密集连接神经网络在远距离水声目标探测中的性能分析

由于水声目标辐射噪声的低信噪比特性,探测远距离水声目标具有一定挑战。为提升远距离水声目标探测的准确率,文章提出一种基于密集连接神经网络和自注意力机制的方法。该方法提取信号的梅尔倒谱系数作为特征,在密集连接神经网络头部添加自注意力模块以捕获关键信息,经过多个密集块后输出探测结果。在实测数据集上进行实验,分析了自注意力机制添加与否、输入特征不同、接收端深度不同时模型的性能变化。应用在未来几天的数据测试模型的任务中,探测范围在小于10 km时,探测准确率为93.3%,探测范围扩大至20 km时,探测准确率为90.34%。实验结果表明,模型在信噪比不小于-6 dB时实现了水声目标探测,在增加更多的低信噪比样本后,仍具有一定探测能力,且其性能优于其他模型。此外,训练集包含多种信噪比条件下的数据时,探测性能会有进一步提升。     

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.     

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。     

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。     

水中弹性体的特征频率与声特性

对弹性壳体的特征频率与声散射、声辐射的谐振特性进行了对比研究。应用最小势能原理建立弹性体的有限元方程,并结合边界积分方程得到水中弹性体特征方程,采用Lanczos方法直接求解特征频率并进行固有振动模态分析。通过几种弹性壳体的特征频率与声特性的对比,验证了激励源频率在特征频率处会产生较强的谐振散射和谐振辐射,谐振对声特性影响的大小则与激励方式有关。具有附加结构的复杂线形长壳体的固有振动模态表明,低阶振动模态主要是主体部分径向和轴向振动,而附加结构对振动影响较小,但会使前几阶的特征频率偏移;高阶固有振动模态的主体和附加部分都产生形变,但主体的轴向振动是主要特征。     

基于自组织神经网络的声学底质分类研究

研究利用多波束测深系统获取的反向散射强度数据,应用自组织(Self Organizing Map,简称SOM)神经网络分类方法实现了对海底泥、砂、砾石和基岩等底质类型的快速、有效识别。通过实验示例,将SOM神经网络的分类结果与传统海底地质取样获取的真实底质类型进行分析比较,表明该方法是可行和有效的。     

水声定位系统在海洋工程中的应用

以海洋资源的勘探与开发为主要目的的大洋勘探、海洋开发以及海洋工程中,广泛需要声学定位系统提供水下定位服务。以水声定位技术与系统为关注对象,介绍了水声定位系统的国内外现状、技术发展趋势,以及水声定位系统在海洋油气开发、海底矿石开采、未来海洋空间站以及海底打捞、勘探等作业中的应用需求,并对影响水声定位系统性能的因素进行了分析总结。     

水声传感器网络移动节点定位技术

针对水声传感器网络的移动节点定位问题,首先研究了基于距离测量值的多边定位方法(Multilateral Localization,ML);然后利用节点运动信息,提出采用扩展卡尔曼滤波(Extended Kalman Filter,EKF)进行跟踪的方法;最后针对水下移动节点的测量值不同步问题,提出了修正扩展卡尔曼滤波(Modified Extend Kalman Filter,MEKF)以改进EKF的精度。仿真分析结果表明,MEKF的定位精度要好于EKF,而EKF和MEKF由于其用到了节点的运动信息,因此其定位精度要远好于ML。     

网络化水声对抗体系研究

"网络中心战"的概念已经深入军事领域。作为其水下形式,"网络化水声对抗"的研究近年来得到了更多的重视。首先定义了网络化水声对抗的概念和研究范畴,然后综述了此概念主要方面的内容。其中包括水声网络及其在网络化水声对抗中的应用、水声网络安全技术、水声进攻技术及网络化水声对抗器材技术等。这些方面构成了完整的网络化水声对抗体系结构。最后,展望了网络化水声对抗技术的进一步发展,并给出了相关的建议。