基于深度学习和多通道融合的低空目标声识别方法

低空目标声识别主要指被动接收低空飞行目标辐射声信号,依据声纹信息对目标类型进行判别的技术方法.基于单个传声器通道的目标识别性能往往会受到传声器周边环境和传声器本身特性异常的影响,因此需要研究基于多通道融合的低空目标声识别方法。对此,采用卷积神经网络处理各通道声信号的Mel频率倒谱系数特征,获取目标识别概率,并利用基于证据距离的信息融合方法,计算最终的目标识别结果。实测数据验证结果表明,基于多通道融合的低空目标声识别方法相较于单通道具有更高的稳健性,对单通道异常情况不敏感,仍然具有较高的识别准确率。

基于参数优化的支持向量机战场多目标声识别

针对网格搜索支持向量机(SVM)参数的方法存在复杂度高、运算量大等不足,提出了一种改进的网格搜索SVM分类器的最佳参数选择算法。将其应用于战场多目标SVM分类器中,对该分类器与KNN分类器和改进BP神经网络分类器进行的分类对比实验表明,改进的网格搜索SVM分类器参数选择算法可以有效地减少SVM分类器的运算量、改进学习性能并提高识别率。

基于MFCC参数和HMM的低空目标声识别方法研究

提出了一种战场声目标识别方法,模拟人耳的听觉机理提取更能反应出声音信号动态特征的Mel倒谱系数(MFCC)作为识别战场低空目标的参数;利用隐马尔可夫过程具有很强地表征时变信号的能力来表现声信号随时间变化呈现出的模式演变现象,建立隐马尔可夫模型(HMM);由K-均值聚类得出HMM模型的训练和识别特征向量,识别时设定阈值判定输入的未知声信号。实际数据的分析结果表明了该识别方法的准确性与有效性。

声呐图像水下目标识别综述与展望

随着海洋资源开发和水下作业的增加,声呐图像水下目标识别已成为热门研究领域。该文全面回顾了该领域的现状和未来趋势。首先,强调了声呐图像水下目标识别的背景和重要性,指出水下环境复杂和样本稀缺增加了任务难度。其次,深入探讨了典型的成像声呐技术,包括前视声呐、侧扫声呐、合成孔径声呐、多波束测深仪、干涉合成孔径声呐和前视三维声呐等。接下来,系统地审视了二维和三维声呐图像水下目标识别方法,比较了不同算法的优劣,还讨论了声呐图像序列的关联识别方法。最后,总结了当前领域的主要挑战,展望了未来研究方向,旨在促进水下声呐目标识别领域的发展。

基于改进ShuffleNetV2模型的声目标识别方法研究

轻量级神经网络模型参数量大幅减少,且速度得到了很大的提升,然而,检测的准确率却不高。因此,对轻量级ShuffleNetV2模型进行改进,加入3×3的Depthwise卷积核,同时降低1×1的卷积核和引入注意力机制SE模块。在ImageNet数据集中进行ShuffleNetV2模型预训练。然后,将改进的ShuffleNetV2模型与其他4种网络模型进行了实验对比。结果表明:改进ShuffleNetV2模型的综合性能最佳;与SE-ShuffleNetV2模型相比,在参数量和计算量一样时,其准确率提高了7.25%。改进的ShuffleNetV2模型为移动端的声目标精确识别进一步奠定了基础。

基于雷达信号转换的多维空间声音识别技术

为增加雷达信号的识别方式,提出一种基于雷达信号转换的多维空间声音识别技术。首先,将脉冲式的雷达信号拼接为连续特征声音信号;其次,使用高斯混合模型(Gaussian Mixed Model,GMM)训练拼接后的声信号;再次,根据GMM准则将未知雷达目标转化为特征向量,并与已训练的多维特征向量做对比,得到未知声目标的最大输出概率类型;最后,进行实验分析。实验结果表明,采用基于雷达信号转换的多维空间声音识别技术可以有效识别不同类型的雷达目标,为识别雷达信号提供了一种特殊的识别特征。

听觉模型输出谱特征在声目标识别中的应用

利用模拟人耳声信号处理过程的CcGC滤波器组模型,研究了听觉特征应用于声目标识别相比传统特征的优势。结果表明:当信号的信噪比下降时,听觉特征逐渐表现出更好的性能,体现了听觉系统优异的抗噪声能力。随后,本文从CcGC滤波器组模型所反映的听觉系统四个主要特性入手,通过仿真实验研究了耳蜗抑制噪声的机理,结果表明听觉系统的临界带划分和非线性压缩在耳蜗抑制噪声中起着关键的作用。

基于流形学习的单类分类算法及其在不均衡声目标识别中的应用

针对数据不均衡条件下的目标识别性能下降问题,首先讨论了目标声信号所包含低维流形的特点,在此基础上设计了基于流形学习的单类分类算法,通过比较测试样本与正类样本在流形上的符合程度判决其是否属于正类。将此分类算法应用于包含不均衡数据的声目标识别,三组不同环境和识别目标的实验数据集测试结果显示该算法可以有效地从多种目标中识别特定类别目标,与其他单类分类算法相比,提高数据不均衡条件下的识别性能,并对样本的混叠分布具有较好的鲁棒性。

一种基于谱估计的被动声呐目标识别方法

为解决被动声呐目标的特征提取与识别问题,通过对被动声呐目标噪声频谱特性的深入分析,给出了一种基于Welch谱估计的目标特征提取方法.对提取出来的特征采用动态规划的方法进行特征选择,得到用于识别的特征向量.对海上实录的多种型号和多种工况的大量噪声样本进行了特征提取和特征选择.采用BP神经网络和最近邻法对噪声样本进行了分类识别实验,结果证实了所提方法的可行性和有效性.研究结果可以用于被动声呐目标识别.

基于调制线谱特征提取的被动声呐目标识别技术研究

目标噪声特征提取和目标分类器设计是被动声呐目标识别系统的关键技术。本文针对被动声呐目标识别 ,首先着重研究了调制线谱特征提取方法 ,然后为了训练神经网络目标分类器 ,本文将遗传算法和BP算法相结合 ,提出了一种新的自适应遗传BP算法。最后 ,对海上实录的三类目标噪声进行了分类识别 ,实验结果表明本文设计的被动声呐目标识别系统具有很好的分类效果。

基于稀疏非负矩阵分解的低空声目标识别

借鉴人耳听觉原理和特征学习的优势,提出了梅尔(Mel)频率谱提取和稀疏非负矩阵分解相结合的方法用于低空飞行目标声信号识别。首先,以不同目标的Mel频率谱为特征矩阵,利用稀疏非负矩阵分解方法学习得到各自的模板矩阵;然后,利用按列合并后的模板矩阵对训练/测试样本进行特征分解获得编码系数,该系数可作为分类特征;最后,结合不同目标的特点,采用分频段特征提取和顺序二类分类的方法进行多目标分类,并与Mel频率倒谱系数进行性能比较。结果显示,无论在单类目标辨识还是在多类目标分类中,稀疏非负矩阵分解方法均取得了更好的效果。

基于SVD-TLS的AR谱估计方法在声目标识别中的应用

为提高 AR谱估计方法的抗噪性能 ,提出采用 SVD-TLS算法。文中对该算法作了介绍 ,并用一简单例子将 SVD-TLS与其它算法作了比较 ,最后应用 SVD-TLS对几组实测的直升机声信号进行了 AR参数估计和谐波频率提取。仿真结果表明 SVD-TL S较之其它算法可在更低的信噪比情况下准确地提取信号的频率信息 ,具有良好的抗噪性能和数值稳定性 ,将其用于声目标识别对改善系统的抗噪性能是十分有意义的。

多传感器声目标识别的研究

介绍了声目标的各种识别方法 ,将 Dempster-Shafer证据推理的基本理论应用到声目标的识别中。用质量函数构造基本概率赋值函数 ,给出了在 n次扫描情况下 ,累积质量函数的融合公式并给出了识别目标的决策方法。通过实例计算可以看出 。

遗传算法和神经网络在低空声目标识别中的应用研究

将神经网络应用于战场声目标分类,针对BP算法易陷入局部极小、收敛速度慢的缺点,利用遗传算法具有全局寻优的特点,将二者结合起来,提出一种训练神经网络的混合算法GA-BP算法,并将其应用于低空飞行目标的声识别。仿真结果表明该算法具有较高的识别概率和较好的鲁棒性。

基于ICA和HMM的低空声目标识别方法

提出了一种基于独立分量分析(ICA)和隐马尔可夫模型(HMM)的战场声目标识别方法。针对战场环境下声信号复杂多变,提取目标信号特征难的特点,该方法先利用基于独立分量分析的盲源分离分解混叠信号,再从分离信号中得到更能反应声音特性的Mel倒谱系数作为识别战场低空目标的特征参数;利用隐马尔可夫过程具有很强的表征时变信号的能力来表现声信号随时间变化呈现出的模式演变现象,建立隐马尔可夫模型(HMM)。实际数据的识别分析结果表明了该方法的准确性与有效性。

一种改进的隐马尔可夫模型训练方法及其在声目标识别中的应用

提出了一种基于最大相对界的改进隐马尔可夫模型训练方法。为解决隐马尔可夫模型的传统Baum_Welch训练算法在识别声目标时的局限以及现存区分训练算法泛化能力不足的问题,在经典隐马尔可夫模型为初始模型的基础上,定义了相对界,并通过最大化最小相对界建立一个最优化问题,用梯度下降法进行迭代求解,得到基于相对界的隐马尔可夫模型。将其应用于低空飞行目标声识别中,实际信号的识别结果表明算法相对于最好条件下的经典隐马尔可夫模型和最大互信息量隐马尔可夫模型性能有明显的提升,可以有效提高声目标识别系统的识别能力。

听觉模型倒谱系数及其在声目标识别中的应用

针对目前广泛采用的美尔倒谱系数(MFCC)鲁棒性不足的问题,基于人类听觉模型提出了一种可用于战场声目标识别的倒谱系数.用小波包变换代替了传统的傅里叶变换,克服了傅里叶变换在频域上单分辨率的缺陷和对噪声的敏感性.用指数压缩替换固定的对数压缩,较好地模拟了人耳处理信号的非线性能力.在SensIT实验数据和外场实际采集的低空目标数据上的实验结果表明:相对于经典的美尔倒谱系数,本文提出的倒谱系数在识别准确性和抗噪声能力方面都有较明显的提高.

声目标识别技术研究

本文对声目标识别的关键技术进行研究,探讨用小波分析来进行声信号处理和特征提取,用BP神经网络和支持向量机的模式分类方法来进行分类识别。通过对四种声信号的仿真实验表明,使用小波变换和人工神经网络技术及支持向量机分类技术相结合对声目标进行识别是有效、可行的。

加权邻域重构及其在声目标识别中的应用

针对流形学习方法用于声目标识别时易受噪声干扰的情况,提出一种加权邻域重构算法,采用加权迭代方式构造出带噪流形子曲面中最能反映该曲面变化趋势的曲线,通过拓展该曲线对带噪流形子曲面进行重构,利用新曲面计算低维嵌入.该算法在去除噪声的同时,最大限度地保持了原流形曲面的变化趋势,是一种适用于声目标识别的算法.在公开数据库和低空飞行目标实际数据中进行实验,结果表明在识别正确率及运行时间上,本文提出的算法相对于其他3种对比算法均取得了较好的效果.

一种基于单片机的声目标识别系统设计

在现有声探测技术的基础上 ,设计了基于 PIC单片机的声目标识别系统。结合对直升机、坦克的目标识别 ,确定了系统的参数。最后对系统进行实验验证 ,证明了系统的实用性。