基于BP神经网络的海洋声学仪器信号识别方法

分析了几种常用海洋声学仪器信号的基本特征,提出一种基于误差反向传播(back propagation,BP)神经网络,以实现对信号特征参数进行分类、识别的方法.该方法采用短时傅里叶变换提取信号特征参数,运用Levenberg-Marquardt算法训练BP神经网络.以实测海洋声学仪器信号的特征参数进行训练后,采用实测和仿真样本对BP神经网络的识别能力进行测试.实验结果表明,BP神经网络能够有效地区分不同海洋声学仪器的信号,识别准确率达到95%以上,且虚警率低于5%.该研究成果可用于识别海域中不同海洋声学仪器,检测海洋中声学仪器的工作状态.该识别方法对于其他海洋声信号的识别研究也有一定的参考价值.

一种基于模型的合成孔径声呐图像目标快速识别方法

针对基于合成孔径声呐(SAS)图像目标识别的先验模板获取困难、运算复杂度高的问题,该文提出一种基于模型的改进型相关快速识别方法。首先,基于构造凸壳估计目标姿态角,实现目标成像几何关系的估计;其次,提出改进的基于隐藏点移除的目标图像快速生成方法,可实时得到各备选目标对应成像几何关系的仿真图像;进而基于图像相关实现目标图像识别;最后,仿真实验证明了算法的有效性。仿真实验结果表明,相比于常规的直接模板识别方法,该方法识别率高,计算速度快。

基于LabVIEW的海洋声学仪器信号识别方法

在总结几种常用海洋声学仪器的基本原理以及信号特征基础上,提出了采用频谱分析和自相关方法提取噪声中的信号频率、脉宽、周期信息,采用短时傅里叶变换提取海洋声学仪器信号的时-频特征值的方法,并与相关的海洋声学仪器信号参数数据库比对,设计了信号识别方法。基于LabVIEW软件构建了一套几种常用海洋声学仪器的信号识别系统,给出了识别系统的软件操作界面。通过应用实测ADCP数据和仿真信号源所产生的几种声学仪器信号进行信号识别检验,表明该系统能够在较低的信噪比条件下准确的识别已知特征参量的海洋声学仪器信号。研究成果可用于检测海洋中声学仪器的工作状态,识别不同海洋声学仪器。

水下目标亮点拓扑特征提取及自动识别方法

针对水下目标逆合成孔径声呐（Inverse Synthetic Aperture Sonar,ISAS）图像识别问题中观测角度随机多变,目标结构相互遮挡问题,提出一种基于多亮点拓扑矢量特征的ISAS水下目标识别方法。通过分析ISAS成像过程中散射点位置由三维空间向二维成像平面的投影关系,表明了横向定标后的声呐图像中强亮点之间的距离仅由目标散射结构之间的物理距离决定,据此基于强亮点之间的相互距离,构造能稳定描述不同观测角度下目标的拓扑矢量特征。然后通过K-means聚类获取多聚类中心以克服目标结构互相遮挡造成的亮点缺失问题。最终采用最近邻分类器实现目标识别。水池缩比模型实验表明,该方法对于水下目标的识别率达到84.0%。

一种利用迁移学习训练卷积神经网络的声呐图像识别方法

针对利用传统训练方法进行声呐图像识别时缺乏数据的问题,文中提出一种利用迁移学习训练卷积神经网络(CNN)实现声呐图像识别的方法。基于迁移学习的原理,通过对已有的预训练网络进行微调与重新训练,以减小对训练数据量的需求。随后利用缩比模型水池试验验证了该方法的有效性。试验结果表明,基于AlexNet预训练网络,相比传统的学习方法,迁移学习方法可以利用较少的训练数据,在较短的时间内通过训练达到95.81%的识别率。试验还对比了基于6种预训练网络进行迁移学习后的网络性能,结果表明基于VGG16的迁移网络识别率最高,可达到99.48%。最后,试验结果验证了CNN具有一定的噪声容忍能力,在较强噪声背景下,能保证较高的识别率。

基于财年预算的美国蛙人特战装备发展现状及动向分析

水下特种作战是海战的重要组成部分,蛙人水下作战因其隐蔽性好、作战效率高等优势,成为水下特战任务的重要组成部分和“非对称作战”的重要支撑。作为重要军事强国——美国在该领域的装备研发已很成熟,具有很好的借鉴意义。文中基于美国2010~2023财年的国防科研和采购预算报告,介绍了美海军蛙人特战装备领域重点研究项目,分析了其研究现状、研发重点及改进动向,梳理出美海军蛙人特战装备研发及项目管理特点,以期为相关蛙人水下装备体系构建和研制提供参考。

基于粒子滤波的声呐图像目标跟踪算法研究

声呐图像目标跟踪技术在水下UUV作战系统中具有重要意义,由于水声环境复杂,噪声干扰严重,导致声呐目标跟踪效果欠佳。本文针对UUV声呐成像特点,首先给出一种改进的Curvelet变换图像增强方法,可以有效降低声呐图像噪声并在一定程度上增强目标图像的边缘。并此基础上,提出一种基于粒子滤波的声呐目标跟踪算法以获得更为准确的目标跟踪效果。仿真结果表明,相较于传统声呐目标跟踪,该方法具有更好的目标跟踪精度以及鲁棒性。