过某型水声系统的两种融合模块的实际评估应用，证明该方法有效可行．     

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。     

基于在线学习的Siamese网络视觉跟踪算法

基于Siamese网络的视觉跟踪算法是近年来视觉跟踪领域的一类重要方法,其在跟踪速度和精度上都具有良好的性能.但是大多数基于Siamese网络的跟踪算法依赖离线训练模型,缺乏对跟踪器的在线更新.针对这一问题,本文提出了一种基于在线学习的Siamese网络视觉跟踪算法.该算法采用双模板思想,将第一帧中的目标当作静态模板,...     

水声网络探测节点的自主式能量检测器

推导了一种适用于水声无线传感器网络探测节点的自主式被动目标检测器，并进行了仿真验证。     

浅议水声系统体系结构发展

随着水声技术和信息技术的发展，特别是信息技术飞速发展引起的在世界范围内军事变革，各国越来越重视和加强水声系统的研究．本文围绕“实现信息资源共享，努力增加信息来源”的思想，重点对水声系统体系结构进行了较深入讨论，提出和分析了一种新型的水声系统体系结构。文章还对水声系统的智能化问题进行了积极、有建设性的探讨，主张通过建立目标特征数据库和统一时空基准的声呐数据记录仪的手段促进目标识别的研究，通过建立远程故障诊断系统实现智能化的故障诊断。     

基于盲分离技术的双目标辨识与定位方法研究

研究了利用盲分离技术对水下目标辐射噪声信号进行辨识和定位，指出了在水声信号盲分离过程中。自然梯度算法具有不稳定收敛的不足，通过构建新的非线性函数和学习因子等。提出了自然梯度算法的改进方法，经实船信号的盲分离实验表明．该算法在稳定性方面有改进。在对目标信号盲分离的同时。估计了目标信号到达基阵的时延，完成了双目标的辨识与定位。     

水声信号预测的神经网络方法

水声信号的局部可预测性在水声信号处理中具有重要作用,它是解决非平稳信号检测问题的基础。基于非线性时间序列局部可预测性原理,采用人工神经网络技术,研究了水声信号的神经网络预测,讨论了预测模型的建立和网络结构参数的设计。分别采用BP网络和RBF网络对实际舰船水声信号进行预测,通过对仿真数据和实际舰船辐射噪声数据预测的结果分析,得出了两种网络预测模型的误差分布,提出了减小预测误差的有效方法。为今后进一步开展水声信号预测研究奠定了基础。     

一种窄带水声信号数字处理系统

针对窄带水声接收机参数估计精度低、目标识别能力差的弱点,提出了数字鉴宽的概念及方法,利用复杂可编程逻辑器件(Complex Programmable Logic Device, CPLD)实现对窄带水声信号宽度的精确识别.该方法可广泛适用于数字滤波和机械滤波窄带水声接收电路,鉴宽结果性能稳定、可靠,可满足大多数窄带水声系统对信号及其宽度识别的精度要求.同时,根据实际水声系统对水声接收机增益调节的需要,提出了利用MSP430单片机及 D/A器件实现水声接收机手动及自动增益控制的方法,它可应用于各种水声接收电路中.所提出的窄带水声信号处理方法有算法简便、实用的优点,使用的理想效果在实际应用中得到了验证.     

多跳式水声通信网络数据链路层协议研究

结合水声环境的特点，对具有多跳式传输路径、对等式节点和不规则拓扑等特点的水声网络数据链路层（即MAC层）进行了理论和仿真研究。从吞吐量、延迟、丢包率和能效四个方面分析比较了改进的ALOHA和MACAW协议在多跳式水声网络中的性能。并提出了在实用网络中需要遵循的一些基本的设计原则和对协议的进一步改进有益的建议。     

基于免疫聚类的RBF网络在说话人识别中的应用

针对传统的基于RBF（Radial Bais Function）网络的说话人识别系统中聚类中心的数量和位置难以确定的问题,提出了一种基于人工免疫机制的RBF网络作为分类器的说话人识别系统。采用人工免疫机制可根据输入语音数据集合自适应地确定RBF网络隐层中心的数量和初始位置。实际测试表明,该系统具有快速学习网络权重的能力,并且网络的全局寻优能力强,识别率高,是说话人识别的一种有效可行的新方法。     

水声网络中的跨层设计研究

跨层设计是水声网络中急需解决的关键技术之一。对于能量和可用频带严重受限的水声网络系统,跨层设计能有效地利用海洋声信道环境下稀少的可用资源,克服分层网络设计中非最优和不灵活的缺点,使系统运行在最佳模式下。在介绍国内外水声网络跨层设计研究的基础上,提出了一种基于控制通道和数据通道的双通道水声网络跨层设计模型,分析了该跨层网络模型的优势,并给出一种自适应节点调制和编码的双通道水声网络跨层模型应用方案,在水池和厦门海域中进行了多节点自组织组网实验,验证了该方案的可行性,表明双通道跨层模型在水声网络设计中具有良好的应用前景。     

水声通信与水声网络的发展与应用

水声信道是迄今为止最为复杂的无线通信信道之一,其固有的时-空-频变以及窄带、高噪、强多途、长时延传输等特征,使水声通信和水声网络在性能上还难以满足人们在实际应用中的迫切需求,面临极大的技术挑战。介绍了水声通信与水声网络的特点和发展现状,分析了复杂多变的水声信道特点及水声通信所要解决的关键技术,包括调制、解调技术和信号检测技术;介绍了水声网络中的拓扑结构、多路访问、MAC协议和路由选择等方法。最后简要介绍美国Teledyne Benthos公司的水声Modem和美国海军的海网Seaweb网络及国内在此方面所取得的一些进展及应用前景。     

小波变换在水声定位数据后置处理中的应用

水声定位系统在工作过程中由于受到环境噪声和多途信号的干扰会导致定位结果出现异常跳变点即野值。提出一种水声定位数据后置处理方法,该方法首先对目标原始定位轨迹进行预处理,然后利用小波变换的方法对预处理后的轨迹进行野值剔除和滤波平滑,得到新的目标轨迹。利用该方法对某长基线水声定位系统海上试验数据进行轨迹平滑,并与卡尔曼滤波轨迹平滑结果对比,对比结果证明了该方法的有效性。     

在线推断校准的小样本目标检测

针对少量样本条件下模型易过拟合、目标错检与漏检问题，本文基于TFA (two-stage fine-tuning approach)提出了一种在线推断校准的小样本目标检测框架。该框架设计了一种全新的Attention-FPN网络，通过建模特征通道间的依赖关系选择性融合特征，结合分级冻结的学习机制引导RPN模块提取正确的新类前景目标；同时，构建了一种在线校准模块对样本进行实例分割编码，对众多候选目标进行评分重加权处理，纠正误检和漏检的预测目标。结果表明，所提算法在VOC数据集Novel Set1中，五个任务的平均nAP50提升10.16%，在性能上优于目前的主流算法。