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。     

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。     

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。     

结合区域提取和改进卷积神经网络的水下小目标检测

针对水下小目标信息量有限而难以提取有效特征导致的检测性能不佳问题,提出了一种结合区域提取和融合Hu矩特征的改进卷积神经网络水下小目标检测方法。该方法包含区域提取和分类两个步骤。首先以马尔可夫随机场分割算法为基础进行区域提取,对潜在目标定位的同时降低伪目标对后续分类的干扰;然后提取潜在目标区域的Hu矩特征并融入卷积神经网络,形成一种形状特征表征能力更强的改进卷积神经网络用于分类。声呐实测数据处理结果表明,该方法可以有效提升对水下小目标的发现概率和正确报警率,与其他目标检测方法相比,该方法具有更好的检测性能和泛化性。     

基于深度学习的船舶辐射噪声识别研究

为了改善船舶辐射噪声识别系统的性能,进一步提高船舶辐射噪声识别的正确率,该文提出采用一种基于深度学习的船舶辐射噪声识别方法。该方法首先提取了船舶辐射噪声的频谱、梅尔倒谱系数等特征,将提取特征后的图像样本分别用于训练卷积神经网络和深度置信网络,再对船舶辐射噪声进行识别。通过文中所给实例,将深度学习和支持向量机两种识别方法的性能进行比较,得出深度学习方法可以有效地提高船舶辐射噪声识别正确率的初步结论。     

稀疏驱动自适应线谱增强的水下目标谱熵检测

针对无人平台在水下复杂环境中的线谱弱目标自主检测问题,提出了一种采用稀疏驱动自适应线谱增强(ALE)为前处理的监督学习目标检测方法。该方法在ALE代价函数中引入稀疏性l_p范数,并将稀疏正则化推广到0<p<1;经过稀疏驱动ALE处理使目标声谱的熵特征差异更加明显,利用支持向量机(SVM)的小样本学习能力,对波束声谱的熵特性曲线进行分类,判别目标是否存在。仿真结果表明,输入信噪比为-20 dB情况下,l_1/2稀疏驱动ALE比常规ALE的处理增益高11.5 dB。利用水下无人平台海上拉距试验的数据对算法性能进行验证,在宽带强干扰影响下,该方法可有效检测远距离声源,虚警率为3.5%时,检测率达95.8%,有效提高了对线谱弱目标的检测概率,具有较强的环境适应性。     

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LSTM的公共自行车服务点租还需求量预测

城市公共自行车系统（PBS）服务点自行车数量的再平衡是解决“租还车难”问题的关键,对服务点租还需求量的短时预测则是PBS再平衡的基础。通过分析PBS租还需求的内外关联影响因素,提出基于深度学习理论的LSTM（Long-Short Term Memory,长短时间记忆）单元的循环神经网络RNN（Recurrent Neural Network）服务点租还需求量预测模型,并通过区域PBS平均出行OD,对预测模型的输入特征进行合理优化,实现PBS服务点租还需求量的短时预测。以杭州市下沙PBS服务区为实验对象,选取三组不同的输入时间步长对预测模型进行实践验证,结果显示：在选取的模型结构与输入特征下,采用循环神经网络对服务点租还需求量进行预测能够比传统前馈神经网络在结果上更加接近实际值,并且精度较为满意,表明了该预测方法可行有效。     

广义对角切片谱及用于水下目标特征提取的性能分析

人眼分类双谱图时具有沿副对角线方向进行观察的特点,为了分类不同的水下目标辐射噪声以实现目标识别,在已有对角切片的基础上提出广义对角切片及其谱定义,并通过对各切片幅值进行简单求和或取最大值得到两种特征向量,引入Fisher可分性测度对特征向量进行降维处理,利用支持向量机的一对一方法对实测水下目标辐射噪声进行分类实验。实验结果表明:对广义对角切片谱各切片幅值进行求和得到的特征向量具有极高的分类正确率,且分类稳定性优良。     

基于Shamma模型的车辆噪声听觉谱特性与目标分类

为了满足现代交通对汽车类型自动识别的需求,针对等响度车辆噪声提出基于Shamma模型的听觉谱特性识别特征。首先分析了Shamma模型中听觉早期阶段和听皮层多尺度分析阶段的转换原理,给出了中枢听觉模型中STRF模型及纹波密度-速率图的计算方法。利用三类车辆空转状态下噪声的幅频、听觉谱和密度-速率特性进行分类识别,发现密度-速率特征具有识别率高、计算量小的特点,更适宜用于作为目标自动识别特征。     

"投票"概率变换在纹理背景中实现水下目标检测的研究

针对水下激光目标成像时图像对比度低、噪声高等问题。采用并改进了“投票”概率变换,导入边缘方向信息和边缘连续性信息,提出两种抗噪声的“投票”概率变换算法。通过实验检测水下模拟水雷目标,证明这一方法比传统算法有更好的效果。     

水下目标激光探测系统中高速信号采集系统的设计

介绍了水下目标激光探测高速数据采集系统设计的技术难点,设计了一种基于高速CMOS模/数转换芯片和高性能StratixⅡFPGA高速数据采集芯片的水下激光信号实时采集与传输系统,信号采集速率可达1GHz。系统的适用性及可靠性在水下目标激光探测试验中得到了验证。     

使用振幅调制和功率谱相减的联合变换相关器作多目标检测

提出一种使用振幅调制和功率谱相减的联合变换相关器作多目标检测，这一方法对联合功率谱作了修正，先将联合功率谱减去纯输入景物的功率谱和参考图象的功率谱，再将所得修正的联合功率谱乘以振幅调制滤波函数。分析和量化了输入景物噪声对联合变换相关器性能的影响。这种方法比条纹调节的联合变换相关器和修正的条纹调节的联合变换相关器能产生更好的相关输出和适应输入景物噪声的能力。     

基于光谱线性频移的粮仓温度网络监测系统的研究

为了精确、稳定地获得粮仓内大范围的温度分布,设计了光纤布拉格光栅测温系统。利用光纤布拉格光栅所测温度与中心波长之间存在线性的关系,根据光谱线性频移函数获得仓内各位置的精确温度。其中每个光栅的工作波长相互分开,经3 dB的耦合器反射后,再用波长探测解调系统对多个光栅的线性频移进行测量,即可检测出仓内各处的温度。实验采用FBG封装的光纤、LPT-101型光源、放大处理电路等设备获得采集得到的温度信息。通过Origin软件画出了被测温度与波长频移的关系图,同时与传统的测量方法K型热电偶的测量数据进行比较。实验结果显示,光纤布拉格光栅测得温度与标准温度更接近,且抗干扰能力更强,满足粮仓内大范围温度监测的要求。     

Frequency Stability Prediction of Power Systems Using Vision Transformer and Copula Entropy

This paper addresses the problem of frequency stability prediction (FSP) following active power disturbances in power systems by proposing a vision transformer (ViT) method that predicts frequency stability in real time. The core idea of the FSP approach employing the ViT is to use the time-series data of power system operations as ViT inputs to perform FSP accurately and quickly so that operators can decide frequency control actions, minimizing the losses caused by incidents. Additionally, due to the high-dimensional and redundant input data of the power system and the O(N²) computational complexity of the transformer, feature selection based on copula entropy (CE) is used to construct image-like data with fixed dimensions from power system operation data and remove redundant information. Moreover, no previous FSP study has taken safety margins into consideration, which may threaten the secure operation of power systems. Therefore, a frequency security index (FSI) is used to form the sample labels, which are categorized as “insecurity”, “relative security”, and “absolute security”. Finally, various case studies are carried out on a modified New England 39-bus system and a modified ACTIVSg500 system for projected 0% to 40% nonsynchronous system penetration levels. The simulation results demonstrate that the proposed method achieves state-of-the-art (SOTA) performance on normal, noisy, and incomplete datasets in comparison with eight machine-learning methods.     

被动线谱检测的子带分解和分方位区间融合算法

目标辐射噪声中低频线谱丰富,而且谱级比高、强度稳定,相比调制谱检测具有优越性。基于子带分解处理的现有融合方法适用在信噪比相对较高情况下,而当干扰是相干的或强宽带信号时,对线谱目标有效检测仍没很好解决。本文从子带空间谱统计特性出发,利用线谱谱级高出连续谱10-25dB;线谱频带所在方位区间的输出方位波动小,而其他分区间的输出方位波动大特点,提出了一种在信噪比低,多目标并存情况下更有效的弱线谱提取融合方法。理论仿真和海试实验数据处理结果验证该方法具有创新性、较常规方位稳定算法适用范围更广、检测效果更好,适合工程应用。     

厚靶D（d,n）^3He反应加速器中子源的产额、能谱和角分布

给出一种计算氘钛厚靶D(d,n)3He反应加速器中子源的产额、能谱和角分布的方法,并发展了一个计算机模拟程序,程序能够计算氘束流能量小于1.0 MeV的中子源的产额、能谱和角分布.计算时使用推荐的D(d,n)3He反应截面数据和来自SRIM-2003程序的氘在氘钛靶中的阻止本领数据.给出一些典型计算结果,包括中子积分产额、中子能谱和角分布.     

PGraphD*: Methods for Drift Detection and Localisation Using Deep Learning Modelling of Business Processes

This paper presents a set of methods, jointly called PGraphD*, which includes two new methods (PGraphDD-QM and PGraphDD-SS) for drift detection and one new method (PGraphDL) for drift localisation in business processes. The methods are based on deep learning and graphs, with PGraphDD-QM and PGraphDD-SS employing a quality metric and a similarity score for detecting drifts, respectively. According to experimental results, PGraphDD-SS outperforms PGraphDD-QM in drift detection, achieving an accuracy score of 100% over the majority of synthetic logs and an accuracy score of 80% over a complex real-life log. Furthermore, PGraphDD-SS detects drifts with delays that are 59% shorter on average compared to the best performing state-of-the-art method.