广义轮换测量矩阵及其在水下回波信号压缩感知中的应用

根据压缩感知中测量矩阵的性质及要求,在轮换确定性测量矩阵的基础上,通过调整测量矩阵每一列元素的系数,增强列与列之间的相关性,得到广义轮换测量矩阵,并将其应用于水下回波信号的压缩感知观测中。通过无噪声下不同测量矩阵匹配度和相对误差随压缩比的变化,以及4、0、−3 dB三种信输入噪比下不同测量矩阵的输出信噪比、匹配度随压缩比的变化,分别对水下回波信号进行处理,比较其性能。仿真结果表明,相比部分哈达玛等确定性测量矩阵和以高斯为代表的随机测量矩阵,广义轮换测量矩阵在输出信噪比、匹配度、相对误差等方面有很大提高。同时广义轮换矩阵为确定性测量矩阵,便于工程实现。

利用小波和分形理论进行水下回波的特征提取

该文首先分析了五类湖底回波的不同尺度下小波子空间的能量特征和分形维特征;然后将这些特征矢量作为分类的特征,并根据特征本身的离散程度对其进行加权;最后采用最小距离分类器对其进行分类,取得了 96.11％的分类正确率。

基于小样本条件下水下回波生成方法

在人工智能引领的浪潮下,将深度学习方法应用在水下目标识别领域已经成为当前研究的热点之一。然而,在实际科学研究中由于受环境、时间、成本等多方面因素的限制,水下样本数据的获取变得极其困难,样本总量的不足导致深度学习模型的训练效果不佳。生成对抗网络作为一种新的人工智能技术,在数据增强、图像生成等领域具有广泛的应用。然而,传统结构的生成对抗网络模型对水下回波样本并不适用,不能直接用于样本数据生成。因此,针对水下目标数据不足问题,提出了基于改进型生成对抗网络的小样本条件下水下回波信号生成方法,结合回波信号的特点,设计并搭建了基于卷积单元的生成对抗网络模型,并且利用水池实验测试数据进行了回波信号生成仿真实验。最后在信号波形和幅度概率分布层面验证了生成信号的有效性。实验结果表明,文中提出的改进型生成对抗网络模型适用于小样本的情况下高度逼真原始回波信号的生成,为水下目标的主动探测、识别提供了新的思路。

Research of Underwater Bottom Object and Reverberation in Feature Space

The critical technical problem of underwater bottom object detection is founding a stable feature space for echo signals classification. The past literatures more focus on the characteristics of object echoes in feature space and reverberation is only treated as interference. In this paper, reverberation is considered as a kind of signal with steady characteristic, and the clustering of reverberation in frequency discrete wavelet transform （FDWT） feature space is studied. In order to extract the identifying information of echo signals, feature compression and cluster analysis are adopted in this paper, and the criterion of separability between object echoes and reverberation is given. The experimental data processing results show that reverberation has steady pattern in FDWT feature space which differs from that of object echoes. It is proven that there is separability between reverberation and object echoes.