基于改进支持向量机的水声目标-杂波不平衡分类研究

针对水声目标-杂波数据集在有限样本下的类不平衡特性,导致代价敏感支持向量机难以逼近贝叶斯最优决策的问题,本文提出了一种基于能量统计(Energy statistics)方法的支持向量机(En-SVM)。该算法通过度量原始数据空间与有限样本空间特征函数之间的加权平方距离,量化少数类样本不完全采样过程中的信息损失,来补偿再生核希尔伯特空间中机器学习算法所需的少数类分类信息,增加少数类样本对决策的影响力。实验结果表明,En-SVM能够在保持高检测概率的同时获得较低虚警概率,即通过分类可以排除大量的杂波,性能优于标准支持向量机和代价敏感支持向量机,能够有效处理水声不平衡数据的分类问题,实现主动声呐信号处理中的杂波抑制。     

基于支持向量机的自动目标识别算法

基于对目标识别精确性的要求,提出了基于支持向量机的自动目标识别算法。介绍了基于支持向量机的自动目标识别系统的组成和识别流程,实现了目标的特征提取、SVM分类器的参数寻优,并将优化的SVM模型应用于未知图像的目标识别中。实验表明,该方法识别效果良好,具有较好的抗复杂背景的能力。     

支持向量机算法在激光诱导击穿光谱技术塑料识别中的应用研究

基于支持向量机 (support vector machines, SVM) 算法采用激光诱导击穿光谱技术对11种塑料进行了识别. 每种塑料各采集100个光谱, 其中50个光谱作为训练集, 用于建立支持向量机模型, 剩下的50 个光谱作为测试集, 用于测试所建立支持向量机模型的识别精度. 结果表明测试集550个光谱中有543个光谱识别正确,算术平均识别精度达到了98.73%. 其中有6个聚氨酯 (PU) 光谱被误判为有机玻璃 (PMMA), 原因主要是受空气中氮气的影响, 使得有机玻璃和聚氨酯两种塑料在氮元素含量上的差异不能通过N I 746.87 nm, C-N(0,0) 388.3 nm两条谱线的强度准确表征. 本结果为LIBS技术塑料分类提供了方法和数据参考. 关键词： 支持向量机 激光诱导击穿光谱 塑料识别     

利用跟踪轨迹特征和SVDD-SVM联合分类器的水下慢速小目标分类方法

针对蛙人、无人水下航行器(UUV)等慢速小目标分类识别所面临的小样本、类不平衡问题,提出了利用轨迹特征、支持向量数据描述(SVDD)与支持向量机(SVM)的联合分类方法。该方法将水下慢速小目标类型简化为蛙人、UUV、其他3类,利用跟踪轨迹特征设计多维特征量,构建SVDD-SVM联合分类器获得分类结果。具体为,针对小样本问题,采用参数维度小、训练数据量要求低的SVDD、SVM作为分类器的基本单元。针对类不平衡问题,使用2个并联的单分类SVDD和1个与两者串联的二分类SVM设计联合分类器,同时为联合分类器的输出设计投票机制保证分类结果的稳健性。实测数据处理结果表明,所提SVDD-SVM联合分类器对蛙人目标的平均召回率可达86%,平均精确率可达87%;对UUV目标的平均召回率可达85%,平均精确率可达86%。所提方法在小样本、类不平衡条件下具有优于传统方法的分类准确性和稳健性。     

仿生鳍条姿态测量及其误差分析

在复杂环境下齿轮箱信号往往会淹没在噪声信号中,特征向量难以提取。为了有效的进行故障诊断,提出了基于最大相关反褶积(MCKD)总体平均经验模态分解(EEMD)近似熵和双子支持向量机(TWSVM)的齿轮箱故障诊断方法。首先采用MCKD方法对强噪声信号进行滤波处理,在采用EEMD方法对齿轮箱信号进行分解,分解后得到本征模函数(IMF)分量进行近似熵求解,得到齿轮特征向量,最后将其输入到TWSVM分类器中进行故障识别。仿真实验表明,采用MCKD-EEMD方法能够有效的提取原始信号,与其他分类器相比,TWSVM的计算时间短,分类效果好等优点。     

基于功能性近红外光谱技术识别情绪状态

利用功能性近红外光谱(f NIRs)技术实现了对不同情绪状态的识别。采集了15名受试者在6种情绪种类图片刺激下的f NIRs信号以及唤醒度、愉悦度评价数据。为了实现对受试者情绪状态的分类评估,采用支持向量机(SVM)和基于支持向量机的递归特征筛选(SVM-RFE)算法来筛选参数并设计情绪状态的分类器。结果表明在多种情绪种类图片刺激下,受试者出现了显著的功能响应曲线,并且在唤醒度、愉悦度和情绪种类三个分类目标上分别实现了81%、78.78%和68%的平均分类正确率。同时发现唤醒度和愉悦度的敏感特征主要出现在眶额叶皮层和背外侧皮层,且近似熵是反映情绪状态变化的有效指标。因此采用f NIRs能够基本实现对人体情绪状态的识别。     

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。     

基于支持向量机的舰船图像识别

支持向量机(SVM)是一种基于超平面分类的新的学习方法,具有很强的泛化能力。研究了支持向量机的学习机理,以及实现支持向量机的序贯最小优化算法(SMO),并用来对舰船图像进行识别。首先将待识别目标进行二维小波分解,获取不同尺度下的小波系数,然后对其进行主元分析,得到的主元分量作为支持向量机的特征量输入。实验结果表明,该方法具有良好的分类性能。     

基于MCKD-EEMD近似熵和TWSVM的齿轮箱故障诊断

在复杂环境下齿轮箱信号往往会淹没在噪声信号中,特征向量难以提取;为了有效地进行故障诊断,提出了基于最大相关反褶积(MCKD)总体平均经验模态分解(EEMD)近似熵和双子支持向量机(TWSVM)的齿轮箱故障诊断方法;首先采用MCKD方法对强噪声信号进行滤波处理,在采用EEMD方法对齿轮箱信号进行分解,分解后得到本征模函数(IMF)分量进行近似熵求解,得到齿轮特征向量,最后将其输入到TWSVM分类器中进行故障识别;仿真实验表明,采用MCKD-EEMD方法能够有效地提取原始信号,与其他分类器相比,TWSVM的计算时间短,分类效果好等优点。     

基于小波降噪与支持向量机的恒星光谱识别研究

提出了一种对恒星光谱识别的新方法。 根据恒星光谱数据的特性,我们以支持向量机为核心技术构建光谱识别器。 由于恒星光谱数据通常含有较高的噪声,如果直接进行分类,识别率往往较低。 因此作者首先采用小波分析的方法对原始光谱数据进行降噪预处理,提取光谱的特征,然后馈送到支持向量机完成对光谱数据的最终识别。 利用实际光谱数据(Jacoby, 1984)对所提出的技术进行检测,实验结果表明使用这种小波分析结合支持向量机的技术的识别效果要优于使用支持向量机结合主分量分析降维技术的识别方法。 另外,作者还比较了支持向量机与传统甄别分析的分类性能,对实际及合成光谱进行实验的结果显示了支持向量机的识别正确率不但优于常见的5种甄别分析方法的识别率,而且有较强的泛化能力。     

基于时延神经网络模型的舰船辐射噪声目标识别*

水声目标被动识别是水声信号处理领域的研究热点之一。海洋环境中存在的不规则噪声干扰,使得基于传统方法的水声目标被动识别技术在实际的应用场景中效果不佳。本文采用一种基于时延网络(Time Delay Neural Network,TDNN)模型的舰船辐射噪声目标识别方法,该方法利用目标的短时平稳特性和长时关联特性对目标的声纹特征进行建模,使用梅尔谱图提取目标信号的初级特征,再通过融合注意力机制和时延神经网络的深度学习模型实现高级特性提取,最后再利用余弦相似度实现不同目标的类别划分。该方法在ShipsEar数据集和自行采集的数据进行测试验证,目标识别准确率分别达到79.2%和73.9%,可证明本文方法的有效性。     

基于经验模态分解和支持向量机的车型声频识别

车型自动识别是智能交通系统的重要组成部分。针对现有车型识别存在的问题,提出利用经验模态分解和支持向量机的车型声频识别方法。将车辆行驶的声音信号进行分解,以分解不同模态的能量作为特征向量,并以此作为训练样本对支持向量机构成的车型识别器进行训练,通过对小汽车和卡车的声音信号处理结果表明:利用车辆声音信号能够正确识别不同的车型,识别准确率达95%,是车型识别的有效方法。     

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。      

基于循环前缀相关性的水声OFDM信号调制识别方法*

本文研究水声OFDM通信信号与常见单载波水声数字通信信号(MPSK,MFSK)之间的调制识别问题。考虑到水声信道复杂传播特性对循环前缀相关性的影响,本文通过截取信号前后片段并迭代搜索双相关峰进行无需先验知识的水声OFDM通信信号特征参数提取,在此基础上设计了一种基于模糊系统的水声OFDM通信信号识别器。对不同信道条件下海上实录信号数据的识别实验结果表明了本文方法的有效性。     

水下高分辨率声图中小目标的深度网络分类方法

针对声成像数据缺少条件下的水下沉底小目标分类问题,提出一种深度网络分类算法。首先,采用高斯混合模型对声影区统计特性进行建模并提取声图阴影,在此基础上构建仿真数据集和真实数据集。将仿真数据集输入卷积神经网络进行训练,保留其特征提取部分,用于对真实数据集进行特征提取.重建网络分类部分并采用真实数据集的特征向量进行训练。结果表明,所提出的方法分类正确率可达88.24%,与6种对照方法相比平均分类正确率分别提升8.67%,20.47%,19.78%,11.59%,9.01%,11.58%。验证了所提出方法在小样本条件下具有较好对水下沉底小目标的分类能力。其学习曲线收敛到96.25%,仅比验证曲线高5.14%,说明在一定程度上缓解了过拟合问题。将改进的卷积神经网络应用于融合分类器,通过与逻辑回归分类器、支持向量机对目标进行分类并融合决策,正确率为93.33%,可进一步提高算法的正确率和稳定性.      

基于形状特征的水声图像小目标识别方法

为了抑制背景噪声,提高目标识别准确率,该文提出一种基于形状特征的水声图像小目标识别方法。对含有目标的水声图像进行非局部均值去噪处理后,使用OTSU算法自适应选取阈值对去噪图像进行二值化分割,结合形态学处理获得分割后的目标区域;提取目标区域的矩形度、圆形度、几何不变矩等各项形状参数,将目标的特征向量输入随机森林分类器实现对目标形状的识别。在仿真和实测数据集上分别进行了实验,结果表明,该方法对水声图像中的目标具有较高的识别率,可以实现不同高斯噪声背景下的目标识别,相较于其他方法在识别率上有一定提高。     

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。      

联合稀疏表示在水下目标分类中的应用

水下目标分类识别的性能受所选特征的限制,多特征往往可以获得更加稳定的结果,针对这一问题,提出了一种基于联合稀疏表示模型的水下目标分类识别方法。首先对水下目标回波信号提取3种具有信息互补性与关联性的特征:中心矩特征、小波包能量谱特征、梅尔频率倒谱系数特征,然后应用加速近端梯度法对联合稀疏表示模型进行优化,求解得到最优联合稀疏系数,最后根据最小误差准则确定目标类别。在消声水池开展模拟实验,对6类目标进行分类识别,结果表明:与传统算法相比,提出的算法具有更高识别准确率,并且其执行效率较传统算法有很大提升。