基于多通道卷积神经网络的磁性舰船目标运动参数估计

传统磁性目标运动估计效果依赖于目标的初始状态信息,为克服这一缺陷,建立磁性运动目标三分量投影模型,并据此生成磁性舰船运动目标在运动速度、航向、信噪比等参数变化情况下的10类目标的训练数据集、验证数据集以及测试数据集。设计多通道卷积神经网络,对目标的正横距离和运动速度进行估计,并比较和分析了不同的学习方式和激活函数对网络性能的影响。结果表明:Adam+tanh组合方式的估计性能要优于其他组合方式,而且对磁性目标运动参数的估计效果比较精确,此方法相较于卡尔曼滤波、粒子滤波等估计算法的优越性在于运算复杂度低以及参数估计不需要目标初始状态信息。

基于MC-CNN网络的磁性运动舰船目标分类检测

为了提升水下平台对舰船目标的分类检测能力,在椭球体与磁偶极子阵列混合模型的基础上,建立了磁性舰船运动目标三分量投影模型,并据此生成了磁性舰船运动目标在变参数情况下的10类目标训练数据库。进一步提出了MC-CNN网络分类检测算法,实测和仿真磁数据库的分类检测结果表明,该网络具有运算量小、准确率高的特点。另外,鉴于MC-CNN分类准确率随着训练测试深度差的增加而性能变差的缺陷,提出了一种具有小数据测量、分类检测准确特点的工程化应用方式。