Pi-Sigma神经网络在实时底质分类中的应用

本文基于Pi-Sigma神经网络,设计了一种针对水声回波信号的实时底质分类器,它具有运算快速、正确率高的特点,在海试中实现了实时底质分类,取得良好的分类结果。

基于粒子群优化算法的PSO-BP海底声学底质分类方法

利用粒子群优化算法(PSO)较强的鲁棒性和全局搜索能力等优点,将PSO算法与BP神经网络相结合,优化了BP神经网络分类时的初始权值和阈值。基于珠江河口三角洲的侧扫声呐图像数据,提取了海底声呐图像中砂、礁石、泥3类典型底质的6种主要特征向量,利用PSO-BP方法对海底底质进行分类识别。实验表明,3类底质分类精度均大于90%,高于BP神经网络70%左右的分类精度,表明PSO-BP方法可有效应用于海底底质的分类识别。

基于遗传小波神经网络的海底声学底质识别分类

分割海底声纳探测图像,提取单元特征向量进行主成份分析,选取均值、标准差、对比度、相关系数、能量及同质性作为训练特征向量,构建小波神经网络。利用遗传算法优化小波神经网络的初始权值及小波参数,对砂、礁石、泥3种底质类型分别进行训练,并得到3种底质的测试精度都在90%以上,优于单独利用小波神经网络进行训练时的测试精度,克服了小波神经网络训练时易陷入局部极小的固有缺陷,表明基于遗传算法的小波神经网络可有效用于海底底质声纳图像的识别和分类。

基于回波强度的海底底质分类系统关键技术

介绍基于回波强度的海底底质分类软件的框架,并从多波束声呐原理入手解析ALL格式多波束声呐数据的存储结构和内容,通过软件开发可实现ALL格式多波束声呐数据的解码,提取各种数据包,并且通过一系列的数据预处理形成基于波束脚印包络栅格的高分辨率声呐图像。最后,利用改进的BP神经网络对生成的声呐图像进行海底底质分类。实验证明,本系统对底质全图分类效果很好,并为海底微地貌识别提供精确可靠的依据。

海底沉积物声学特征定量分析及其智能分类研究

海底底质特性描述及分类是当今浅海声学的研究热点,海底沉积物的物理结构特性与其声学响应特征密切相关。在分析海底沉积物声传播特性的基础上,应用现代计算机信号分析技术手段,对海底沉积物声学响应波形提取了4个特征参数:声速、波幅指数、波形关联维分形指数和声波频谱的频率矩。以这4个特征参数作为输入向量,海底沉积物的结构类型作为输出向量,建立径向基概率神经网络模型。研究表明建立的神经网络模型具有较强的海底沉积物分类预报能力。

海底声呐图像智能底质分类技术研究综述

海底声呐图像底质分类技术是指利用多波束、侧扫声呐等设备获取海底图像进行浅表层地质属性信息的反演和预测。综合运用水声学、图像处理以及机器学习的相关理论,声学海底底质分类技术能够快速、准确地识别海底底质类型。通过回顾国内外发展历程,对利用声学图像进行海底底质分类的关键技术进行了总结,从声学海底底质分类的关系模型、海底声呐图像的特征表达和分类模型构建三个方面介绍了领域内的研究进展和主要方法,重点分析了不同模型和方法的原理、技术特点和适用场合,并结合卷积神经网络对深度学习方法在海底底质分类中的应用进行了讨论。最后,对海底声呐图像底质分类技术的研究方向和发展趋势进行了归纳和展望。

蚁群算法优化BP神经网络声学底质分类方法

本文利用蚁群算法鲁棒性及全局寻优优点,帮助BP神经网络选取最优权值及阈值,以解决其易陷入局部最优解的缺陷,并基于Santa Cruz盆地多波束及底质采样数据,采用蚁群算法优化的BP神经网络对该盆地内存在的基岩、泥质砂、砂质泥三种底质类型训练分类。从网络预测平均误差和底质分类正确率对比来看,相较于传统BP神经网络,在相同训练次数下,采用蚁群算法优化后的神经网络,网络预测平均误差明显下降,下降比率达20.2%,底质分类正确率显著提高,正确率达90%以上。从区域多波束声学底质分类图来看,底质类型分布状态更加贴近自然规律,获得了良好分类效果。

基于Gammatone滤波器组时频谱和卷积神经网络的海底底质分类

为了有效利用海底底质信号完成海底底质的分类识别,该文提出一种将深度学习方法和底质信号相结合实现底质分类识别的方法。首先利用Gammatone滤波器组计算底质侧扫图像信号的时频谱,然后通过卷积神经网络对得到的时频谱进行分类识别完成底质分类。利用加利福尼亚州Scott Creek近海采集的侧扫声呐图像数据进行数据分析,结果表明应用该方法的底质分类准确率平均达到99.15%,相对于利用分类器分类人工提取的底质分类特征,分类性能更加优越;同时利用该方法处理海上试验数据,结果证明该方法具有一定的泛化能力。该文研究结果对实际的海底底质分类具有一定参考意义。

基于底质分类的浅海海域遥感水深反演

近年来,卫星遥感影像水深反演一直是国内外研究热点,以往的遥感影像水深反演模型多基于底质均一的条件,缺乏对混合海底底质的研究。针对此问题,本文提出基于底质分类视角的遥感影像水深反演模型。以中国海南岛周边的蜈支洲岛与附近卫星影像为试验数据,对其进行预处理与底质分类后,分别使用双向长短期记忆网络(Bi-LSTM)模型、Stumpf模型与一维卷积神经网络(1D-CNN)模型进行水深反演,分析底质分类前后水深反演结果与不同模型的水深反演结果。结果表明,不同模型在底质分类后水深反演精度均高于底质分类前水深反演精度。Bi-LSTM模型的水深反演精度最高,底质分类后遥感影像水深反演的平均绝对误差、均方根误差与决定系数分别为0.333 m、0.474 m、0.814 m,均优于对比模型。