共查询到17条相似文献,搜索用时 343 毫秒
1.
1引言 舰船目标辐射的水下噪声信号[1]包含有大量的目标信息,是被动声呐系统进行目标定位和识别的主要依据.本文从各类水下目标的辐射噪声中提取了四个有效的谱特征作为分类识别的依据,然后引入粗糙集(Rough Set)理论[2][3][4]的基本概念和理论,并将这些原理、算法运用到水下目标的融合识别中去,海上实录信号的分类实验结果令人满意. 相似文献
2.
针对强噪声背景下综放开采过程中垮落煤矸难以识别问题,提出了一种融合低级听觉特征Mel频谱和高级听觉特征听觉神经递质发放率的煤矸识别方法。首先,根据煤矸垮落冲击液压支架尾梁声音信号频谱特点,基于听觉神经滤波器组模型构建了适用于煤矸识别任务的听觉模型;然后,利用听觉模型对煤矸垮落声音信号进行分析,获得听觉神经递质发放率;再次,将听觉神经递质发放率与通过Mel频谱提取的峰值特征进行融合,得到煤矸声音听觉感知图;最后,基于所构建的听觉感知图,利用ConvNeXt模型进行煤矸识别。试验结果表明,采用融合听觉特征的煤矸识别方法在不同信噪比下均具有较高的识别准确率;其优越性在背景噪声较大的工况下(信噪比为-5 dB)尤为明显,准确率仍能达到91.52%,显著优于以低级听觉特征和频谱图作为识别特征和利用时频域特征结合机器学习的煤矸识别方法,验证了融合听觉特征的煤矸识别方法对噪声具有优越的鲁棒性。 相似文献
3.
4.
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。 相似文献
5.
6.
7.
8.
水声目标识别是被动声呐系统的主要应用之一。为了进一步提升小样本条件下水下目标的识别率,文章提出一种基于多尺度卷积和双端注意力机制相融合的方法。首先,提取梅尔倒谱系数,色度谱和计算谱对比度等特征,建立基于多类别特征子集的三维聚合特征。其次,采用多尺度卷积滤波器算子构造多分辨率卷积神经网络,以更好地适应三维聚合特征的时频结构。另外,采用双端注意力模型捕获样本的全局依赖和局部特性。采用基于指数加权的对数交叉熵函数作为损失函数,提升样本数较少类别的识别率。实验结果表明,该方法在ShipsEar数据上的平均识别率为95.5%,取得了较好的分类效果。 相似文献
9.
10.
由于海洋环境噪声复杂,噪声等级高,水下待识别目标信噪比低,从而造成了特征提取困难,目标识别率低的问题。基于此,文章提出了基于改进小波阈值的深度学习水下目标分类方法。此方法在传统小波阈值去噪的基础上提出了一种新的小波阈值函数,对于所采用的具体阈值将其与分解尺度相联系,从而实现降低背景噪声,提升水下目标分类识别率的目的。此方法对实测舰船辐射噪声信号进行小波分解,提取每一层的高频小波系数并对其进行处理;对处理完的信号再提取时频特征,最后将其输入后续的深度学习网络中。实验结果发现:在利用原有数据集情况下,利用基于改进小波阈值的深度学习进行水下目标的分类识别,采用卷积神经网络算法可达到88.56%的分类识别率。对前述实验结果进一步分析后,采用生成对抗网络的方法扩充数据样本,可达到96.673%的分类识别率。 相似文献
11.
在现代被动声纳系统中,水下目标的自动识别是关键技术之一。文章对被动声纳目标识别的特征提取、特征选择和分类器设计方面进行了回顾。对LOFAR,DEMON和小波变换等特征提取技术进行了讨论,分析了特征优化的重要性和专家系统和神经网络等分类器的优缺点,并简要分析了该领域的过去、现在和未来。 相似文献
12.
13.
14.
15.
特征提取和分类识别是统计模式识别中两大关键步骤。显然,不同的特征提取方法与不同的分类器相结合,识别性能往往是不同的。从微分几何的角度出发,可将特征系数的获得看成线性几何变换,即仿射变换,据此在黎曼空间提出一种基于黎曼度量的分类识别方法。通过对经典最近邻分类器的线性加权,达到更有效地分类识别。不但在理论上将特征系数提取与分类识别合理的结合起来,而且由人脸识别实验表明该方法的有效性,该方法比传统方法的识别率有约 3%的提高。 相似文献
16.
特征提取是图像识别过程中的重要的一部分,本文利用奇异值分解这种有效的代数特征提取方法,获得图像的有效特征描述,把同一类图像集中的各幅图像的信息矩阵的奇异值向量作为矩阵中的一列构成图像特征矩阵,求出图像类间离散度矩阵和图像类内离散度矩阵,比较它们的相似程度,最终获得有用和有效的特征。 相似文献
17.
ABSTRACTFace Recognition is the process of identifying and verifying the faces. Face recognition has vast importance in the field of Security, Healthcare, Banking, Criminal Identification, Payment, and Advertising. In this paper, we have reviewed various techniques and challenges for the face recognition. Illumination, pose variation, facial expressions, occlusions, aging, etc. are the key challenges to the success of face recognition. Pre-processing, Face Detection, Feature Extraction, Optimal Feature Selection, and Classification are primary steps in any face recognition system. This paper provides a detailed review of each. Feature extraction techniques can be classified as appearance-based methods or geometry-based methods, such method may be local or global. Feature extraction is the most crucial stage for the success of the face recognition system. However, deep learning methods have freed the user from handcrafting the features. In this article, we have surveyed state-of-the-art methods of last few decades and the comparative study of various feature extraction methods is provided. Article also describes the current challenges in the area. 相似文献