基于相平面轨迹方法的海底底质分类研究

提出了基于相平面轨迹的海底底质分类的方法,从海底回波信号的相平面轨迹中提取两个特征量:最大距离特征量和距离分布特征量。利用这两个量的统计特征来完成对不同海底的分类,并将该方法应用于处理海上实验数据。结果表明:该方法可靠地识别出了两种相近(沙-粉沙-粘土与粉沙质粘土)但不相同的海底底质类型,说明这种方法用在海底底质分类是可行有效的。     

联合特征选择与改进集成学习模型的海底底质分类

针对侧扫声呐获取类型复杂的海底底质数据分类问题,提出联合特征选择与改进Stacking模型的数据自驱动分类方法。该方法首先在海底散射数据多域态特征的基础上采用ReliefF算法提取有效的低维度特征,然后将人工鱼群算法与Stacking模型结合形成改进集成学习分类器,完成海底底质分类。海上数据处理结果表明该方法可对多种海底底质类型进行分类,分类准确率、Kappa系数和F1-score分别达到85.55%,0.857和0.887,证明了该方法的有效性。      

结合卷积神经网络的浅海有源探测信道匹配

信道匹配方法在有源探测领域是一种重要的提升检测信噪比的方法。针对非确知海底参数环境下的有源探测信道匹配问题,提出一种结合卷积神经网络进行信道匹配的算法。该算法基于海底参数扰动开展声场仿真生成卷积网络训练数据;首先通过分类网络将信号按照海底底质类型分类,在每个分类区间内采用单独的卷积网络反演海底参数;然后结合声场模型估计信道传递函数,进行信道匹配,从而在非确知环境下抑制多途影响,提升回波检测能力。仿真与实验结果表明,该算法能够在不确知海底环境条件下,有效估计信道传递函数,实现信道最优化匹配,在实验条件下可提高回波检测信噪比4 dB左右。相比传统方法,该算法可以在海底参数不确知条件下对低接收信噪比的信号实现信道匹配,同时不需要高信噪比的实验参考信号,有效提高了信道匹配方法的环境宽容性。      

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。     

水下目标多模态深度学习分类识别研究

水下目标的分类识别对于水声探测具有重要意义。提出一种水下目标多模态深度学习分类识别方法。针对水声信号的一维时域模态和二维频域模态特征建立一种多模态特征融合的深度学习结构,结合长短时记忆网络和卷积神经网络的优点,对一维时域信号和二维频谱信号分别进行并行处理,对输出进行典型相关分析,形成特征融合表示,并利用相邻帧的相关性进行参数优化。利用实测水声信号对算法进行了验证。结果表明：提出的算法对于水下目标识别的精度有显著的提高。     

多尺度分析在激光微多普勒效应特征提取中的应用

由于小波变换具有准确度高、抗噪性好等优点,在微多普勒效应探测方面具有很好的应用前景。利用多尺度分析（MRA）将信号进行分解并提取出含有微多普勒效应的低频平滑信息,获取了目标微小振动引起的微多普勒效应。用频谱分析和基于瞬时频率(Instfreq)的时-频域联合分析方法对原始信号及通过MRA分解得到的结果进行了对比研究。结果表明：利用时-频分析对MRA处理后的低频信号进行分析,可更加有效地提取微多普勒效应中振动信号的特征,为目标特征的识别、分类和探测提供了便利。     

海底沉积物的声学方法分类

本文提出一种垂直入射声脉冲遥测海底表层沉积物类型的方法。一些作者已经指出,海底反射系数可以作为特征量用于识别沉积物类型。然而,回波信号的形状可能包含沉积物类型更多的信息。本文尝试从回波包络的形状提取分类特征量。作者在实验中采取了减少表面散射影响的措施,采用较高的频率(120kHz),突出了沉积物中声衰减系数对回波包络形状的作用,从而提取出一个与衰减系数相关联的分类特征量F。该特征量与海底反射系数、海底粗糙度无关,用计算机软件实现了分类器。对五类海底分类75次的成功率为77.3％。     

基于频谱分析与支持向量机的车型音频识别研究

机动车车型识别是城市道路交通流监测统计的一个重要方面。本文基于频谱分析与支持向量机方法提出一种车型音频识别方法,以1/3倍频程频谱数据作为特征数据,并使用支持向量机方法完成不同车型分类下的车型识别,同时还分析比较了不同训练样本量及不同单个样本数据量大小对识别结果的影响。在将车型细分的情况下,对小汽车、大型公交车、水泥车、摩托车四种车型的样本外识别结果达到96.9%的准确率,验证了方法的有效性。     

基于多采样率的复合频率信号频率计设计

研究一种20 Hz～20 kHz双频复合频率的信号频谱在工程技术领域中具有重要应用意义;在对复合频率信号频谱理论分析的基础上,采用了一种多采样率计算复合频率信号频谱的方法,该方法在采用高采样率采集样本进行FFT变换频谱预估计的基础上,利用降采样率的方法再进行一次FFT变换频谱分析,然后结合频谱混叠时信号的频域特征利用预估计的频谱信息计算出高分辨率的频谱信息;该方法计算量适中,可以满足实时性要求;利用TI公司的TMS320F28234 DSP作为处理器构建了一个复合频率信号频率计,可以采集输入的复合频率信号并进行多采样率的频谱分析,经测试该频率计可以实时发送复合频率信号的频谱信息到上位机,频率分辨率达到2 Hz。     

海底单参数频域反演与沉积物分类

为了快速获取海底声学特性,从降低反演参数维数入手,提出一种基于海底单参数(小掠射角下海底反射损失随掠射角的变化率)的频域反演方法,并用于沉积物分类。在海底单参数模型基础上,对海底反射信号进行频域相关处理,利用几何射线理论,推导获得海底单参数与归一化频域自相关系数下降至0.5时频移量之间的关系表达式。通过研究海底单参数与沉积物类型之间的等效关系,对海底沉积物进行分类。对波兰波罗的海实验数据进行实际反演,得到1000~2500 Hz频段内的海底单参数值,进而判定实验海域海底沉积物类型为极细砂。结果表明,根据单参数反演值预报的声传播损失与实验测量值符合较好,利用频域反演结果获得的海底沉积物类型与取样结果一致,验证了实验海域频域反演方法的有效性及分类结果的正确性。      

An auditory periphery model for improving narrow-band noise recognition rate of underwater targets

The recognition rate of the auditory periphery features decreases when the model is used to identify underwater targets in practice. To solve this problem, an improved method based on Gammatone filter bank is proposed. Firstly, after the reason of the decreasing of the recognition results is analyzed,the mechanism of multichannel data acquisition in acoustic engineering may narrow down signal frequency range, which leads to time-frequency features distortion. Secondly, the Gammatone filter bank is implemented to simulate frequency decomposition characteristics of human ear basilar membrane. Since the class information of the underwater noise signal is mostly contained in low frequency range, the auditory features of the conventional model are interpolated and the channel number of the filter bank and the central frequency of each frequency band are adjusted accordingly to obtain a 27-dimensional feature vector of the narrow-band target signal. The adjusted model may reflect the target's timefrequency feature more precisely. Finally, the performance of the auditory features is tested by a Neural Network classifier. The experiment results show that the modified auditory model is more effective than the conventional ones. The major information contained in broadband signals is reserved and the classification ability for real targets is further enhanced. The recognition results are increased from 82.59% to 88.80%. The modified auditory features effectively improve the recognition rate for underwater target radiated noise signals.     

水中目标窄带噪声识别的听觉外周模型

为解决听觉外周模型特征在具有工程背景的水中目标声信号分类研究中识别率下降问题,提出了一种外周模型Gammatone滤波器组修正方法,获得的窄带噪声特征可明显提高水中目标识别性能。首先,分析了识别率下降原因,发现声学工程应用中多通道数据采集,导致信号频率范围变窄,而引起声信号的时频特征发生变化。其次,根据听觉模型用Gammatone滤波器组模拟人耳基底膜频率分解特性、低频信息包含水中目标噪声信号的重要类别特征,对原有的听觉模型特征进行插值,对滤波器组的通道数与中心频率进行适应性修正,得到目标噪声在较窄频带的27维特征,修正后的模型能够更精细地反映出目标时频特性。最后,采用神经网络分类器进行实验。结果表明,修正后的听觉模型保留了原较宽频带特征的主要信息,而且进一步提高了对实际目标的分类能力,识别率由原来的82.59%提高到88.80%。本文提出根据工程应用平台的有效接收频带优化听觉外周模型Gammatone滤波器组的设计,采用阵元级的多通道数据进行分析,侧重于工程应用,解决了多通道数据采集中,由于频带变窄,导致信号的特征信息量下降,进而引起声特征识别性能下降的问题,修正后的听觉模型特征,有效地提高水中目标辐射噪声的识别效果。本文对从事无源声呐目标识别、有源声呐目标识别、带宽受限的多通道声数据采集的时频特性分析研究人员具有一定的参考价值。      

时频谱图和数据增强的水声信号深度学习目标识别方法*

水声目标识别一直是水声领域研究的重点问题之一,深度学习方法可以有效地解决目标识别问题,然而,水声样本的稀少限制了该方法的应用。该文 提出一种基于数据增强的水声信号深度学习目标识别方法,该方法以Mel功率谱作为网络的输入特征,通过对原始信号在时域和时频域的拉伸和掩蔽等变换,实现数据扩展和增加泛化性能的目的,最后,利用改进的VGG网络模型实现目标分类。实验结果表明,该文方法得到的水下目标识别准确率(95.2%) 要优于其他4种对比方法,证明了该文提出的网络模型和数据增强方法均有助于提高目标分类性能。     

水声JANUS信号的分数低阶时频谱迁移学习识别方法

非合作第三方水下标准协议信号识别在水声通信信号识别中具有重要研究意义。针对浅海水声JANUS信号的特征提取因易受脉冲噪声和多径效应等复杂水声环境影响而导致识别率低下的问题,提出一种分数低阶时频谱和ResNet18 （Residual Network 18）相结合的迁移学习识别方法。首先,选取JANUS固定前导作为识别对象,设计分数低阶傅里叶同步压缩变换（FLOFSST）,以分数低阶操作抑制脉冲噪声,以时频重排特性增强时频集中性。其次,将基于ImageNet的ResNet18预训练模型微调,迁移至JANUS信号和常见水声信号时频图集。仿真表明所提算法在信噪比为-10 dB时JANUS信号的识别率为96.15%,能够有效抑制脉冲噪声并减小多径效应影响,比传统算法识别性能好。海试中JANUS信号识别率达90.00%,证明算法识别准确率和网络的泛化性较高。      

时频分布重排方法在水下目标回声识别中的应用

特征提取是目标识别的关键技术,本文提出了一种基于时频分布重排的Wigner-Ville分布(WD)特征提取方法。选择WD作为研究问题的切入点,使用核函数方法,通过平滑伪Wigner-Ville分布(SPWD)抑制交叉项;为解决引入核函数导致信号时频聚集性下降问题,我们采用时频重排方法来增强目标的时频聚集性,最后用海上实验数据对本文方法进行了有效性检验。实验结果表明,本文提出的SPWD时频重排特征提取方法具有:(1)可有效抑制WD固有的交叉项;(2)增强目标回声信号时频聚集性;(3)可明显地提高水下目标识别率。该方法具有一定的应用推广价值,为解决水下目标识别问题提供了很好的思路。     

基于小波系数图和卷积神经网络的太赫兹光谱物质识别

许多太赫兹光谱物质识别方法依靠寻找该物质在太赫兹波段范围内不同光谱表现出的不同特征来识别特定物质。吸收峰提取法是常用的光谱特征提取算法,但当光谱无明显特征吸收峰或峰位、峰值相近或难以识别时,难以利用吸收峰特征辨别物质。将机器学习和统计学习技术用于太赫兹光谱的识别中虽减少了吸收峰的干扰,但常常需要人为定义特征而导致分类误差。深度学习法能自动提取特征,但在识别前往往需要进行复杂的预处理操作,并且在特征提取的过程中容易丢失部分特征从而导致分类误差。针对以上问题,提出了一种基于小波系数图和卷积神经网络的太赫兹光谱识别方法。利用太赫兹光谱信号进行小波变换时,由于小波系数矩阵的每一行系数与原始光谱信号存在着对应关系,因此将太赫兹光谱的吸收系数通过小波变换在频率域上展开,能得到不同的二维的频率-尺度分布图,又称小波系数图。然后构造一个卷积神经网络(CNN)对小波系数图进行分类,可得到太赫兹光谱物质的分类结果。为了验证所提出算法的有效性,将三组小波系数图数据与原始光谱数据分别输入CNN、Support Vector Machin (SVM)、Multilayer Perceptron (MLP)三种不同的分类器作对比,从实验结果可以发现本文算法在三组数据中的识别率均达到了100%,说明相比于传统方法,本文方法能准确分类没有明显特征吸收峰的光谱,证明了使用卷积神经网络识别小波系数图的有效性。为了体现本文算法的优势,与小波脊线寻峰识别算法作对比,实验结果表明本文算法几乎不受峰频、峰位、峰值的影响,无论是识别不存在吸收峰的淀粉,还是识别相似度高的蔗糖和葡萄糖,都具有较高的识别率,分类准确率达97.62%,证明了所提算法的优越性。该算法为太赫兹光谱数据识别提供了一种新思路,同时也可以推广运用到其他谱图物质的识别中。     

圈养瓶鼻海豚通讯信号分析及融合分类方法

针对圈养条件下瓶鼻海豚通讯信号（whistle）分类时混叠大量回声定位信号（click）导致分类正确率降低的问题,提出了一种基于机器学习的融合分类方法。分别提取whistle信号的时频分布特征训练随机森林分类器,梅尔时频图特征训练卷积神经网络分类器,在此基础上设计融合判决器对混叠whistle信号进行分类识别。对圈养海豚声信号采集实验数据的分类识别结果表明,融合分类方法具有更好的分类性能,对混叠whistle信号分类正确率大于94%,优于时频分布特征分类器和梅尔时频图特征分类器,能够提高混叠信号的分类能力。      

低信噪比下公共场所异常声音声学特征提取

为了实现低信噪比下公共场所异常声音声学特征提取,提出经验小波滤波器组用于提取异常声音声学特征。首先,根据等效矩形带宽的人耳听觉特性,得到各滤波器的中心频率,计算出经验小波滤波器组的边界。然后,将边界代入经验小波细节函数和尺度函数中,形成经验小波滤波器组。最后,用经验小波滤波器组分解低信噪比下公共场所异常声音,经分解的各模态归一化对数能量作为异常声音声学特征,用于分类识别。相关实验表明,提出的经验小波滤波器组与典型的语音信号处理及时频信号处理方法相比,在低信噪比(0 dB)的商店、银行、办公室、自动取款机环境下,对异常声音的平均识别率提高了4.75%~37.92%,验证了提出方法的有效性。      

一种基于2D-CNN的激光超声表面缺陷检测方法

激光超声表面缺陷检测的过程中,缺陷的定量表征通常依赖于操作者的判断,易受到人为因素干扰,致使检测结果不稳定。针对这一问题,提出一种基于图像识别的二维卷积神经网络（2D-CNN）的缺陷自动分类检测方法。利用有限元方法模拟激光超声检测过程,并采集超声信号数据用于训练分类模型;使用连续小变换（CWT）处理超声信号得到小波时频图,以小波时频图作为输入训练卷积神经网络（CNN）分类模型,实现对表面缺陷深度的自动分类。验证结果表明:提出的检测方法能够对不同深度的缺陷准确分类,测试的平均准确率达到97.3%;构建的CNN分类模型能够自主学习输入图像的缺陷特征并完成分类,提高了检测结果稳定性,为激光超声缺陷检测的自动化分析处理提供了新的思路。     

Classification and recognition of transgenic product by terahertz spectroscopy and DSVM

The purpose of this paper is to construct a classification model that can identify class accurately and control imbalance. A novel adaptive decision support vector machine (DSVM) is proposed for the recognition of transgenic cotton seed based on terahertz spectroscopy (THz), which make the traditional support vector machine is ability of adaptive decision, and select optimal parameters by using particle swarm optimization (PSO). For the classification and recognition of the transgenic cotton seeds, firstly, the factor analysis (FA) is applied to reduce the dimension and extract the feature spectrum of original spectral information. Secondly, the feature spectrum is selected and fed into the model of DSVM to recognize the different transgenic cotton seeds. The experimental results show that the proposed method can effectively classify the different transgenic cotton seeds, and its recognition rate surpasses the comparative method evidently.