众核处理架构在水下航行器相位编码脉冲回波检测中的应用

针对宽带编码脉冲、多输入多输出等新型目标探测体制发展带来的运算量和数据存储需求剧增的问题,根据水下航行器相位编码脉冲回波检测算法的数据级并行特点,提出应用图形处理器（Graphics Processing Unit,GPU）众核处理架构,并从任务分配策略、数据处理流程、GPU硬件资源利用率和存储器访问等角度考虑,设计了算法在GPU上的并行实现框架。利用湖试数据测试了桌面级GPU平台、嵌入式GPU平台与基于多核数字信号处理器（Digital Signal Processor,DSP）的传统航行器信号处理平台的性能,与多核DSP平台相比,嵌入式GPU平台在功耗、运算性能等方面更有优势。研究结果表明采用嵌入式GPU平台可大幅提升每瓦特性能指标并简化系统设计,能满足新型航行器探测系统大数据量、低功耗和实时性的应用需求。

不对称欠驱动水面机器人事件触发全局渐近镇定控制

本文研究了不对称欠驱动水面机器人事件触发全局渐近镇定控制问题.首先,引入坐标变换将系统全局渐近镇定控制问题转化为变换后模型欠驱动子系统的全局渐近镇定控制问题,利用周期时间函数构造时变辅助变量提出了一种时变连续的镇定控制律,并结合切换门限事件触发机制设计实际的事件触发推力与力矩控制输入使闭环系统全局渐近稳定.所提出的方法仅在系统满足触发条件时对控制器进行更新,能够节约系统资源以及减少执行器操纵次数,同时不会降低原有的控制品质.最后,通过仿真验证了所提出方法的有效性.

基于Faster-rcnn的水下目标检测算法研究

对海洋资源开发的关键是实现对水下目标实时而准确的检测,但由于水介质的吸收以及悬浮粒子的散射作用,水下待测目标往往存在颜色失真、对比度低等复杂问题,这极不利于准确评估目标检测算法的性能。本文提出一种基于Faster-rcnn的水下目标检测算法,该算法以Faster-rcnn结构为主框架,将ResNet-101深度神经网络替代Faster-rcnn原本的VGG-16卷积神经网络作为特征提取和训练初始化的共享卷积网络,同时采用Water-Net网络对水下图像数据集进行增强处理,最后针对部分图像标签数据过少的问题采取了标签数据增强的方法。通过实验证明,数据集的增强性能有效提升检测算法的性能,且能满足实时检测的需求。

改进通道注意力机制的时域水声信号识别网络

为了提高时域水声信号识别网络的性能,本文在改进通道注意力机制的基础上提出了一种识别时域信号的卷积神经网络。该网络分别在原始时域信号和时域重构序列中提取特征,并在训练过程中随机丢弃输入中的数据点以防止网络训练的过拟合。同时,本文使用由多个卷积层或残差模块构造的多尺度卷积模块提取不同频率成分下的信号特征。针对时域信号特点,本文在通道注意力机制中分别引入样本特征通道能量信息,样本特征通道幅值信息以及样本特征通道与样本整体间的相关性求解特征通道权值,增强特征中的有效成分。最后,在损失函数中添加分类器权值范数的正则项,突出网络提取的有效特征。在ShipsEar和DeepShip数据库下的实验结果表明,当训练数据和测试数据具有相似分布时,本文改进的卷积神经网络可对时域目标信号进行有效识别。

基于YOLOv3锚框优化的侧扫声呐图像目标检测

利用侧扫声呐图像来探查海底目标对海洋资源开采和海上军事防护都有重大意义。目前人为提取图像特征进行目标检测的传统机器学习方法逐渐被深度学习取代。深度学习技术在降低算法复杂度的同时提高图像目标检测效率,极大地推动了目标检测技术地发展。将深度学习检测算法应用到侧扫声呐图像目标检测领域时,锚框作为目标检测网络中较为重要的先验信息会影响最终的检测性能,考虑到声呐数据集的真实目标框与网络设定的锚框未必贴合的问题,本文在YOLOv3的基础上对锚框进行了优化,给出了一种能够获取有效先验锚框的策略。首先使用K-Means算法对真实目标框进行聚类,获得比较贴合于声呐数据集的锚框,然后设计了一种超参数锚框映射关系对聚类后的锚框进行拉伸变换,这样获得的锚框既包含了声呐数据集的目标框信息,也能利用到YOLOv3的多尺度特性。实验结果表明,所提锚框优化策略能够让YOLOv3网络获得更优的检测性能,适用于侧扫声呐图像的目标检测问题。

结合压缩感知模型的稀疏阵列波束形成方法

本文从稀疏阵列入手,将稀疏阵列接收数据模型转化为更高自由度下的单快拍接收数据模型,并将压缩感知模型引入稀疏阵列信号处理问题中,从理论上证明了其可行性。在等效单快拍数据下,利用稀疏重构算法准确估计信源方位和功率,进而对传统MVDR波束形成器进行优化。仿真结果表明,采用压缩感知模型实现稀疏阵列的波束形成,能够将稀疏阵列和压缩感知算法两者的优势结合,在阵列阵元数较少的条件下达到更高的自由度,同时具备良好的波束形成器性能。

应用半正定规划的目标方位超分辨方法

针对水下目标方位超分辨估计问题,提出了一种基于半正定规划(Sdp)的常规波束(CBF)方位超分辨算法(SdpCBF).Sdp-CBF算法基于常规波束形成获得多目标方位谱数据,利用阵列响应矩阵和半正定规划技术,精确估计目标数量和波达角方向.该算法的本质是利用阵列特性和信号能量信息获得超分辨方位估计,不用进行子空间分解,通过卷积反演的方式将阵列孔径的有限效应消除,在L2范数约束条件下重构空间谱.仿真表明,Sdp-CBF算法具有较强的噪声抑制能力,对非相干和相干信号均具有目标方位超分辨能力,在低信噪比环境下的方位分辨性能超过多重信号分类(MUSIC)等经典高分辨算法。对消声水池以及湖上实验数据的处理结果显示,Sdp-CBF算法在复杂环境中对相干信号及微弱信号具有较强的分辨能力。

功率受限的常规波束形成后处理拟合方法

针对水下目标方位超分辨估计问题,提出一种功率受限(Power Constraint)的常规波束形成(Conventional BeamForming)拟合算法(PC-CBF)。PC-CBF算法通过常规波束形成获得目标方位谱数据,利用阵列响应向量对方位谱进行后处理,准确估计目标个数与目标方位。算法对接收信号的功率进行限制,获得对方位谱的欠拟合,利用凸优化进行反演卷积,估计目标的方位信息。仿真结果表明,算法性能在分辨率上优于基于半正定规划的常规波束形成算法(semi-definite programming Conventional BeamForming,sdp-CBF)和多重信号分类(MUltiple SIgnal Clasification,MUSIC)。对水池实验数据以及湖试数据处理结果显示,PC-CBF算法能够获得较窄的谱峰宽度以及较低的背景级,具有较强的方位估计分辨能力。

最小方差无失真响应波束形成解卷积后处理算法

为提高最小方差无失真响应(Minimum Variance Distortionless Response,MVDR)波束形成算法的方位分辨能力,本文将MVDR算法的输出功率谱重新建模为卷积的形式,并运用两种解卷积技术对MVDR的方位谱进行后处理。该算法将角度空间中心位置的单个声源的MVDR方位谱当作点扩散函数(Point Spreading Function,PSF),并运用Richardson-Lucy算法和快速迭代收缩阈值算法(Fast Iterative Shrinkage-Thresholding Algorithm,FISTA)分别对MVDR(MVDR-RL,MVDR-FISTA)的方位谱进行解卷积后处理,获得背景级更低的MVDR-RL和MVDR-FISTA方位谱,同时提高了分辨能力和估计精度。仿真实验显示了所提算法的良好性能。

基于稀疏分量分析的振动信号源识别方法

振动传感器接收的信号往往包含不同部件的振动信号和环境噪声,为了从少量振动传感器的接收信号中识别信号源数和各频率分量,提出了一种基于稀疏分量分析的欠定盲源分离方法。该方法首先对混合信号进行时频变换,通过主成分分析提取各个时频点邻域的局部主成分,筛选出单源域特征数据。然后利用余弦距离改进聚类验证技术与模糊聚类算法,对振动源个数进行识别、对聚类参数进行更新,获得信号源数和混合矩阵估计。最后用一系列最小二乘法从混合信号对应的时频点中抽取出源信号。通过仿真实验和实测数据实验验证了本文方法的有效性和稳健性,相比经典时频比方法得到了更稳健、更精确的分离结果,这有助于对机械振动源进行识别和定量评估,以方便后续进行机械状态监测和减振降噪处理。

一种应用于遥感图像分类的迁移学习算法

针对遥感图像分类中数据集小以及数据集无标签等问题,利用深度迁移学习的思想,将迁移学习方法应用于神经网络训练中,以实现对遥感图像数据进行特征提取及分类。本文结合残差网络(RTN)和深度相关对齐方法(CORAL)将Alexnet模型迁移至遥感图像分类问题中,使得学习到的特征不仅具有可分类性,同时具备域不变性。通过与Deep CORAL和RTN算法对比,本文提出的算法具有更好的迁移效果。

基于转换量测容积卡尔曼滤波器带多普勒量测的目标跟踪算法

针对带多普勒量测的目标跟踪问题,提出一种基于转换量测容积卡尔曼滤波器的序贯滤波目标跟踪算法.对具有量测误差相关性的距离和多普勒量测进行解相关处理,构造出新的解相关量测方程,进而基于贝叶斯方法提出带多普勒量测的序贯处理算法的统一理论框架,实现对位置量测和多普勒量测的序贯滤波.在该理论框架下,提出基于转换量测容积卡尔曼滤波器的序贯滤波目标跟踪算法.该算法先采用转换量测容积卡尔曼滤波器和位置量测对目标状态进行估计,再利用经典容积卡尔曼滤波器对新构造的伪多普勒量测进行量测更新以实现目标跟踪.通过对所提算法的性能分析验证该算法的一致性和收敛性.仿真结果表明,该算法与其他跟踪算法相比,具有更高的跟踪精度.