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。     

自适应时—频分析在水声目标分类中的应用

本文研究了基于匹配追踪算法的自 适应时－频分析 和基于判别追踪算法的 特征提取,并构成了一个水声分类系统。对实际水声目标辐射噪声的分类结果表明：该系统能有效提取各类信号在时间－频率联合域的主要可鉴别性特征,具有良好的分类能力,分类正确率超过了80％。     

用于水声目标识别的自适应遗传样本选择算法

针对训练样本集中含有噪声样本、冗余样本以及无关样本,导致分类系统分类性能下降、不稳定的水声目标识别问题,提出了一种新的自适应遗传样本选择算法(Adaptive Genetic Instance Selection Algorithm, AGISA)。算法先随机生成初始种群,接着利用设计的遗传算子(跨代选择、自适应交叉和简化最近邻变异)指导种群进化,每代中对分类贡献大且选择样本数目少的个体适应度值高。提取了实测3类水声目标的多域特征,进行样本选择和分类识别仿真实验,结果表明：AGISA可以选出有效样本子集,在样本维数下降约73%的情况下,支持向量机分类器的正确分类率能提高约2.5%;并且AGISA具有较好的收敛性、稳定性,所得优化样本子集具有较好泛化能力且能明显减少分类的时间。     

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。     

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。     

小波包分形与支持向量机在水声目标识别中的应用研究

水声目标分类识别是公认的水声信号处理难题,船舶辐射噪声是一种非线性非平稳信号,具有一定的混沌特性,更好地认识船舶辐射噪声的非线性性质,有助于更好地寻找有效的水声目标检测及识别算法。为了解决水声目标的分类识别问题,提出了利用小波包分形和支持向量机组合进行水声目标识别。利用小波包分解得到目标辐射噪声不同频带内信号分形维数作为特征矢量,并输入到支持向量机实现目标分类,实验结果表明,小波包分形和支持向量机的结合有比较好的分类识别效果,有一定的实际应用价值。     

基于隐马尔可夫模型与神经网络混合的被动声目标分类技术

提出了一种改进型隐马尔可夫模型／神经网络混合分类器,该分类器将隐马尔可夫模型的时间校正能力与神经网络的静态区分能力结合在一起。它首先利用循环无跳转ＨＭＭ模型对第一测试特征序列进行全状态分割。将Ｔ帧特征序列按时间演化顺序校正成Ｎ帧平均状态序列。然后 交其作为ＲＢＦ网络的输入矢量进行分类。实验结果表明,该分类器比单纯的神经网络或隐马尔可夫模型分类器具有更限的分类效果。     

专家系统在水声中的应用

本文概述了组建舰船识别专家系统的渐进方法,讨论了实现推断能力的控制结构和机理,介绍了解决不确定性问题的贝叶斯因果网络。     

目标探测与识别技术在炮兵作战中的应用

本文着眼于未来战争,结合现代炮兵作战特点,针对现代战场目标特征,重点介绍了目标探测与识别技术在现代炮兵作战中的应用.     

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。     

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。     

用于水声目标分类的加权免疫克隆样本选择算法

提出了一种新的用于水声目标分类的加权免疫克隆样本选择算法(weight Immune Clonal Instance Selection,wI-CISA)。算法利用Adaboost算法给予每个样本一权值,每代中根据样本权值计算抗体亲合度和克隆数,且根据克隆复制、抗体更新(海明距离交叉和加权简化最近邻变异)和克隆选择操作指导种群进化。提取了实测3类水声目标的时域波形结构特征、小波分析特征和听觉谱特征,进行样本选择和分类仿真实验,结果表明:wICISA可以选出有效样本子集,使样本数目减少82%左右,并且支持向量机分类器的正确分类率能提高约2%;wICISA具有较好的收敛性、稳定性,所得优化样本子集具有较好的泛化能力且能明显减少分类的时间。     

基于EK-NN的水声目标识别算法研究

针对水声目标信号复杂、样本获取难度大且富含不确定信息的问题,研究了一种新的证据K类近邻识别算法(Evidence K Nearest Neighbor,EK-NN)。首先在水声目标的各类训练样本中,根据特征距离大小选取待识别目标的K近邻,并构造其基本置信指派函数。然后使用证据理论中的Dempster-Shafer(D-S)规则对各类别下的近邻证据进行组合,最后再应用冲突置信的比例分配规则5(Redistribute Conflicting mass proportionally rule5,PCR5)将所有类别的组合证据进行融合,并根据融合结果和所设立的分类规则来判断目标的类别属性。根据水声目标实测数据,将新算法与其他几种常见的水声目标识别算法进行了对比分析,结果表明新算法能有效提高识别的准确率。     

用于水声目标识别的近邻无监督特征选择算法

针对水声目标数据的特征冗余问题,提出一种新的近邻无监督特征选择算法。首先利用顺序向后特征搜索算法生成原始特征集的子集,然后利用基于代表近邻选取方法的特征评价机制评价特征子集的优越性。使用实测水声目标数据集和声呐数据集进行特征选择和分类实验,在保持支持向量机平均分类正确率几乎不变的情况下,特征数目分别降低了90%和75%。结果表明,该算法选择出的特征子集,在去除冗余特征后有效地提高了后续学习算法的效率。     

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...     

一种有效降维的特征选择方法及其在水声目标识别中的应用

为在保证目标识别准确率基础上进行有效特征降维,文章以目标识别准确率为特征选择准则,提出一种支持向量机递归特征消除（Support Vector Machine Recursive Feature Elimination,SVM-RFE）快速筛选出部分优质特征子集与猫群算法（Cat Swarm Algorithm,CSO）迭代寻优结合的特征选择方法,并将该方法应用于水声目标识别的特征选择。实验数据处理结果表明：相比SVM-RFE和CSO特征选择算法,文中提出的方法在平均特征维数降低8%的基础上,平均目标识别率提高了1.88%,能够实现有效降维的目的。该方法对判断特征是否适合用于特定的目标识别也有一定应用价值。     

水声传感网中的高效调制解调器的设计

为适应水声传感网络节点密集、规模大、工作时间长的特点,提出了一种具有小体积、低成本、低功耗等特点的水声调制解调器。采用数字幅度调制2ASK调制解调方式,硬件使用低功耗设计方案,电池供电,使用市场上量产的收发一体式小型水声换能器,使功耗和成本得到大幅度降低。经实际测试,整机最大功耗为90 mW,数据传输速率为2kbps,具备代替市场上昂贵水声调制解调器的潜力,在水声传感网技术中有良好的应用前景。     

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。