基于BP神经网络的水声信号预测

利用水声混沌信号的局部可预测性,结合人工神经网络,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.通过对实际舰船水声信号的预测,得到了一些有用的结果,为今后进一步开展水声信号预测研究奠定了基础.     

基于BP神经网络的水声信号预测

利用水声混沌信号的局部可预测性,结合人工神经网络,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.通过对实际舰船水声信号的预测,得到了一些有用的结果,为今后进一步开展水声信号预测研究奠定了基础.     

基于深度神经网络的水声FBMC通信信号检测方法

针对传统水声滤波器组多载波(Filter Bank Multi-Carrier,FBMC)通信接收端需经过信道估计和均衡才可恢复出发送符号,系统复杂度高且信道估计精度不佳等问题.文章将深度神经网络融入到水声多载波通信当中,提出一种基于深度神经网络的水声FBMC信号检测方法.在训练阶段通过大量的数据迭代、调试超参数和优化...     

基于小波包时频图特征和卷积神经网络的水声信号分类

水下声信号分类是水声学研究的一个重要方向.一个有效的特征提取和分类决策方法对水声信号分类技术至关重要.文章将鱼声、商船辐射噪声和风关噪声三类实测的水声信号在小波包分解的基础上提取时频图特征,并搭建了一个七层结构的卷积神经网络作为分类器.研究结果表明:三种水声信号的小波包时频图特征结合卷积神经网络在不同测试集可达到(98...     

根据联合预测效果提取水声信号的非线性特征

在局部线性预测的基础上提出了联合预测方法,研究了预测效果与重构维数及时延两个嵌入参数的关系。发现各种信号的联合预测效果反映了信号自身的特征,可将其用于水声信号的非线性特征的分析和提取。初步提取了水声信号的数字特征,预测得到的平均斜率指标可以将一类目标同另外两类目标区分开。从而提供了一种新的目标特征提取途径。     

高阶谱双通道的水声信号检测方法研究

实际海洋环境中,水下声纳系统往往因环境条件的失配而性能下降。从高阶统计量分析的角度来研究失配条件下的水声信号检测问题。采用二阶、三阶统计联合分析的方法,把双谱能量检测器与常规能量检测器联合构成一种双谱双通道检测器。它同时利用了水声信号中的二阶和三阶统计信息,增加了所利用的信息量,且能在更大程度上适应复杂水声环境变化的要求,改善和提高了水声信号的检测性能。计算机仿真证明了上述算法的有效性。该方法为失配条件下的水下微弱信号检测提供了一条可能的途径。     

水声目标信号的系统聚类分析

本文简要介绍了基于五种类间距离的系统聚类算法,利用它们实现水声目标的特征提取,并对一些实际水声目标数据进行了分析,最后,利用聚类分布图和分离系数对这些算法的有效性进行了比较评价。     

高频水声信号空间相关特性研究

本文介绍了一个高频水声数据采集系统的实现结构及水下换能器基阵的布阵形式。利用此采集系统采集的实际数据,研究了目标回波、海洋混响和噪声的空间统计特性,并给出了统计曲线。     

模糊最小最大神经网络用于水声目标聚类

模糊最小最大神经网络是用超盒划分类空间的网络。本文首先对模糊最小最大神经网络作一简单描述，然后对一组水声目标数据进行聚类分析，并与模糊Ｋ－均值聚类算法的结果进行比较。     

基于小波变换的主动水声信号检测

信号检测是水声信号处理领域的研究重点之一。文章通过对水下航行器自噪声特性的研究，发现其具有1／f衰减特性，同时利用小波变换对1/f信号有类似K—L展开的作用，提出了一种基于小波变换的信号检测方法，对1/f噪声背景下的主动水声信号进行了检测；文中详细推导了相应的检验统计量及其统计分布特性；同时，将该方法与匹配滤波器、能量检测器的检测性能进行了比较，仿真试验结果表明了本方法的有效性。     

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。     

基于粒子群算法的水声通信网络能量优化方法

水声通信网络节点功耗是影响网络节点寿命的重要因素之一。针对水声通信网络的能量优化问题,基于网络节点发射功率与传输距离的非线性关系,结合改进的粒子群算法建立了一种能量优化方法。该方法改进了网络模型,在网络运行中根据存活节点数量和节点剩余能量的变化情况,自适应动态优化每个节点的信息传输路径。仿真结果表明,所提优化方法能有效降低网络节点总功耗,延缓首个节点的死亡,减缓网络中节点的死亡速率,也即减缓了网络有效覆盖面积随着网络运行而减小的速率。     

基于座底式水声网络节点的跟踪测试技术研究

为了满足水下航行体的大范围水下定位跟踪测试要求,针对基于座底式水声网络节点的跟踪测试技术进行深入研究。设计了一种紧凑型水声网络节点,该节点采用卧式安装结构,可通过水声或光电信号进行回收控制,具有结构轻便、布放效率高、回收可靠等特点。利用该水声网络节点,串行布放在某水域组成座底式长基线跟踪测试系统,该系统具备定位跟踪、航行参数遥测等功能。针对其定位跟踪及航行参数遥测功能进行湖上跑船试验,试验结果证明,该系统定位跟踪精度高,航行参数遥测功能可靠,遥测误码率低,总体覆盖范围大,可广泛应用于水下航行体的定位跟踪、导航测试等,具有较高的工程实用价值。     

水声宽带信号的多普勒补偿

当收发平台相对运动时,水声信道表现出明显的多普勒效应.多普勒效应会引起接收信号频率的偏移,对宽带信号来说,频率偏移值随频率的大小变化,不能简单地用固定频偏进行补偿.选用OFDM信号作为对象,对水声宽带信号的多普勒补偿进行研究,基于Sharif的研究提出了改进算法,分两步进行补偿.仿真结果表明了算法的可行性,并通过对海试数据的处理进行试验验证.     

基于模糊RBF神经网络的水下机械臂控制研究

针对水下复杂工作环境下机械臂控制性能易受影响,而传统控制方法效果不佳的问题,提出了一种基于模糊RBF（radial basis function,径向基函数）神经网络的智能控制器,用于精确、稳定地控制水下机械臂。考虑到在水扰动环境下,机械臂通常受到附加质量力、水阻力和浮力的影响,运用拉格朗日法和Morison方程,建立包含水动力项的二杆机械臂动力学模型,通过模糊RBF神经网络对水下机械臂动力学方程中的水动力不确定项进行总体识别并拟合,利用模糊系统启发式搜索和RBF神经网络推理速度较快的优点,使水下机械臂系统具有较高的控制精度和较强的自适应性。考虑到水动力项,采用Lyapunov稳定性理论验证了水下机械臂系统的稳定性。最后利用MATLAB对二杆机械臂进行轨迹跟踪控制仿真实验,并对比模糊RBF神经网络与常规RBF神经网络识别方法和传统模糊控制方法的控制效果。仿真结果表明：与常规RBF神经网络识别方法相比,模糊RBF神经网络控制下二杆机械臂关节1的响应时间缩短了91%,相对误差减小了88%,关节2的响应时间缩短了92%,相对误差降低了77%;与传统模糊控制方法相比,关节1的相对误差减小了65%,关节2的相对误差减小了10%。研究结果表明模糊RBF神经网络的控制效果优于常规RBF神经网络识别方法和传统模糊控制方法,可为水下机械臂的控制提供一种精度较高、较有效的方法。     

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。