| 水下航行体远场低频声特征提取鉴别方法综述 |
| |
| 引用本文： | 鹿绍庆,计方,徐鹏,李国楠,刘力溟. 水下航行体远场低频声特征提取鉴别方法综述[J]. 数字海洋与水下攻防, 2023, 6(3): 314-324 |
| |
| 作者姓名： | 鹿绍庆 计方 徐鹏 李国楠 刘力溟 |
| |
| 作者单位： | 中国舰船研究院,北京 100192;中国人民解放军第 92730 部队 92 分队,海南 三亚 572016 |
| |
| 基金项目： | 国家自然科学基金“海洋声学专项发展战略研究”(52242105)；国家自然科学基金“宽频复杂激励下双层圆柱壳透射噪声、辐射噪声耦合机理研究”(51409239) |
| |
| 摘 要： | 针对水下大型航行体的小样本远场低频特征提取与鉴别问题，从3个方面综述了目前国内外小样本低频特征提取与鉴别的传统方法和智能方法。时频域单独、时频域结合和视听感官特征提取的传统方法需要一定的先验知识与假设，易受环境干扰；专家系统、统计类方法和BP神经网络等早期的智能方法存在可移植性差、学习能力差、上限低、梯度消失等问题；深度置信网络（DBN）、卷积神经网络（CNN）、循环神经网络（RNN）、自编码器（AE）神经网络、生成对抗网络（GAN）、迁移学习深度网络等深度智能方法对先验知识依赖度低，可以提取深度不变特征，较其他方法更稳定，识别精度更高，但是也存在依赖数据量、可解释性不足的缺点。未来，传统方法与智能方法更深度的互补融合有望减少当前方法对数据量的依赖，提高深度特征的可解释性。
|
| 关 键 词： | 水下大型航行体 低频声学特征 特征提取鉴别 智能方法 深度神经网络 |
| 收稿时间： | 2023-03-23 |
Review of Far-field Low-frequency Acoustic Feature Extraction and Identification Methods for Underwater Vehicles |
| |
| LU Shaoqing,JI Fang,XU Peng,LI Guonan,LIU Liming. Review of Far-field Low-frequency Acoustic Feature Extraction and Identification Methods for Underwater Vehicles[J]. Digital Ocean&Underwater Warfare, 2023, 6(3): 314-324 |
| |
| Authors: | LU Shaoqing JI Fang XU Peng LI Guonan LIU Liming |
| |
| Affiliation: | China Ship Research and Development Academy,Beijing 100192 ,China;Branch 92,No.92730 Unit of PLA,Sanya 572016 ,China |
| |
| Abstract: | |
| |
| Keywords: | |
|
| 点击此处可从《数字海洋与水下攻防》浏览原始摘要信息 |
|
点击此处可从《数字海洋与水下攻防》下载免费的PDF全文 |
