声呐渗流测量数据降噪的分类模型研究

渗漏造成的一系列安全隐患已严重威胁到地下隐蔽工程的建设与正常运行。为了研发新的渗流测量手段与技术方法,减少控制渗漏事故的发生,提出了一种基于梯度提升树的声呐渗流检测结果分类模型。模型利用ReliefF算法选取贡献权重大的特征作为训练数据集,利用属性标注的数据集训练出区分水库渗流、井孔渗流与噪声的梯度提升树模型。实验结果表明,所提出的分类模型具有良好的识别性能,在训练集上实现了高达96.6%的准确度,且在实际使用中能够较为准确地识别噪声干扰。

小样本下基于深度学习的声呐图像分类研究

水下环境复杂多样,使得声呐成像模糊难以人工提取特征,同时声呐图像不易获取,数量远少于光学图像,导致了小样本情况下声呐图像分类网络的训练过拟合现象明显,识别准确率低。基于所建立的声呐图像数据集进行预处理后,提出一种改进的带有类别偏好的标签平滑正则化方法,对训练数据的标签进行优化,减轻网络的自信程度,并基于迁移学习中微调的方法利用光学图像对网络参数进行预训练和冻结,融合以上方法构建了一种小样本下的分类网络模型。仿真实验结果表明,优化后的网络模型取得了最佳分类识别准确率,有效抑制了过拟合现象,能够在小样本下实现精确分类声呐图像。

基于BPSO-KNN算法的被动声呐目标分类识别技术研究

以提取得到的被动声呐目标功率谱特征为基础,采用二进制粒子群(Binary Particle Swarm Optimization, BPSO)优化算法和k最近邻(k-Nearest Neighbor, KNN)分类算法相结合的BPSO-KNN算法进行特征选择和参数优化,分别用KNN分类算法和BPSO-KNN分类算法对实际得到的四类海上被动声呐目标进行分类识别。结果表明,BPSO-KNN算法可对提取的功率谱特征进行特征优化选择,并对KNN分类器进行参数优化,提高了对四类目标的分类精度。该算法在被动声呐目标分类识别方面有参考价值。

基于卷积残差网络的水下主动目标回波图像分类方法研究

文章采用深度学习的方法初步开展了水下主动目标回波亮点的分类识别研究。根据主动声呐回波数据的特点,构建了基于卷积残差网络(Residual Network,ResNet)的深度学习模型,并对实际的主动声呐基阵信号通过波束形成、匹配滤波处理得到了方位-距离图。从图中截取相应的区域,构建了包含目标、混响和杂波的训练样本集及测试样本集,并对其进行数据增强处理。在此基础上开展了基于ResNet-34网络的特征挖掘与分类试验,以识别出相应图像样本的类型。实验结果表明,ResNet-34网络可有效挖掘方位-距离图像中的可分性信息,即网络模型对试验中的目标回波图像和非目标回波(混响、杂波)图像具有良好的可分性。