深度多属性增强水声目标识别方法

被动声纳系统由于其隐蔽性好的特点在军事任务中发挥着重要作用。针对被动水声目标识别问题,开展了水声目标多属性特征提取与识别方法研究。利用深度学习方法从舰船辐射噪声中提取目标多属性特征并识别水声目标。提出了深度多属性增强水声目标识别方法,该方法可以从时域舰船辐射噪声中提取水声目标多属性特征及多属性之间的相关性特征,并用来增强深度模型对水声目标类别属性的表达能力。基于海试实测数据的6类水声目标识别实验结果表明,相比于不考虑多属性的识别方法,提出的深度多属性增强水声目标识别方法的平均正确识别率提高了3.6%~18.2%,并且具有更好的识别稳定性。

融合样本选择与特征选择的AdaBoost支持向量机集成算法

为提高AdaBoost分类器集成算法的分类精确度并简化分类系统的复杂度,提出一种融合样本选择与特征选择的AdaBoost支持向量机集成算法（IFSelect-SVME）.该算法在AdaBoost算法的每个循环中利用加权免疫克隆样本选择算法进行样本选择,并用互信息顺序向前特征选择算法进行特征选择,再利用每个循环优化选择得到的特征样本子集训练个体SVM分类器,并对其进行加权集成,生成最终的决策系统.对实验所用9组UCI数据集的仿真结果表明：与支持向量机集成（SVME）算法相比,IFSelect-SVME算法的正确分类率有所提高,且样本数可减少30.8％～80.0％,特征数可减少32.2％～81.5％,简化了集成结构,缩短了测试样本的分类时间,所得到的分类系统具有更好的分类精度.

用于水声目标识别的自适应免疫特征选择算法

针对水声目标小样本识别中样本数目有限而特征数目不断增加,导致分类系统分类性能下降的问题,提出了一种新的自适应免疫特征选择算法(AIFSA).该算法先利用先验知识生成初始种群,接着利用交叉、变异和新的自适应免疫算子指导种群进化,每代中对分类贡献大且选择特征数目少的个体适应度值高.AIFSA具有可以利用先验知识、收敛速度快以及优化特征子集维数小的优点.提取了实测4类水声目标的多域特征,进行特征选择和分类识别仿真实验,结果表明:AIFSA可以选择有效特征子集,在特征维数下降60%的情况下,支持向量机分类器的平均正确分类率下降很小;AIFSA与标准遗传算法相比,收敛快、稳定,所得优化特征子集具有更高的正确分类率和更好的范化性能.

用于水声目标特征学习与识别的混合正则化深度置信网络

针对获取水声目标有类标样本困难且代价高昂的水声目标小样本识别问题,提出了基于混合正则化深度置信网络(hybrid regularization deep belief network,HR-DBN)的水声目标深度特征学习及识别方法。该方法首先提出了混合2种正则化策略的深度置信网络进行水声目标深度特征学习。第一种正则化策略是利用最大互信息组正则化项修正目标函数,提高隐含层的稀疏度;第二种正则化策略是利用大量无类标样本获得有关水声目标的普遍特性的描述和先验知识,引导特征学习。最后利用少量有类标样本对网络进行全局优化,构建识别系统,提高水声目标识别正确率。利用2类实测舰船辐射噪声数据进行验证实验,实验结果表明,提出的方法可以提取描述水声目标的深度特征,提高水声目标识别正确率。

基于声信号人耳听觉谱特征的风机故障诊断

提出了风机噪声信号的人耳听觉谱特征提取方法,利用人耳听觉谱特征模拟人耳听觉系统的特性,采用支持向量机分类器进行风机故障的分类识别;设计了基于听觉原理和支持向量机分类器的风机故障诊断系统,并应用于风机故障诊断。文中所用实验数据是在工厂现场采集获得,对现场实测数据的识别实验证明,人耳听觉谱特征可有效用于风机故障诊断,可正确识别99.18%的正常机器,故障类型诊断的正确识别率在91%以上。

基于支持向量机和遗传算法的水下目标特征选择算法

基于统计学习理论和遗传算法理论,提出了一种基于支持向量机和遗传算法相结合的水下目标特征选择算法。通过对实测数据的特征集的优化选择实验,证明了该算法的有效性和鲁棒性,它能较好地解决在复杂水下目标信号所提取的特征维数高,样本采样困难,数目偏少的实际情况下的分类识别问题。

水下目标识别中样本选择与SVME融合算法

水下目标识别中训练样本集含有冗余样本、噪声样本及无关样本,且特征提取、特征选择和决策系统设计过程分离而导致系统识别性能的下降,为此提出了基于加权最近邻收缩样本选择的SVM集成算法(SVME-WRNN)和基于加权免疫克隆样本选择的SVM集成算法(SVME-WICISA)。这2种集成方法通过样本选择来构建精度高、差异大的子分类器,并将其集成。利用4类水下目标实测数据进行了分类仿真实验。实验结果表明:SVME-WRNN算法和SVME-WICISA算法与SVME算法(无样本选择)相比较,在识别率相当的情况下,大幅度地降低了训练样本数目,得到的综合分类器具有良好的分类精度。

支持向量机集成和特征选择联合算法

提出了两种基于支持向量机集成和特征选择联合算法。联合算法的核心思想是在构建基础分类器的同时选择有效特征。通过对实测舰船数据和公共数据的识别实验,证明了两种算法都可以用于舰船目标识别。算法一更适用于冗余特征较多的情况。算法二在对舰船目标识别时,选择的特征数目降低为原来特征数目的30%,正确分类率比单个支持向量机高近10%。

基于自适应增强SVM集成算法的风机故障诊断

提出了自适应增强支持向量机集成算法,并结合风机噪声信号的人耳听觉谱特征,对风机故障进行分类识别。现场实测数据的识别实验证明,该算法可正确识别99%的正常机器,并且对故障类型诊断的正确识别率比单个支持向量机分类器高1.88%~2.50%。

基于支持向量机集成的水下目标自动识别系统

针对水下目标信号复杂、样本获取难度大、样本数目偏少的问题,提出了多类支持向量机集成算法,并且以此算法为核心构建了水下目标自动识别系统。通过对4类实测水下目标的识别实验,证明了所提出的水下目标自动识别系统可以用于水下目标识别,并且具有很好的推广能力。

基于多模型深度特征集成的水声目标识别方法

基于深度学习的水声目标识别算法表现出强大的数据分布拟合能力,已经成为研究重点和热点。深度模型的拟合能力与其复杂度正相关,但过于复杂的模型会显著增加计算成本。综合考虑识别性能以及计算成本,提出了基于多模型深度特征集成的水声目标识别方法。首先利用预训练好的深层模型提取深度特征,再利用特征压缩和集成方法将深度特征融合到浅层模型中,通过改变集成的深度特征维度构建多个深度特征集成模型作为子模型,最后多个子模型通过加权投票实现目标识别。实验结果表明,提出方法的平均正确识别率比对比方法提高了0.37%~5.46%,同时参数量仅为Xception的1/34。

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。

用于水下目标识别的无监督特征选择算法

随着社会发展,海洋空间对人类变得愈发重要,对新的水下目标自动识别系统的需求也愈发迫切。在水下目标自动识别系统的构建过程中,提取到的特征含有很多冗余特征、不相关特征和噪声特征,影响系统工作效率,降低了分类识别正确率。为此,本文提出一种新的用于水下目标识别的特征选择算法——基于图学习的无监督特征选择算法(Unsupervised Feature Selection Algorithm Based on Graph Learning,UFSGL)。该算法通过同时进行转换矩阵优化和图学习来优化算法框架,并用正则化方法优化加权图中边的光滑度,最后对转换矩阵进行稀疏化从而进行特征选择。使用UCI数据库的sonar数据集对算法性能进行验证,结果证明,UFSGL算法能够有效减少特征子集中的特征个数,并在一定程度上提高分类识别正确率。

被动水下目标识别研究进展综述

由于海洋环境的复杂性和舰船声隐身技术的发展,被动水下目标识别面临巨大的挑战,是各国水声信号处理领域研究的焦点。首先在介绍基于机器学习的水下目标识别(UATR)技术的基础上,重点分析与总结了水下目标特征提取(时域波形结构特征提取、频域谱特征提取、时频分析特征提取、听觉感知特征提取)、特征选择、分类器设计等方面的研究现状,然后阐述了在人工智能快速发展背景下的UATR技术发展的现状,最后,论述了UATR智能化发展中依然存在的问题及未来发展趋势。综述表明,在水下目标识别领域,基于舰船辐射噪声的水下目标识别依然面临着诸多困难和挑战,构建智能水下目标识别系统,还需要更多的思考和实践。

基于多核稀疏保持投影的多特征集典型相关分析的水下目标特征融合方法

针对水下目标识别特征样本集高维小样本问题,提出了基于多核稀疏保持投影的多特征集典型相关分析的水下目标特征融合方法。该方法用多特征集典型相关分析算法对多域特征的整体相关程度进行定量分析,去除冗余和噪声特征,实现多域特征的融合,并利用多核稀疏保持投影算法,对提取的多域特征样本的稀疏重构性加以约束,增强了特征的判别能力。利用实测舰船辐射噪声数据验证基于核稀疏保持投影的多特征集典型相关分析的水下目标特征融合方法的有效性,与多特征集典型相关分析方法和核稀疏保持投影典型相关分析方法进行了对比,实验研究表明,提出的方法可以有效去除冗余和噪声特征,实现多域水下目标特征的融合,提高水下目标的识别正确率。

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。

两种半监督多类水下目标识别算法的比较

基于半监督学习理论的水下目标识别系统能够从未知类别测试集中识别出已学习类别测试样本,并拒判未学习类别测试样本。描述并讨论了两种基于支持向量数据描述(Support Vector Data Description,SVDD)的半监督水下目标识别算法:半监督SVDD与半监督SVDD集成。利用四类实测水下目标样本进行实验,训练样本为三类已知类别样本,测试样本为四类样本,包含一类未学习类别样本。对两种算法实验结果进行比较,表明半监督SVDD集成算法比半监督SVDD算法能更好地识别已学习类别测试样本,并能有效拒判未学习类别测试样本,不足之处为时间消耗与过程复杂程度比半监督SVDD算法高。

基于相位匹配原理的波达方向遗传搜索算法

提出了一种将信号相位匹配原理和遗传算法相结合的信号波达方向估计方法.根据信号相位匹配原理的最小二乘解所确定的期望信号能量函数,设计了遗传算法的适应度函数.分析了不同信噪比下阵元数和FFT序列长度对波达方向估计精度的影响,给出了不同信噪比时波达方向估计的Monte-Carlo实验结果.计算机仿真表明,该方法不但可在360°范围内快速搜索波达方向,而且还能同时对信号频率进行参数估计.只估计波达方向时,在信噪比为0dB、8阵元、1024点FFT和种群规模为20的情况下,20代遗传进化就可搜索到精度较高的波达方向;同时进行方向和参数估计也取得较好的效果,证明了该方法的有效性.

一种用于风机故障诊断的免疫克隆特征选择算法

提出一种新的用于风机故障诊断的免疫克隆特征选择算法。提取了生产线上实测风机噪声的时域波形结构特征、小波分析特征及听觉谱特征,进行特征选择和故障诊断仿真实验。实验结果表明:在特征选择后的特征数目比原特征数目减少61%的情况下,支持向量机分类器的分类正确率下降很小,分类时间显著减少。实验结果证明了该算法的有效性和鲁棒性,且能有效地应用于风机故障诊断。

基于卷积神经网络的水声通信调制识别

复杂海洋环境为水声通信信号调制方式的识别带来了巨大的挑战。在典型海洋环境条件下,对水声信号和水声信道进行仿真,构建了基于卷积神经网络的水声通信信号调制识别系统,利用卷积神经网络对信号时频进行特征学习,实现水声通信信号的调制识别。使用仿真的水声信道传输的信号样本训练网络,对不同信道传输的信号样本进行分类识别,仿真实验结果表明,使用卷积神经网络可以实现对水声通信信号的调制识别,仿真条件下识别正确率可以达到85%以上,对不同的水声信道具有一定的鲁棒性。