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。     

利用深层卷积网络自适应增强学习的水声目标线谱提取方法

提出了一种使用自适应增强学习的深层卷积神经网络方法对水声目标线谱进行提取。该方法利用构造的多尺度ConvNeXt算子建立滑动窗深层卷积神经网络模型(SwDCNN),设计涵盖损失函数、学习率更新和模型迭代优化的自适应增强学习准则并用于模型训练。仿真和海试数据验证结果表明,所提方法有以下优点:(1)卷积算子和模型结构参数按线谱提取需求配置,可以增强LOFAR谱图特征高性能多分辨力挖掘能力;(2)大规模数据下的模型训练可实现渐进式精确拟合,有助于提升模型收敛效果;(3)模型可有效提取低信噪比、中断、弯曲漂移、粗细不均、邻近成簇、密集分布等复杂情况下的线谱,在查全率、查准率、虚警率、线谱位置精度(LLA)和线谱幅值精度(LAA)等指标上均优于文中其他深度神经网络方法;(4)和传统及其他文中所用的深度神经网络方法相比,线谱最小可检测信噪比分别降低超过5 dB和2 dB,实际复杂场景线谱提取能力更强,综合效果更好。     

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。     

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...     

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。     

基于深度神经网络的水声信号恢复方法研究*

针对干扰或噪声环境下水声目标信号难以获取的问题,该文提出研究基于深度神经网络的自适应水声被动信号波形恢复方法。在单阵元情况下,该方法提取对数功率谱特征作为输入,采用深度神经网络回归模型自适应学习目标信号的自身特征,输出降噪后的对数功率谱特征并还原时域波形。在多阵元情况下,提出阵列深度神经网络降噪方法,将部分或全部阵元特征拼接为长向量作为输入,从而利用空域信息。为全面利用阵列丰富的时频域信息,该文提出一种两阶段特征融合深度神经网络,在第一阶段将阵列分为若干个子阵,将每个子阵分别用阵列深度神经网络进行处理,在第二阶段将第一阶段的各子阵处理结果与阵列接收信号同时输入一个深度神经网络进行融合学习。实验表明,所提出的单阵元和两阶段融合深度神经网络取得了显著优于常规波束形成的恢复结果,能够准确估计目标信号波形和功率并显著提高输出信噪比。     

基于红外/毫米波双模融合的目标识别方法

在数据融合的基础上,以红外/毫米波双模传感器的智能融合结构为模型,将模糊神经网络与D-S证据理论相结合,提出了一种新的目标识别方法.该算法根据红外/毫米波传感器的性能及工作范围,构造模糊变量作为神经网络的输入,根据神经网络的不同输出判别目标的真伪,并利用D-S证据理论进行目标身份识别.仿真结果证明了该算法的可行性.     

多种深度学习方法组合应用于小样本空间目标分类研究

随着近年来光谱探测仪器灵敏度、精确度和易用度的不断提升,光谱技术已经深入到各行各业的物质成分的鉴定与分析中.对于空间目标的光谱观测是传统光学观测的重要拓展之一,因其具有的非接触、无损伤等优点而备受关注,然而由于观测条件所限,空间目标的光谱数据量极小,通过传统方法对其进行分类分析达不到较好效果,必须探求提高分类精度的方法...     

多普勒频移和干涉谱联合的水声目标运动参数估计

常见水中运动目标会辐射连续谱噪声和线谱噪声,连续谱噪声在浅海波导环境中形成明暗相间的干涉条纹。根据干涉条纹可以得到目标最近距离与速度的比值,无法直接解出两个参数值。针对利用干涉条纹无法分别估计最近距离与速度问题,提出一种多普勒频移、干涉条纹结合的运动参数估计方法。根据单条线谱多普勒频移得到最近距离与速度参数耦合曲线,再将该曲线与干涉条纹得到参数比值线相交,交点即为两参数估计结果。数值仿真估计声源运动速度、最近距离,在信噪比6dB条件下,平均估计误差分别为0.71%与0.87%。将该方法应用在2021年6月大公岛海域海试数据,5组实验数据估计目标运动速度、最近距离平均误差分别为2.5%,4.4%,证明了方法的有效性。     

模糊对向传播网络数据融合目标识别方法

重点研究了模糊对向传播网络 (FCPN)模型。针对数据融合和目标识别的特点 ,提出了基于模糊对向传播网络的融合目标识别方法和改进的模糊对向传播网络 (MFCPN)融合结构。利用仿真数据对网络的训练算法和融合结构进行了实验研究。结果表明 ,模糊对向传播网络较误差后向传播网络 (BPN)能够有效地实现融合识别 ;改进的模糊对向传播网络融合结构是可行的。同时还对FCPN和MFCPN应用于前视红外 (FLIR)和可见光摄像机目标跟踪系统进行了应用研究。     

基于核的k-最近邻在水下目标识别中的应用*

针对水中目标特征类型多、非线性强的特点,本文将K-KNN应用于水中目标识别。该方法采用PCA对特征矩阵进行降维,利用Kernel技巧将降维后的特征映射到高维空间进行KNN分类识别,并讨论了邻近点个数K对试验结果的影响。实际试验数据验证结果表明：与传统的KNN和BP神经网络分类器相比,K-KNN分类器的综合性能更优。     

Deep learning and expert knowledge based underwater acoustic OFDM receiver

In this paper, a deep learning and expert knowledge based receiver is proposed for underwater acoustic (UWA) orthogonal frequency division multiplexing (OFDM). Different from the existing deep learning based UWA OFDM receivers, the proposed receiver combines deep learning with the classical expert knowledge of block-based signal processing in UWA OFDM to improve system performance and interpretability. It performs joint channel estimation and signal detection by designing skip connection (SC) convolutional neural network (CNN) cascaded attention mechanism (AM) enhanced bi-directional long short-term memory (BiLSTM) network, abbreviated as SC-CNN-AM-BiLSTM network (SCABNet). Specifically, the channel estimation subnet is designed with SC-CNN to utilize the thought of image super-resolution to reconstruct the entire channel frequency response of all subcarriers. The signal detection subnet is designed with AM-BiLSTM to extract the correlations of received sequential data for signal detection. Especially with the AM, the signal detection subnet can focus more on effective information of the received distorted signal to train the optimal network weights to improve the accuracy of data recovery. The proposed SCABNet is evaluated by experimental data, and the results have demonstrated that the SCABNet has the lowest BER and robust performance compared to the traditional linear algorithm, deep learning based black-box receiver, and ComNet receiver. And the proposed SCABNet is effective and robust when multiple nonideal factors co-exist.     

水声被动目标识别技术挑战与展望

低频水声探测和船舶减振降噪技术发展,使得传统水声目标识别技术性能逐渐下降。该文分析了声呐工作带宽、探测频率、船舶减振降噪给识别技术带来的挑战。针对低频声呐广泛使用的低频线谱识别,研究了低频线谱的识别能力问题;针对智能识别技术发展,研究了深度学习技术在船舶辐射噪声识别中的应用问题,并给出了数据试验结果,文章最后指出了水声被动目标识别技术亟需开展的研究内容和方向。     

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。     

复合深度神经网络在直升机声目标识别中的研究

针对直升机探测中目标运动过程连续识别的鲁棒性问题,提出了一种基于复合深度神经网络的直升机声学特征提取和识别框架。复合深度神经网络由卷积神经网络和长短时记忆神经网络以并行结构组合,进行直升机声学特征的优化,完成直升机类型识别。针对直升机声信号特性,对卷积神经网络进行了改进,使得该复合深度神经网络在信号短时谱基础上优化声信号特征表征并提取前后帧之间的相关信息,弥补通常声目标识别方法不能充分利用目标信号时间历程信息的缺陷。真实外场实验数据测试结果显示:相较于传统识别方法,该算法显著提升了直升机进入有效探测范围后连续识别的鲁棒性和目标识别正确率。     

一种多通道混沌调相扩频方式及其在水声通信中的应用

直接序列扩频通信是一种低检测概率通信方式,在保密通信中得到了广泛的应用。但该通信方式仍存在缺陷,其采用伪随机序列作为扩频码,而伪随机序列具有周期性和二值性等较为明显的特征,在敌对环境下这些特征可能被利用,使得直扩信号重要的特征参数被估计出来,进而引发信息泄露。针对这个问题,本文提出采用混沌调相序列代替伪随机序列,混沌调相序列是恒包络的复数值序列,可用数量多,相关特性好,而且克服了伪随机序列周期性和二值性的不足,具有更高的保密性。为了提高通信速率,将混沌调相序列与多通道技术相结合,数值仿真结果显示了该通信方式优异的误码率性能,表明该通信方式在水声通信中应用的可行性。     

一种线性调频扩频水声通信的新同步方法

针对高速运动过程中的水声通信,提出一种新型稳健的同步方法。该方法充分利用线性调频（LFM）信号的自相关特性及LFM扩频水声通信解调原理。湖试结果表明该方法简单有效,能够消除同步误差累积。利用湖试数据进行的仿真结果表明:该方法在常速及变速运动情况下均有效;在水下24m/s高速运动、时变多途干扰、带内接收信噪比低于0dB时,数据率可达为100bit/s,误码率保持在10^-4左右。