采用GAF-D3Net深度学习网络的水下目标有源识别方法

提出一种基于格拉姆角场(GAF)和卷积神经网络(CNN)的水下目标有源识别方法。该方法利用GAF将目标回波信号编码为二维图像,使用空洞卷积构建轻量级的卷积神经网络GAF-D3Net实现对目标的特征提取与分类识别。实验表明,与基于传统图像特征的分类方法相比,所提方法的分类精度有显著提高,达到99.65%。在泛化性测试中,对比了经典CNN使用声呐图像的迁移学习方法,本文方法的曲线下面积(AUC)达到89%,具有更好的泛化性能以及抗干扰能力,为实现水下目标有源识别提供了一种可靠方法。     

一种基于声散射特性的有鳔鱼特征获取方法

鱼分类技术在渔业资源评估中的重要性日益凸显,而分类中能够得到不同鱼种的本质声散射特征尤为重要。文章基于鱼的声散射特性,提出一种有鳔鱼种特征获取新方法。鱼的目标强度反映了鱼的本质声散射特征,其主要取决于鱼鳔的大小、形状及声波入射角度、频率,文章基于基尔霍夫模式模型和图像处理方法进行建模,不仅可对鱼体和鱼鳔进行更真实的近似,而且可以得到精确的目标强度仿真结果。通过图像识别方法,对鱼体及鱼鳔图像进行灰度变换、二值化、边缘识别、轮廓提取等处理,得到鱼体及鱼鳔边缘坐标,利用得到的信息进行建模,并给出了相应的计算机仿真结果。最后进行了水池试验,对仿真数据与试验数据进行了对比分析,并提取得到有鳔鱼的目标强度特征,为鱼分类特征获取提供了一条新的途径。     

气泡线性振动时近海面气泡群的声散射

海洋中的不同成因的气泡群是常见的水下声学目标及声呐混响源,因此对水下气泡群进行声学建模意义重大。利用有效媒质理论描述气泡群内部的相速度及声衰减变化,并考虑到海洋中气泡群往往产生于不同界面附近,进一步利用球面波叠加原理描述海面对气泡群散射声波的再辐射,导出了平海面作用下气泡群声散射截面的一般表达式,建立了其声散射模型,研究了单一尺寸及混合尺寸气泡群的声学特性。数值分析表明,气泡群的谐振频率会随其半径或孔隙率增加而降低;由于海面的存在,气泡群声散射截面会随频率进行周期性变化,且随气泡群远离海面,这一变化逐渐加剧。此外,若气泡的黏滞阻尼项在全部阻尼项中占比较高,气泡群声散射强度会在谐振频率附近存在起伏振荡。该模型可为近海面鱼群、气泡羽流及海底泄漏的甲烷气体的声学建模提供一定的理论基础。