船舶辐射噪声分类卷积神经网络的可视化分析和卷积核剪枝

当前基于深度神经网络的船舶辐射噪声分类研究主要关注分类性能,对模型的解释性关注较少。本文首先采用导向反向传播和输入空间优化,基于DeepShip数据集,构建以对数谱为输入的船舶辐射噪声分类卷积神经网络(CNN),提出了一种船舶辐射噪声分类CNN的可视化分析方法。结果显示,多帧特征对齐算法改进了可视化效果,深层卷积核检测线谱和背景两类特征。其次,基于线谱是船舶分类的稳健特征这一知识,提出了一种卷积核剪枝方法,不仅提升了CNN分类性能,且训练过程更加稳定。导向反向传播可视化结果表明,卷积核剪枝后的CNN更加关注线谱信息。     

船舶辐射噪声的模糊神经网络分类

该文研究了航船辐射噪声的谱特征和分形特征,并利用这两个特征作为航船分类的依据,同时阐述了以模糊神经网络为分类器所具有的独特优越性。分类处理获得了较为满意的结果。     

船舶实测辐射噪声信号的调制谱重构仿真

提出一种船舶实测辐射噪声信号的调制谱重构仿真方法.对实测信号进行时域波形和调制谱分析,提取螺旋桨旋转周期、叶片数、脉冲宽度、调制深度参数;通过仿真生成调制脉冲幅度参数与调制谱谐波谱线之间关系的对照表,查表确定各螺旋桨叶片的调制脉冲幅度参数;基于上述参数实现船舶实测辐射噪声信号的调制谱重构.仿真结果表明,该重构方法能够较好地保持调制谱第一组特征谐波谱线的频率、谱级相对大小排序等重要信号特征.     

轻量化卷积神经网络在船舶分类中的应用

为权衡船舶分类模型的分类精度和模型大小,提出一种改进GhostNet-50的轻量化卷积神经网络AGNet对自制的船舶数据集进行分类。首先,提出一种融合非对称卷积的Ghost模块,用于提升AGNet卷积过程的特征提取能力;然后,结合瓶颈结构,设计一种非对称Ghost瓶颈模块,在维持模型表达能力的同时能进一步降低计算成本;最后,去除GhostNet-50中的一层1×1卷积,以降低整体模型的参数冗余。实验通过分类精度、参数量、计算量、推理速度等评价指标对所提方法进行多角度对比。实验结果中,AGNet模型在33个类别的测试集中精度达到了93.87%,模型参数量仅为0.72×10⁶,相比GhostNet-50压缩了46.67%,且精度提升了2.93个百分点。实验结果表明：AGNet在较低模型大小的前提下能达到更优的分类效果,可较好应用到船舶分类任务中。     

船舶辐射噪声信号相似度评估方法研究

船舶辐射噪声的信号相似度评估结果,可为噪声信号来源判定、仿真信号置信度评价等应用提供一种判断依据。提出一种船舶辐射噪声的信号相似度评估方法,综合了船舶辐射噪声信号的听觉、连续谱、线谱和调制谱特征,针对每一特征选择了具体指标参数和特征相似度的计算方法,然后在各特征相似度基础上实现船舶辐射噪声信号之间总体相似度的计算。利用实测船舶辐射噪声信号进行了数据试验,并给出了详细的评估和数据分析过程。试验结果表明,采用该方法得出的相似度评估数据,与船舶辐射噪声信号的实际相似情况一致,且数值区间的可分性好,因而具有较高的可信度。      

基于深度卷积网络的糖尿病并发症分类

本文针对现有糖尿病并发症分类研究以统计为主,缺乏有效数学模型的问题,提出了基于深度卷积神经网络的糖尿病并发症分类模型。首先进行数据预处理,将糖尿病数据进行降维和向量化;其次采用深度卷积神经网络对并发症进行分类,并与SVM、决策树、BP神经网络等经典方法进行了对比。实验结果表明,本文提出的基于深度卷积网络的糖尿病并发症分类模型准确性高于其它模型,能够为糖尿病并发症提供有效地辅助诊断。     

改进的Darknet噪声图像分类网络

针对现有噪声图像分类效率低的问题,提出一种改进的Darknet噪声图像分类算法。去掉Darknet网络输出部分的1×1卷积层,将第19层卷积核数量改为4,在网络最后加上Softmax层,实现网络分类功能。在网络passthrough层和第6～8层后分别引入Dropout层,在卷积层中引入L2正则化来避免网络过拟合。将网络第10层和第11层,第12层和第13层,第15层和第16层,第17层和第18层改为4个残差块,解决反向传播权值更新时梯度消失问题。从CIFAR-10数据集上取20 000张图片,经128×128尺寸变换后分别添加高斯噪声、泊松噪声、盐噪声和斑点噪声,对每张图片依类别进行One-hot编码,最后将图片和标签制作成训练集、验证集和测试集。4种算法实验结果对比表明,改进的Darknet网络对彩色噪声图像分类准确率可达0.904,远高于其他3种算法分类准确率。     

船舶航行辐射噪声的主动控制方法研究

船舶航行辐射噪声控制对于环境保护和军事应用均具有重要意义。根据船舶的航行轨迹和接收点建立了自适应噪声抵消模型,从船舶外部对其产生的特定低频线谱进行主动控制,实现局部自由声场静区。针对低频线谱信号,在船舶上布设自适应次级声源,进行了不同信号频率的仿真,研究其在特定空间内产生的降噪效果。仿真显示当船舶在特定区域内航行时,次级声源的开启能够在接收点处实现特定低频线谱信号的有效抵消。针对仿真结果,理论推导了有效声抵消区域半径的计算公式。由此得到了一种可能的船舶航行辐射噪声低频线谱主动控制方法:首先计算有效声抵消区域半径,当船舶进入或离开该区域时,动态开启或关闭次级声源,从而实现噪声的有源控制。      

基于深度LSTM辅助卷积网络的新型自动调制分类

自动调制分类在无线频谱异常检测和无线电环境感知中将发挥重要作用.随着深度学习算法的突破,调制分类任务可利用神经网络达到前所未有的高分类精确度.文中提出了一种新颖的神经网络,称为长短期卷积深度神经网络(LCDNN).该网络创造性地结合了长短期记忆网络(LSTM)、卷积神经网络(CNN)和深度网络体系结构的优点.该模型无需...     

船舶航行辐射噪声的多普勒效应仿真

通过分析、比较已有水声信号多普勒频移仿真方法，针对船舶航行辐射噪声提出一种能够适应声源和接收者相对径向速度变化的、计算效率较高的水下宽带噪声信号多普勒效应仿真方法。仿真实验结果显示，该方法使船舶航行辐射噪声信号频域各分量的频率随着相对径向速度的变化呈现出不同的多普勒频移量，使得船舶航行辐射噪声信号的仿真达到了更高的逼真度。     

基于多尺度卷积神经网络的自适应熵加权决策融合船舶图像分类方法

针对单一尺度卷积神经网络(CNN)对船舶图像分类的局限性,该文提出一种多尺度CNN自适应熵加权决策融合方法用于船舶图像分类.首先使用多尺度CNN提取不同尺寸的船舶图像的多尺度特征,并训练得到不同子网络的最优模型;接着利用测试集船舶图像在最优模型上测试,得到多尺度CNN的Softmax函数输出的概率值,并计算得到信息熵,...     

基于深度卷积神经网络的协作频谱感知方法

针对传统卷积神经网络(CNN)频谱感知方法提取特征能力受限于网络结构简单,增加网络结构又容易出现梯度消失等问题,该文通过在传统卷积神经网络中添加捷径连接,实现输入层恒等映射更深的网络,提出一种基于深度卷积神经网络(DCNN)的协作频谱感知方法。该方法将频谱感知问题转化为图像二分类问题,对正交相移键控(QPSK)信号的协方差矩阵进行归一化灰度处理,并作为深度卷积神经网络的输入,通过残差学习训练深度卷积神经网络模型,提取2维灰度图像的深层特征,将测试数据输入到训练好的模型中,完成基于图像分类的频谱感知。实验结果表明：与传统的频谱感知方法相比,在低信噪比(SNR)下、多用户协作感知时,所提方法具有更高的检测概率和更低的虚警概率。     

基于卷积长短时记忆网络的心律失常分类方法

心律失常等慢性心血管疾病严重影响人类健康,采用心电信号(ECG)实现心律失常自动分类可有效提高该类疾病的诊断效率,降低人工成本。为此,该文基于1维心电信号,提出一种改进的长短时记忆网络(LSTM)方法实现心律失常自动分类。该方法首先设计深层卷积神经网络(CNN)对心电信号进行深度编码,提取心电信号形态特征。其次,搭建长短时记忆分类网络实现基于心电信号特征的心律失常自动分类。基于MIT-BIH心律失常数据库进行的实验结果表明,该方法显著缩短分类时间,并获得超过99.2%的分类准确率,灵敏度等评价参数均得到不同程度的提高,满足心电信号自动分类实时高效的要求。

     

基于卷积神经网络的SAR图像目标检测算法

该文研究了训练样本不足的情况下利用卷积神经网络(Convolutional Neural Network, CNN)对合成孔径雷达(SAR)图像实现目标检测的问题。利用已有的完备数据集来辅助场景复杂且训练样本不足的数据集进行检测。首先用已有的完备数据集训练得到CNN分类模型,用于对候选区域提取网络和目标检测网络做参数初始化;然后利用完备数据集对训练数据集做扩充;最后通过四步训练法得到候选区域提取模型和目标检测模型。实测数据的实验结果证明,所提方法在SAR图像目标检测中可以获得较好的检测效果。     

基于信噪比分类网络的调制信号分类识别算法

针对传统降噪算法损伤高信噪比(SNR)信号而造成信号识别准确率下降的问题,该文提出基于卷积神经网络的信噪比分类算法,该算法利用卷积神经网络对信号进行特征提取,用固定K均值(FK-means)算法对提取的特征进行聚类处理,准确分类高低信噪比信号。低信噪比信号采用改进的中值滤波算法降噪,改进的中值滤波算法在传统中值滤波的基础上增加了前后采样窗口的关联性机制,来改善传统中值滤波算法处理连续噪声效果不佳的问题。为充分提取信号的空间特征和时间特征,该文提出卷积神经网络和长短时记忆网络并联的卷积长短时(P-CL)网络,利用卷积神经网络和长短时记忆网络分别提取信号的空间特征与时间特征,并进行特征融合与分类。实验表明,该文提出的调制信号分类模型识别准确率为91%,相比于卷积长短时(CNN-LSTM)网络提高了6%。     

基于深度卷积神经网络的无参考低照度图像增强

针对低照度图像增强算法在实现细节增强的同时对噪声抑制考虑的不足问题,该文提出一种基于深度卷积神经网络的无参考低照度图像增强方法。首先,基于Retinex理论从输入的低照度图像中提取照射分量和反射分量,并分别对二者进行优化,随后将优化后的照射分量和反射分量相乘得到增强后的图像;同时,将3D块匹配(BM3D)的去噪效果融合进反射分量的优化过程中;最后,采用无参考图像训练的方式,并配合改进后的趋势一致性损失对网络参数进行更新。实验结果表明,该文算法相较于现有的主流算法,可有效地提升低照度图像的对比度和亮度,同时保持图像的自然性。     

基于深度卷积神经网络的气象雷达噪声图像语义分割方法

针对新一代多普勒气象雷达的散射回波图像受非降雨等噪声回波干扰导致精细化短时气象预报准确度降低的问题,该文提出一种基于深度卷积神经网络(DCNN)的气象雷达噪声图像语义分割方法。首先,设计一种深度卷积神经网络模型(DCNNM),利用MJDATA数据集的训练集数据进行训练,通过前向传播过程提取特征,将图像高维全局语义信息与局部特征细节融合;然后,利用训练误差值反向传播迭代更新网络参数,实现模型的收敛效果最优化;最后,通过该模型对气象雷达图像数据进行分割处理。实验结果表明,该文方法对气象雷达图像的去噪效果较好,与光流法、全卷积网络(FCN)等方法相比,该文方法对气象雷达图像中真实回波和噪声回波的识别准确率高,图像的像素精度较高。     

一种易于初始化的类卷积神经网络视觉跟踪算法

该文针对视觉跟踪中运动目标的鲁棒性跟踪问题,基于主成分分析(PCA)和卷积神经网络(CNN),提出一种易于初始化的类CNN提取深度特征的视觉跟踪算法。该算法首先利用仿射变换对原始图像进行处理,然后对归一化尺寸的图像进行分层PCA学习,将学习得到的PCA特征向量作为CNN结构中的各阶滤波器,完成特征提取网络的初始化,再利用特征提取网络获取目标的深层次表达。最后结合粒子滤波,利用一个简单的逻辑回归分类器通过分类估计实现目标跟踪。结果表明,利用这种易于初始化的CNN提取到的深度特征能够有效地区分目标和背景,具有很好的可区分性,提出的视觉跟踪算法对光照变化、尺度变化、遮挡、旋转和摄像机抖动等都具有良好的适应性,在许多视频序列上表现出了较好的鲁棒性和准确性。     

基于滑动窗口和卷积神经网络的可穿戴人体活动识别技术

由于缺少统一人体活动模型和相关规范,造成已有可穿戴人体活动识别技术采用的传感器类别、数量及部署位置不尽相同,并影响其推广应用。该文在分析人体活动骨架特征基础上结合人体活动力学特征,建立基于笛卡尔坐标的人体活动模型,并规范了模型中活动传感器部署位置及活动数据的归一化方法;其次,引入滑动窗口技术建立将人体活动数据转换为RGB位图的映射方法,并设计了人体活动识别卷积神经网络(HAR-CNN);最后,依据公开人体活动数据集Opportunity创建HAR-CNN实例并进行了实验测试。实验结果表明,HAR-CNN对周期性重复活动和离散性人体活动识别的F1值分别达到了90%和92%,同时算法具有良好的运行效率。