基于极限学习自编码器的水声信号目标识别方法

传统的机器学习方法在特征提取时容易受到主观经验的影响,导致对水声信号目标的识别准确率不高。而一般深度学习算法模型较复杂,通常具有训练耗时、计算复杂度高等缺点。极限学习自编码器具有很强的非线性处理能力,适合针对具有非线性特点的水声信号目标的识别,而且模型具有学习速度快,泛化能力强等显著优势。将极限学习自编码器算法应用于水声信号目标识别中,并与卷积神经网络、自编码器和极限学习机识别方法进行对比,结果表明：提出的方法对水声信号目标识别的准确率最优,且训练时间较短。     

基于深度学习的水下目标声学识别与定位技术研究

为实现自主水下潜器(Autonomous Underwater Vehicle,简称 AUV)的自主目标探测识别与定位任务,以侧扫声呐数据为依据,考虑到扫描式声呐成像的特点,针对金属球类目标,基于 Darknet 框架设计了一种轻量化深度学习目标识别模型,并结合人工特征进行目标特性分析。同时对声呐图像设计了有效的图像增强方法。实验表明：上述目标识别方法在保证目标识别准确率的同时,具有较高的目标识别速率,适于低功耗嵌入式平台部署。     

基于水声环境空间中多模态深度融合模型的目标识别方法研究

随着对水下目标特性研究的深入和声学探测技术的发展,基于单模态的阵列式信息融合或基于空间信息的分布式信息融合的水下目标识别方法研究已有一定成果,但针对复杂海况导致单一物理场或单一融合层次的系统识别性能提高有限等方面影响的水下目标识别方法研究还有所不足,因此,开展基于多模态深度融合模型的水下目标识别方法研究可利用模态互补,共享信息而提升识别率。文中在国内外研究基础上,深入研究了基于到达时差法和多模态方法组合的检测方法,初步形成了基于水声环境空间中多模态深度融合模型的识别框架,开展了海洋中典型自然与人为事件的信号分析与特征提取,并在此基础上,设计新型基于海底基站的被动识别系统。该系统同步记录和由位置等组成的时间序列标记声、磁和压数据,可实现高精度、高分辨率的识别。本研究可满足未来海洋观测对高性能水下目标探测、定位和跟踪系统的迫切需要,为海洋安全监管、海洋突发事件应急响应等领域提供新的技术手段和科学参考。     

基于声呐图像的水下目标识别研究综述

水下目标识别是水下无人探测的一项核心技术,在军事和民用领域都有重要的应用。根据当前的水下目标识别研究进展,全面阐述基于声呐图像的水下目标识别原理和方法,对总结研究现状、发现存在的问题以及挖掘潜在的研究方向具有积极意义。针对基于声呐图像的水下目标识别问题,论述了图像去噪、图像分割以及水下目标识别等方面的主要进展,阐述了基于深度学习实现声呐图像目标识别的最新技术发展现状。通过对水下目标处理过程的讨论和分析,指出基于声呐图像的水下目标识别算法中亟需解决的关键科学问题及可能的解决思路,并对该领域的未来发展方向做了进一步的展望。     

多特征联合水声通信信号调制识别方法

为解决水声信道下通信信号识别困难的问题,对水声CW、LFM、2FSK、4FSK、BPSK、QPSK、DSSS-BPSK和OFDM信号的调制识别技术进行了研究,旨在提出一种适用于这8种信号的调制识别方法。通过对信号的时频特征、二次方谱特征及自相关特征进行分析,并利用基于迁移学习的ResNet网络和线性支持向量机进行分类,最终得到了一种多特征联合水声通信信号调制识别方法。仿真表明：在千岛湖多径信道下,信噪比大于9 dB时,所研究8种信号的识别率均在99%以上;最后,通过海试进一步验证了该方法的可行性,海试数据识别率均在93%以上。仿真及海试验证的结果表明,所提的方法是适用于水声信道的。     

基于深度学习的声呐图像目标检测系统

声呐图像目标检测是实现水下勘探、海底救援、敌对目标侦查等任务的重要环节,深度学习相关技术的突破为该领域的发展带来了新的机遇。基于深度学习的声呐图像目标检测算法性能优于传统方法,然而相关的系统性研究与应用仍然不足。鉴于此,利用深度学习模型数据驱动的优势设计了一种声呐图像目标检测系统,以满足实际应用对系统精度、速度、可移植性、可扩展性、部署环境的需求。该系统由数据集生成、算法模型训练与测试、模型部署应用3个子系统组成,应用于水下可疑目标探测任务,实验结果表明：所实现的目标检测系统在测试数据上和实际应用中均具有良好的性能。     

基于深度残差网络的水下通信调制信号分类

在无线通信中,调制分类是非协作通信的重要组成部分,很难使用常规方法同时兼顾识别准确率和低复杂度对各种调制方案进行高效分类。深度学习方法用来处理这个问题,可以取得良好的效果。在水声通信的环境下,由于通信环境的特殊性,导致信号的调制分类比陆地通信更加困难。创新采用了深度学习网络的改造残差结构形式来区分多种水声通信中的各种常用调制方法,通过合理地选用深度残差网络的超参数,有效克服了模型过拟合问题,取得了良好识别效果。     

深度学习在海洋信息探测中的应用:现状与展望

深度学习可以通过深度神经网络,使机器理解学习数据,从而提高数据分类效果和预测结果的准确性,因此在海洋信息探测中应用越来越受到重视.作者基于深度学习的基本原理,阐述了海洋上常用的深度学习神经网络模型,并结合海洋信息探测要素,对温度、盐度、风场、有效波高和海冰等进行了海洋环境信息因子的预测分析;同时,对船舶、溢油和涡旋等进...     

基于辐射噪声特征的舰船目标识别分类方法综述

通过舰船的辐射噪声对目标进行识别分类是水声领域的一个重要研究课题。综合介绍舰船辐射噪声数据获取途径、特征提取技术和目标识别技术。首先,介绍了 4 种数据采集类型较为丰富的辐射噪声数据库。其次,从线谱识别、小波分析和非线性特征提取技术 3 个方面介绍辐射噪声的特征提取技术。最后,从支持向量机等传统分类识别技术和深度学习技术 2 个方向介绍辐射噪声领域的识别分类技术。较系统地总结了基于舰船辐射噪声的目标识别分类技术,可以为舰船目标分类识别的研究提供参考。     

水中目标信息智能识别方法研究

提出了基于判定准则的海洋环境下目标关系识别方法。通过HBACA算法查找或识别不同元素关系能力强的特性,提取目标信息数据的关系,之后在信息数据关系中计算每个信息节点的点度中心度、紧致中心度和节点活跃度,根据信息数据在目标事件中的重要或关键程度,将信息数据划分为关键目标信息、重要目标信息和一般目标信息。仿真结果显示:能够明确地获得关键的信息数据坐标,并与其所处事件的重要程度能够匹配,同时相关信息数据的关系非常明显,很容易提炼出所处目标事件中重要目标信息数据之间的关联。     

基于扩频通信的深海水声定位技术研究

深海空间站在母船伴随保障时面对恶劣天气存在安全风险及水下多平台作业低效的问题,传统的单一的保障船模式仅依靠超短基线等水下定位方法,水下平台定位速度慢、误差大、相互感知协作困难,已无法满足要求.提出了一种基于通信信标的深海水声定位方法,采用宽带扩频通信进行时延估计,然后利用已建立的等效声速表查找等效声速,完成声线修正,从...     

基于深度学习的中尺度涡检测技术及其在声场中的应用

针对海洋中尺度涡的检测与参数提取问题,本文使用中尺度涡SAR图像数据集,提出基于深度学习的EddyYolo目标检测模型进行中尺度涡的涡旋中心和涡旋水平尺度的多目标检测,并且提取涡心位置和涡旋水平半径等参数.实验结果表明:本文提出的EddyYolo模型实现了涡旋中心和涡旋水平尺度的多目标检测,检测准确率达到94%.在此基础上,结合二维高斯涡模型和三维中尺度涡模型,本文提出了基于卫星遥感与声学对中尺度涡的联合建模方法.     

深海RAP下的水声信道特性与通信技术研究

可靠声路径（Reliable Acoustic Path,RAP）是深海声传播的重要通道之一,其受界面影响较小,传播损失较低,可以传播到较远的距离,而且在临界深度以下,环境噪声较低;其次,可靠声路径有效避开了多途扩展现象,声线以结构稳定的直达声为主。在总结可靠声路径物理机理和声传播优势的基础上,对比分析了几种不同海洋参数条件下RAP声传播特性,然后采用射线模型仿真分析了RAP声信道内的接收声线结构,之后基于仿真的RAP信道进行了单载波通信性能的分析。仿真结果发现：在RAP声信道内,直达声能量高,传播损失低,声线结构稳定且多途扩展小,对环境变化不敏感,在35km左右的中远程距离内具有很高的信噪比;相同仿真条件下,RAP区域的误码率较同距离浅深度的接收低很多,而且RAP区域接收信号信噪比高出其他区域10 dB左右。该研究结果对于实现垂直方向上深海信息的跨域传输具有重要意义。     

水下声学定位系统及其应用

分析了短基线、长基线和组合水声定位系统的特点，并就国内外声学定位系统的技术发展，对水声定位系统的分类及其原理、定位精度、发展现状与应用等方面进行了讨论。