水下目标特性特征提取及其融合

为解决基于回波法水下目标分类与识别问题,从水下目标回波的弹性亮点特性、多分量特性和能量积分特性出发,利用频域离散小波变换(FDWT)、希尔伯特谱(Hilbert谱)、希尔伯特边际谱、分数阶傅里叶变换(FRFT)4种时-频分析方法从不同角度对目标回波与混响进行分析.对所提取的特征进行压缩与融合,利用支持向量机完成对水下目标和混响的分类与识别.文中给出了发射换能器以不同掠射角工作时4种时-频特征及其融合特征的识别率.实验结果表明,随着掠射角的增大,总体识别率呈现升高的趋势,融合特征可以有效提高识别率.     

水下沉底小目标回波的短时FrFT滤波分析

为提高主动声纳在浅海区域探测水下沉底目标的能力,研究了二类水下沉底目标回波和混响的时频特性.基于分数阶傅里叶变换(FrFT)方法,设计高斯窗的短时FrFT算法(STFrFT)对水下沉底目标回波进行表征,根据回波和湖底混响在FrFT域的时频聚焦性差别,将最佳旋转后的信号进行u域窄带滤波可有效地抑制混响的干扰.湖试数据分析表明,在两类沉底目标探测过程中的短时FrFT时频面上湖底混响拖尾衰减较快,该方法可有效地提取回波中稳健的时频特征.     

水下目标特征提取方法研究

目标特征提取目标识别和关键问题,良好的特征提取方法应该是用较少的特征存储量表达目标准确的物理意义,水下目标回波特性既可以由时间域的冲击响应描述,也可以由频率域上的系统函数描述,无论那种描述都是不全面的,本文通过对回波亮点谱特征的研究,提出了一种有效的特征提取方法－频域离散小波变换法（FDWT法）,其优点是能从复杂的目标回波中提取目标的弹性特征,并且特征维数低,将此方法用于三种目标的湖试数据,采用三层BP算法的前向神经网络对目标进行分类,得到了较高的识别率。     

面向小样本数据的水下目标识别神经网络深层化研究

在面对新时期海洋工程应用领域的挑战时,可以通过利用基于深度学习的神经网络在水声工程中的实现,来达成自动化、高效性、准确性的目标。然而在面对水下目标样本匮乏、水下声环境复杂、样本信噪比差等客观问题时,深度学习也会因其自身的局限性而变得不那么灵敏。针对小样本问题,通过构建多种目标特征提取法和深层深度神经网络模型,得到了不同目标特征提取与网络模型匹配后的目标识别率与网络预测值,并通过比对实验结果,提出了通过深层神经网络深层化设计解决小样本目标识别的新思路。     

一种基于FrFT的ISAR多目标成像方法

针对逆合成孔径雷达（IsAR）同一波束内多个运动目标在距离上重叠时的成像问题,提出了一种基于分数阶傅里叶变换（FrFT）的ISAR多目标成像新算法．首先建立多目标回波模型,通过分析各目标平动多普勒历程差异,得出各目标回波在同一距离门内均可近似为一组线性调频信号的结论．然后结合FrFT和Clean思想（FrFT-Clean）对多目标回波信号中各个目标的回波分量进行分离,最后用常规算法对各个单目标分别进行成像．仿真结果验证了该方法的有效性．     

基于三次相位补偿的运动目标参数估计

针对加速度在合成孔径雷达运动目标检测中会产生三次相位影响静止目标抑制和参数估计精度的问题, 提出基于三次相位补偿的参数估计方法. 在分析信号模型的基础上, 通过在时间-调频率平面内采用类似Dechirp和一维搜索的方法实现三次相位的补偿; 完成相位补偿后, 为克服某些时频分布中峰值重叠可能带来的目标丢失问题, 利用改进的分数阶傅里叶变换方法进行运动目标参数估计, 并给出了具体的参数估计方法. 最后, 计算机仿真验证了该方法的正确性和有效性.     

基于Keystone-FRFT的机动弱目标检测算法

针对机动弱目标检测中出现的距离走动和多普勒频率走动问题,在分析回波信号走动的基础上,提出一种基于楔形变换和分数阶傅里叶变换的弱目标检测算法。算法使用楔形变换补偿距离走动,利用分数阶傅里叶变换补偿多普勒频率走动,在低信噪比情况下能有效地检测机动弱目标。仿真分析表明算法有效。     

基于主动声纳的水下目标特征提取技术综述

主要针对目前国内外常用的主动声纳水下目标特征提取技术进行综述，并分析了目前尚存在的主要技术困难。     

基于正交小波包的水下宽带回波特征提取与识别

水下目标的自动识别是水声设备智能化的关键技术之一。在对目标回波进行正交小波包分析的基础上，提取信号在各分解子空间的能量以构成回波的特征空间。给出了两种衡量各特征识别能力的准则，而且基于这两种准则解决了小波包分析中的频率重叠问题，用它们对莱蒙湖(又名日内瓦湖，Geneva Lake)湖底4类沉积物的反射回波进行了特征提取和分类，比较了两种准则所提取特征的分类结果，得到了较为满意的效果。     

基于深度学习的手绘草图识别

现有的手绘草图识别方法严重依赖于费时费力的手工特征提取,而经典的深度学习模型主要是为彩色多纹理自然图像设计,用于识别手绘草图时效果不甚理想。本文提出了一种基于深度学习的手绘草图识别方法(Deep-Sketch) ,该算法根据手绘草图缺失颜色、纹理信息的特点,使用大尺寸的首层卷积核取代自然图像识别中常使用的小尺寸首层卷积核,获得更多的空间结构信息。利用训练浅层模型获得的模型参数来初始化深层模型对应层的模型参数,以加快收敛,减少训练时长。加入不改变特征大小的卷积层来加深网络深度等方法以减小错误率。实验结果表明,本文所提出的方法较之其它几种主流的手绘草图识别方法具有良好的正确率,对250类手绘草图识别正确率达到69.2%。     

基于深度学习的棉花品种识别

棉花作为我国最主要的农产品之一,不仅具有不错的观赏价值,更重要的还是工业原料。棉花的花型不 同于其他花卉种类,且不同种类其纤维长度还有所差异。为了解决棉花人工区分效率低的问题,本文基于深度学 习方法,以棉花原始的图像数据作为研究对象,通过多层网络学习棉花的特征信息,更加精确区分不同类型的棉 花种类。试验结果表明：本文所提出的卷积神经网络 CNN-CSC 模型相较于传统机器学习方法识别精度提升大约 15%,平均精度达到 89.17%,为棉花的自动化管理提供了一种有效的手段。     

一种基于Chirp信号的多数据传输方法研究

以分数阶傅里叶变换为数字信号处理基础,使用单Chirp信号完成多比特的数据传输功能.发送端采用同调频率不同初始频率的Chirp信号作为调制信号,接收端对接收到的信号进行分阶数傅里叶变换,根据分数域能量聚集的不同位置进行解调.此方法可在不影响Chirp载波性能的前提下,完成多数据的传输,进一步提高了通信系统的性能和容量.     

基于延时相关和FRFT的编队目标架次分辨方法

为较好满足窄带雷达的防空作战需求,提出了一种基于延时相关和分数阶傅里叶变换(FRFT)的空中编队目标架次分辨方法.该方法首先利用延时相关法粗略估计出回波信号的多普勒调频斜率,依据调频斜率和FRFT阶次的对应关系,获得最优变换阶次的粗略值;然后以FRFT后信号的熵值为最小化目标函数,提出一种精确搜索最优变换阶次算法,并以...     

基于不变性特征的水下目标特征提取

针对水下成像环境的特殊性和复杂性,分析了在离散状态下比例因子对不变矩特征的影响,构造了基于区域矩的仿射变换不变量,以克服水下不确定因素给目标识别带来的困难,为了验证所提取特征的有效性,对球体、椭球体、三棱柱和四棱柱4类水下目标进行了特征提取试验．仿真试验结果表明,该方法在对简单背景水下图像的特征提取上能够取得较好的效果,可有效地克服水下图像灰度分布不均和环境不确定因素的干扰,实现了对水下目标的区分．     

基于深度学习的法院命名实体识别模型

命名实体识别作为信息抽取、问答系统、句法分析、机器翻译等应用领域的重要基础工具,在法院判决书信息抽取系统中也得到了广泛应用。然而,已有的技术模型在文本中存在大量专有名词或术语时,实体识别的提取效果会变得很差。双向循环神经网络—条件随机场判别模型可对现有的法院判决书条件随机场模型进行优化,实现自动化特征的选取过程,准确率比已有的条件随机场模型更高。     

基于分数阶傅里叶变换的LFM干扰抑制算法

针对利用分数阶傅里叶变换(fractional Fourier transform,FrFT)进行干扰抑制时门限阈值设定的难题,为有效抑制DS/FH系统中的线性调频(linear frequency modulated,LFM)干扰,通过深入分析DS/FH和LFM信号的FrFT性质,提出了一种新的LFM干扰抑制算法,该算法充分利用FrFT时频面坐标轴旋转性质,通过计算信号的不同阶次FrFT并搜索其峰值,确定信号最优FrFT阶次,完成对LFM干扰信号的判别,最后采用频域陷波来抑制LFM干扰。理论分析和仿真实验表明,该算法能够有效的剔除DS/FH系统中的LFM干扰信号,不需要阈值门限设定,算法具有较好的稳健性和普适性。     

基于深度学习的面部微表情识别

微表情图片具有高度的相似性和密集性的细节信息,传统的微表情识别主要采用手工制作的方法,其识别种类与识别精度均无法满足精确的特征提取训练,因此提出一种深度学习方法,可以有效解决微表情识别在种类数量、准确度和速度上的问题.采用数据增强后合成的图像训练数据集,以处理后的数据集来训练卷积神经网络CNN模型.实验结果证明了所提出...     

利用小波互谱的体目标识别研究

阐述了双通道小波变换的互谱理论,给出了目标回波模型,利用体目标回波的亮点结构,采用阵列信号处理中的两阵元模型,对尺度目标作了识别,并给出了仿真结果与分析。