舰船噪声识别(Ⅰ)──总体框架、线谱分析和提取

本系列文章的工作是在舰船噪声谱图的基础上，利用模糊神经网络对舰船进行分类识别。文章Ⅰ叙述了舰船噪声的谱特征由可分离的平稳谱和非平稳谱组成，介绍了既利用有效识别特征（有类别共性和异性的特征）又对特定舰船特征作专门记忆的工作路线及识别框架，对特定舰船的记忆具体体现在特定舰船特征模库一包含有线谱模板库、双重频率谱模板库和平均功率谱模板库。文章Ⅰ又具体讨论了特征提取和建立线谱模板时所碰到的理论、模型、分析参数及线谱提取方法，舰船噪声实际情况和理论之间的差异等问题。文章最后介绍了用机器自动提取线谱的一种方法。系列文章Ⅱ将讨论线谱稳定性、唯一性和线谱模板图；文章Ⅲ将讨论双重谱和平均功率谱的特征提取和模板建立；文章Ⅳ将讨论模糊神经网络和识别。     

舰船噪声识别(Ⅱ)──线谱稳定性和唯一性

本系列文章的工作是在舰船噪声谱图的基础上,利用模糊神经网络对舰船进行分类识别．本文是系列文章的第二篇,研究如何用线谱模板来记忆特定舰船的稳定线谱特征和涉及的一些问题．首先调查线谱分析参数──平均时间、平均次数对线谱稳定出现的影响,比较了两个不同平均次数对线谱稳定出现的影响,稳定线谱（出现率＞70%）和不稳定线谱的比例,说明了利用稳定线谱作识别时需作长时间的平均．研究了利用稳定线谱建立舰船线谱特征模库时所用的统计方法,稳定性的限定和有关参数的定义．在43条舰船65种情况1000多个样本（原始记录时间总长约为3．5小时）中调查了线谱稳定性和稳定线谱的唯一性,调查结果说明唯一性在统计意义下成立,其平均重叠率为5％,无稳定线谱的舰船占8％．对于线谱数量丰富程度的特征,不存在甲类舰船线谱丰富,而乙类舰船线谱不丰富的规律．     

舰船噪声识别(Ⅲ)──双重谱和平均功率谱的特征提取和模板图

本系列文章的工作是在舰船噪声谱图的基础上,利用模糊神经网络对舰船进行分类识别。本文是系列文章的第三篇,研究提取双重频率功率谱中调制信息的方法及建立双重谱和平均功率谱模板图。对双重谱,在每个频道中利用最小二乘法消除趋势项,对高频调制作适当补偿。包络线谱的强弱用谱线低于零频谱强度的调制深度和诺线跳出基线的相对高度来表示,并通过隶属函数转换为模糊度量。双重谱模板图记忆了稳定出现的调制线谱和相对应的调制强度。平均功率谱的模板图记忆了多个典型样本的谱均值和对应的标准离差。     

基于极限环的舰船噪声信号非线性特征分析及提取

特征分析及提取是目标分类识别的重要环节．首先应用非线性分析方法分析了舰船噪声的极限环现象,结果表明振动噪声作为舰船噪声的主要成份,其极限环在相空间上存在倍周期或混沌行为．其次,利用分形维数和分布密度比来描绘舰船噪声在相平面上极限环的奇异性和空间形状,并给出了一种新的分维数计算算法．最后,以此作为舰船目标的特征参数送入神经网络分类器用于分类识别水面和水下两大类目标．实验结果表明。从噪声极限环中提取的非线性特征能较准确地区分我们现有的水面和水下两大类目标．、为舰船噪声信号的特征提取提供了一条新的思路     

基于子频带能量特征提取的汽车鸣笛声识别*

针对城市中汽车违法鸣笛声之间识别分类较难的问题，为了快速准确的识别鸣笛声并将不同种鸣笛声之间进行分类，在鸣笛声识别分类中提出了应用子频带能量提取鸣笛声的特征，并利用BP神经网络对提取的子频带能量特征值矩阵进行学习训练，且在神经网络学习过程中利用可变学习速度的方法，减小了神经网络的迭代次数。实验表明利用此种子频带能量特征提取法使鸣笛声与非鸣笛声的平均识别率达到了94.889%；使不同鸣笛声之间的分类正确率最大达到了93.75%，实现了不同鸣笛声之间的分类。     

基于图像处理的模拟尾流气泡幕分类识别

提出了一种应用数字图像处理技术对模拟尾流气泡幕分类识别的新方法.文章介绍了BP神经网络的基本结构及其工作原理,通过仿真测试了BP神经网络对模拟尾流气泡幕图像的模式分类.应用灰度图像统计矩法得到了均值、归一化系数、三阶矩、一致性和熵等特征量,设定神经网络学习率为0.1时经过14次循环可以达到训练目标误差为0.001,此时...     

基于图像处理的模拟尾流气泡幕分类识别

提出了一种应用数字图像处理技术对模拟尾流气泡幕分类识别的新方法.文章介绍了BP神经网络的基本结构及其工作原理,通过仿真测试了BP神经网络对模拟尾流气泡幕图像的模式分类.应用灰度图像统计矩法得到了均值﹑归一化系数﹑三阶矩﹑一致性和熵等特征量,设定神经网络学习率为0.1时经过14次循环可以达到训练目标误差为0.001,此时网络对不同压强下的尾流气泡幕分类正确率到达100%.这种方法在处理尾流图像时具有直观、高效、精确等特点,易于应用于对尾流探测、识别等工程技术中.     

主成分分析在舰船辐射噪声分类识别中的应用

主成分分析(PCA)是经典的多元统计分析方法,在处理多变量综合问题方面有比较突出的优势。本文主要探讨了主成分分析在舰船辐射噪声信号分类识别中的应用。在经典功率谱的基础上尝试将PCA技术运用在两种不同的方法中,对两种舰船辐射噪声进行了特征提取和分类识别,得到了较好的效果。     

具有高泛化性能的无源声呐目标识别算法

针对水声信号的特性和无源声呐目标识别的特点，提出了一种有师自组织神经网络分类算法。该算法主要针对水声信号的样本不完备的问题，在前债神经网络中引入了多重神经元激活模型和自组织竞争学习算法，使无源声呐分类系统的泛化性能有了明显的提高。该算法采用分层学习策略，有效地节省了训练时间，同时减少了陷入局部最优解的概率。通过对实录海上无源声呐目标信号的分类实验，检验了算法的识别能力和泛化能力，实验结果责明该算法具有良好的泛化能力同时保持了较高的识别率．     

支持向量机对舰船噪声DEMON谱的分类识别

本文采用径向基核函数的支持向量机的分类算法,实现了对舰船目标的分类识别。对两类不同类型的舰船的辐射噪声的DENOM谱建立了支持向量机模型,并进行了分类识别试验。试验结果表明,在结构风险最小的准则下,采用网格搜索法确定,径向基核函数的参数σ取值0.23、惩罚系数C值取13为最优的分类识别参数。并通过留一法验证,该模型具备良好的推广能力,总体正确识别率为91.2%。     

强噪声下已知信号的模糊神经网络识别

以计算机模拟为基础研究了用模糊神经网络方法对被噪声严重污染的已知信号进行识别的问题,研究表明,将模糊隶属函数和BP神经网络相结合对信噪比极低的信号有较强的识别能力,本文还从实用性角度讨论了这一识别方法的可行性,这为强噪声下的磁共振信号识别问题提供了新途径.     

基于深度学习的气溶胶荧光光谱识别应用研究

空气中的高危病原微生物对人类社会存在着极大威胁,而传统的监测方法无法对空气中的微生物实现准确的识别与分类。因此采用激光诱导荧光技术原理,以单光子探测器为核心器件,设计并搭建了一种高效的荧光光谱仪用于空气中高危病原微生物的识别与分类,并且该光谱仪可以实现对微生物浓度的预测,其对于环境安全具有重要意义。对于该光谱仪采集的数据,探索了以一维向量和二维矩阵2种输入形式来实现荧光光谱的识别与分类,并研究对比了主成分分析网络、卷积神经网络和全卷积网络等深度学习网络的识别与分类效果。实验结果表明以矩阵形式输入的卷积神经网络模型在测试集中识别分类准确率达到98.05%。采用矩阵形式输入的全卷积网络模型在测试集中微生物浓度预测准确率达到98.97%。     

基于Gabor小波纹理特征的目标识别新方法

给出了一种基于Gabor小波纹理特征的目标识别新方法．主要是利用Gabor小波设计了一种多通道小波滤波器。对图像目标直接进行小波变换，用Gabor小波变换系数的模的平均值和其标准方差来表示抽取的图像目标的特征，把获得的小波特征归一化后输入到改进的BP神经网络分类器进行分类识别．最后。进行了一系列的仿真实验，结果表明，这种特征提取方法能有效提取图像目标纹理特征，并且对噪音和形状的变化具有鲁棒性．在应用于目标识别时，神经网络的训练时间减少到lOmin，识别率达到94％．     

一种基于奇异值分解的舰船辐射噪声目标识别算法

本文针对舰船辐射噪声目标识别问题,提出了一种基于奇异值分解(SVD)的辐射噪声爿标识 别算法。该算法充分利用了不等权值SVD的空间滤波作用,来消除辐射噪声中复杂的干扰成分;结 合二阶累积量谱进行特征分析及提取;然后根据所要解决的实际问题,设计了合适的概率密度函数, 并对其进行训练,作为识别模板;进而根据距离分类准则设计了分类函数,以完成识别分类。运用实 际的舰船辐射噪声数据,进行了仿真实验,结果表明了本文算法的可行性和有效性。     

应用BP神经网络识别内层表面细小缺陷的研究

内层表面细小凹坑的识别是超声无损评估的一个难点。本文利用人工神经网络对于信号的分类功能,建构和训练了一个BP神经网络,并用它对尺寸为1mm的圆锥形和半球形两种凹坑成功地进行了识别。研究表明,应用凹坑回波的DCT谱作为缺陷特片输入,可使BP神经网络的训练和缺陷识别既快捷又有效。     

基于深度残差网络的脱机手写汉字识别研究

摘 要: 手写汉字识别是模式识别与机器学习的重要研究方向和应用领域。近年来,随着深度学习理论方法的完善、新技术的层出不穷,深度神经网络在图像识别分类、图像生成等典型应用中取得了突破性的进展,其中,深度残差网络作为最新的研究成果,已成功应用于手写数字识别、图片识别分类等多个领域。本文将研究深度残差网络在脱机孤立手写汉字识别中的应用方法,通过改进残差学习模块的单元结构,优化深度残差网络性能,同时通过对训练集的预处理,从数据层面实现训练生成模型性能的提升,最后设计实验,验证深度残差网络、End-to-End模式在脱机手写汉字识别中的可行性,分析、总结存在的问题及今后的研究方向。     

基于多模态数据特征融合的舰船识别算法研究

在复杂海域场景下如何综合利用舰船监测的多模态数据进行高效特征提取和特征融合，以此来综合提升舰船识别精度仍存在巨大挑战。针对海域环境中舰船单一数据源识别准确率问题，提出一种有效的多模态数据特征提取和特征融合的舰船识别算法，然后基于深度残差网络模型进行特征融合以提升舰船识别准确率。通过实验结果对比，相比于其他算法基于多模态数据的舰船识别算法平均准确率提升约18%，有效地提升了舰船识别准确率，对相关船舶领域的研发工作具有借鉴意义。     

污染气体红外光谱特征的快速提取与识别

利用小波变换的多尺度分析对污染气体红外光谱数据进行处理,并使用神经网络对红外光谱数据进行分类识别。实验结果表明：小波变换与神经网络的有机结合,有利于污染气体红外光谱的快速特征提取和识别, 并具有较高的识别率,是一个有效的识别系统。     

深度学习在超声检测缺陷识别中的应用与发展*

深度学习（Deep Learning）是目前最强大的机器学习算法之一,其中卷积神经网络（Convolutional Neural Network, CNN）模型具有自动学习特征的能力,在图像处理领域较其他深度学习模型有较大的性能优势。本文先简述了深度学习的发展史,然后综述了深度学习在超声检测缺陷识别中的应用与发展,从早期浅层神经网络到现在深度学习的应用现状,并借鉴医学影像识别和射线图像识别领域的方法,分析了卷积神经网络对超声图像缺陷识别的适用性。最后,探讨归纳了目前在超声检测图像识别中使用CNN存在的一些问题,及其主要应对策略的研究方向。     

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。