一种基于改进深度自编码网络的水声目标识别方法

特征提取是实现目标识别的关键,而在海洋环境中,复杂的环境噪声使得海洋目标的特征提取异常困难。针对复杂海洋噪声下特征提取难的问题,提出一种基于改进深度自编码网络的特征提取方法对目标辐射噪声进行特征提取和识别。该方法通过深度自编码模型逐层学习提取数据中的抽象特征,但是针对海洋数据的样本数量少,呈现一定的随机性,随着模型网络层数加深,会出现梯度消失问题,为了解决该问题,在最后一层隐藏层的输入值中加入第一层的特征值,使得对整个网络的优化过程在两条通道中同时进行,有效地避免了单一通道中由于连乘导致的梯度消失问题。实验结果表明,与传统方法相比,所提算法能够有效地对舰船辐射噪声进行特征提取和分类,并具有良好的鲁棒性。     

基于Tetrolet变换的图像融合

Tetrolet变换与目前广为采用的小波变换相比, 在处理高维信号时具有更好的方向 性,能够精确 地表达图像的结构及纹理特征。本文将Tetrolet变换用于不同频谱图像的融合,以期获取更 大的信息量。 首先,将待融合的图像分别进行Tetrolet变换,得到不同尺度的高通和低通子带。然后,对 低通子带采用 基于局部区域梯度信息的融合方法得到低通融合系数,而对高通子带采用基于邻域方差加权 的融合方法得 到高通融合系数;最后,通过重构得到融合图像。采用多种图像进行了融合实验,其结果均 表明,经Tetrolet 变换获取的融合图像特征更为丰富、信息量更大,融合图像的信息熵和标准差都优于目前广 为采用的小波 变换和PCA变换图像融合算法;本文方法可有效地提高ATR系统和视觉对目标的识别探测概率 和降低虚警率。     

基于生成对抗网络的水声目标识别算法

目标识别是水声探测领域的难题,也是研究热点。在水声目标识别实际应用中,标记样本数量不足是制约识别结果的主要因素之一。针对水声目标噪声数据具有的小样本特点,基于深度学习理论提出一种基于生成对抗网络的识别模型。该模型从生成模型与对抗模型的相互博弈中,学习更多有效的识别特征信息,并与深度自编码网络和深度置信网络模型进行对比。仿真实验结果表明：在样本数量有限的情况下,生成对抗网络模型的识别效果优于深度置信网络与深度自编码网络;3种深度学习模型的识别性能均优于先提取梅尔倒谱系数特征,再用Softmax分类的方法。为进一步测试所建模型的性能,研究了3种深度学习模型在不同信噪比下的鲁棒性,仿真实验结果表明：生成对抗网络模型对噪声具有更强的鲁棒性。     

动态水声环境中的SEResNet模型目标识别方法

针对在无法预知海域信息的情况下，如何保证较高识别稳定性的关键问题，本文构建了SE＿ResNet网络利用对卷积操作通道的自适应加权方法，学习不同特征信息，增加网络的鲁棒性，使得网络可以自适应地识别不同声场环境下的目标。基于2组不同的实测水声数据集进行实验，其中实验1说明在-20～20 dB信噪比范围内，SE＿ResNet网络的识别能力均优于其他网络，实验2说明在高信噪比下，SE＿ResNet网络对类间相似度较低的数据集有很高的识别率，对相似度较高的数据集也具有很好的识别效果。结果表明SE＿ResNet网络有较强的鲁棒性。