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。     

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。     

水下声目标的梅尔倒谱系数智能分类方法

传统水下声目标识别分类方法具有较强的人机交互特性,无法满足未来水下无人平台智能识别分类水声目标的需求。针对这一问题,提出了一种基于梅尔倒谱系数（MFCC）的水下声目标智能识别分类方法,该方法通过提取水下声目标梅尔倒谱系数特征,采用长短时记忆网络（LSTM）构建了智能识别分类模型。使用实际水声信号对该方法进行了验证,结果表明,基于梅尔倒谱系数的水下声目标智能识别分类方法能够在不依赖人工提取特征的情况下,对目标噪声进行识别分类,具备智能化识别分类能力。     

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。     

一种新的自组织聚类网络及其在数据融合目标分类中的应用

介绍了一种新的自组织聚类人工神经网络(DIGNET)模型和网络的非监督学习算法。针对数据融合和目标识别的特点,提出了基于DIGNET的决策层数据融合目标分类方法。利用仿真数据研究了DIGNET和自组织特征映射网络(SOFM)的聚类性能以及基于DIGNET的决策层数据融合结构,实验结果表明DIGNET较SOFM正确分类率高、抗噪能力好;基于DIGNET的决策层数据融合能够有效地实现融合识别。将该数据融合方法应用于前视红外(FLIR)和可见光摄像机目标跟踪系统,结果表明该方法是可行的。     

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．     

舰船地震波远程定位方法研究

随着舰船噪声抑制技术的提高,利用水声远程定位舰船目标变得越来越困难.而舰船地震波能量主要集中在固体和液体的分界表面,在海底衰减缓慢,可以远程传播.利用舰船地震波实现对目标的远程定位可以弥补水声远程定位的不足.本文分析了舰船地震波的传输耦合机理,研究了基于九元海底地震计环形阵列的梯度下降算法和单纯形算法对目标的定位.仿真计算证明,梯度下降算法和单纯形算法可以减小定位误差,单纯形算法具有更高的定位精度和稳定性.     

基于卷积-逆投影法的逆合成孔径声呐成像研究

介绍了基于卷积－逆投影算法的逆合成孔径声呐成像的基础上,针对水声环境中的声呐系统与目标特性进行了仿真研究,结果表明改进的近场条件下卷积－逆投影算法适合对实际的水中目标成像．     

UI偶宇称原子光谱分类的PCA—BPN模式识别方法研究

作为重元素原子光谱按电子组态类型分类研究的一个代表，铀元素原子第一光谱（ＵＩ）中的许多能春所属电子组态尚未明确指认。分类模式识别方法已被证明是研究解决此类分类问题的一种十分有效的途径。为此，应用模式识别与人工神经网络相结合的主成分分析－反传神经网络方法ＰＣＡ－ＢＰＮ重新研究了ＵＩ偶宇称原子光谱能级的分类问题；对３６个ＫＮＮ等早期模式识别方法无法确认其归属的能级，ＰＣＡ－ＢＰＮ方法明确指认了其相应的     

一种新型广义RBF神经网络在混沌时间序列预测中的研究

提出了一种新颖的广义径向基函数神经网络模型,其径向基函数(RBF)的形式由生成函数确定.然后,给出了易实现的梯度学习算法,同时为了进一步提高网络的收敛速度和网络性能,又给出了基于卡尔曼滤波的动态学习算法.为了验证网络的学习性能，采用基于卡尔曼滤波算法的新型广义RBF网络预测模型对Mackey-Glass混沌时间序列和Henon映射进行了仿真.结果表明,所提出的新型广义RBF神经网络模型能快速、精确地预测混沌时间序列,是研究复杂非线性动力系统辨识和控制的一种有效方法. 关键词： 广义径向基函数神经网络 卡尔曼滤波 梯度下降学习算法 混沌时间序列 预测     

四种多变量校准方法在FTIR多组分分析中的性能比较

本文对四种多变量校准方法－－经典最小二乘法（CLS），偏最小二乘法（PLS），卡尔曼滤波法（KFM）以及人工神经网络法（ANN）－－在多组分浓度分析方面的性能进行了比较。选择五种红外谱图严重混叠的大气有机毒物－－1，3－丁二烯，苯，邻二甲苯，氯苯和丙烯醛－－作为分析对象。分别计算各种方法对该5组分体系的平均预测误差MPE和平均相对误差MRE进行比较。结果表明，偏最小二乘法在处理这类问题中是最稳健的方法。     

基于盲分离技术的水下多源环形阵定位方法研究

根据水下自动探测的工程实际技术发展需求,本文基于盲分离技术研究了环形阵对水下目标辐射噪声信号进行定位的方法,利用水声信号统计特性,通过构建针对水中目标的非线性函数和学习因子等,对自然梯度算法进行了改进,实船信号的盲分离实验结果表明,该方法改进了分离效果。在此基础上,建立了基于线性瞬时混合情况下的定位模型,完成了对六个水中目标的定位研究,取得了令人满意的结果。     

尖楔前体飞行器FADS系统的径向基网络建模及验证

文章研究了针对一种用于尖楔外形的嵌入式大气数据传感（flush air data sensing，FADS）系统的解算模型及精度.首先基于飞行包络及CFD数据建立了FADS系统的测压孔选取标准；然后基于径向基函数（radial basis function，RBF）的人工神经网络建模技术构建了FADS系统的网络解算模型；最后给出了模型的测试误差，分析了气动延时效应、位置误差等误差源模型对算法精度的影响，并给出了网络模型的预测精度.结果表明，针对尖楔外形测压孔配置特征，基于RBF的人工神经网络算法解算精度较好，攻角、侧滑角、Mach数及静压的网络输出预测值与真实值吻合较好，输出的测试误差（绝对值）分别小于0.25°，0.5°，0.05及250 Pa.结果同时表明神经网络建模技术在尖楔前体飞行器FADS系统中的有效性.      

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。      

水声目标辐射噪声的低维动力学成分提取及应用

基于非线性动力学理论的水声信号相空间处理,是水声信号处理的一种新途径。实际水声信号在相空间中分析时的首要问题是降噪。本文应用局部几何投影法提取不同目标辐射噪声的低维成分,输出相图呈现出较明显的低维吸引子。在此基础上,用吸引子维数和反映动力学模型差异的交叉预测误差对样本进行了分类研究,结果表明,综合这两种分别反映几何性质和动力学性质的特征,可达到一定的分类效果。     

遗传优化神经网络的水声信道盲均衡

不需要训练序列的盲均衡技术可以有效地节省水声通信带宽，消除码间干扰，提高水声通信效率和质量。以前馈神经网络（FNN）作为盲均衡器，既适用于最小相位信道，也适用于非最小相位信道，包括非线性信道，但是前馈神经网络在实际的应用中其网络拓扑结构的选取和初始权重的确定缺乏理论依据，且其训练主要依靠BP算法，存在收敛速度慢、容易陷入局部极值及“过学习”的问题。为此，本文提出了一种遗传优化神经网络的水声信道盲均衡算法（GA—BP），对前馈神经网络拓扑结构和网络权重同时优化，有效地克服了传统前馈神经网络盲均衡的缺陷，提高了前馈神经网络盲均衡的泛化性能并加强了跟踪时变信道的能力和对信道突变的适应能力。水池试验结果证明了文中提出的遗传优化神经网络水声信道盲均衡算法的有效性，与直接前馈神经网络盲均衡相比较，均衡性能明显得到了提高。     

激光诱导击穿光谱结合神经网络测定土壤中的Cr和Ba

提出了一种基于人工神经网络的激光诱导击穿光谱技术实现元素成分高准确度定量分析的方法.采用基于动量和自适应学习速率梯度下降算法的反向传播神经网络,结合激光诱导击穿光谱技术的方法测定土壤中Cr和Ba元素的含量,得到了Cr和Ba的含量以及多次重复预测的相对标准偏差,并与采用传统的内标法得到的检测结果相比较.研究结果表明:基于动量和自适应学习速率梯度下降算法的反向传播神经网络分析方法,与激光诱导击穿光谱技术相结合能更好地实现对土壤样品中Cr和Ba元素的定量检测.相对内标法,神经网络分析方法与激光诱导击穿光谱技术相结合可以很明显地提高检测准确度和精密度,对采用激光诱导击穿光谱技术定量检测土壤重金属污染具有很好的应用价值.     

激光诱导击穿光谱结合神经网络测定土壤中的Cr和Ba

提出了一种基于人工神经网络的激光诱导击穿光谱技术实现元素成分高准确度定量分析的方法.采用基于动量和自适应学习速率梯度下降算法的反向传播神经网络,结合激光诱导击穿光谱技术的方法测定土壤中Cr和Ba元素的含量,得到了Cr和Ba的含量以及多次重复预测的相对标准偏差,并与采用传统的内标法得到的检测结果相比较.研究结果表明:基于动量和自适应学习速率梯度下降算法的反向传播神经网络分析方法,与激光诱导击穿光谱技术相结合能更好地实现对土壤样品中Cr和Ba元素的定量检测.相对内标法,神经网络分析方法与激光诱导击穿光谱技术相结合可以很明显地提高检测准确度和精密度,对采用激光诱导击穿光谱技术定量检测土壤重金属污染具有很好的应用价值.     

基于改进卡尔曼滤波的水声通信盲自适应多用户检测算法

针对水声通信网络中遇到的多用户检测中目标用户的多址干扰等检测问题,提出了基于改进Kalman算法的盲自适应多用户检测算法,解决了多用户检测中的多址干扰对水声通信信道用户变动时的干扰抑制问题。仿真分析分别针对同步多用户、异步多用户通信过程,对比了传统Kalman算法及改进的Kalman算法的性能差异,通过仿真对比表明,改进后的Kalman检算法不需要训练序列即可以实现同步和异步通信状态下的多水声目标用户的盲自适应检测,改进后的算法目标检测的信干比比传统算法最大可提高6dB。新算法对于水下多用户检测、区分,准确、稳定的实现基于CDMA协议的快速水声通信具有重要意义。     

人工神经网络方法预测八面体六卤化物MX^n—6的v1和v2模的振…

利用ＡＮＮ－ＢＰ算法，采用逐步改变训练步长和两个惯性项的权重系数惯性调整策略，分别以单目标和双目标的三层网络对八面体六卤化物ＭＸ＾ｎ－６的八面体ｖ１和ｖ２模振动频率进行了预测，发现单，双目标下预测的结果相差不大，双目标时权重系数调整科较快，（ＭｏＦ６）＾２－（ＢｉＦ６）＾－和（ＡｕＦ６）＾２－的振动频率文献值与网络的计算值或预测值相差偏大。