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。     

水下球状目标的回声识别

本文研究用似然比方法识别水下目标的能力。文中用统计理论计算出用目标回声的正交样本值来表示的正确识别概率和错误识别概率与门限的依赖关系,从而允许将实验测量中获得的目标回声的正交样本值代入此式求得不同门限值下的上述两个概率值,并绘制出供目标识别用的接收机工作特性曲线。
从实验中选用的三对目标的结果看出:对这三对目标的识别成绩的优劣是不同的,并且对其中任一对目标都出现识别成绩明显随信噪比的增大而变优。     

用极点方法识别水下目标

本文中研究一种水下目标识别方法并介绍一组材料、大小、厚度不同的中空圆柱形水下目标的识别实验。我们分三步提取水下目标特征量。第一步是在频域上用短脉冲作为入射信号辨识脉冲响应函数。第二步用“卷积-修正递推最小二乘”法估计目标ARMA模型参数。第三步计算频域上的极点。我们用极点作为水下目标的特征量,并认为它是一个不变量。计算机模拟结果表明,同以AR参数作为特征量的方法相比较,极点法的抗噪声干扰能力改善12dB。我们采用匹配滤波分类器对水下目标进行分类。实验结果表明,在无噪声情况下,正确识别率可达100％。信噪比 关键词：     

水下目标识别和数据融合

对水下目标识别中的数据融合技术进行了研究,提出了一种新的特征层融合方案,并设计自适应融合分类器,给出了具体的算法。该分类器注重类别间的相互约束,强调各个模式的独立作用,用类似于模糊并行运算的方式综合这些作用。在实际应用中,自适应融合分类器可以综合多组信号特征,有效地提高分类性能。     

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。     

水下目标识别中的特征优化选择

本文将模式识别中的特征选择方法用于水下目标特征的优化选择。用距离测度作为选择的准则,对提取的三类舰船噪声的高维组合特征进行自动选择,并用10-折交叉验证方法对选择出的特征子集进行评估,分析结果说明该方法能从原始的特征集中选择出有利于分类的特征子集,提高了水下目标分类的正确率。     

一种提高光学目标识别速度的多通道方案

本文以形态学击中击不中变换作为理论依据，以非相干光相关器作为光学实现硬件，推导了在非共轴相关条件下相关点位置的计算公式。基于系统的平移不变性，在无需增加任何分束器的情况下实现了多通道并行处理方案，不仅充分利用了空间光调制器的工作幅面，而且大大提高了识别速度，体现了光学方法的并行性和快速性。文中给出了用四通道结构，以正面人脸图像作为测试对象的实验结果。     

使用TensorRT进行深度学习推理

TensorRT是一个高性能的深度学习推理平台。它包括一个深度学习推理优化器和运行时为深度学习推理应用程序提供低延迟和高吞吐量。给出了一个使用TensorRT快速构建计算管道的例子,实现通过TensorRT执行智能视频分析的典型应用。该示例演示了使用片上解码器进行解码、使用片上标量进行视频缩放和GPU计算的4个并发视频流。为了演示的简单性,只有一个通道使用NVIDIA TensorRT执行对象标识,并在标识的对象周围生成包围框。该示例还使用视频转换器函数进行各种格式转换,使用EGLImage来演示缓冲区共享和图像显示。最后采用GPU卡V100对ResNet网络进行TensorRT加速性能的实际测试,结果表明TensorRT能够使吞吐量提升大约15倍。     

基于深度学习的ELM实时识别研究

基于深度学习的方法,在HL-2A装置上开发出了一套边缘局域模(ELM)实时识别算法。算法使用5200次放电数据(约24.19万数据切片)进行学习,得到一个深度为22层的卷积神经网络。为衡量算法的识别能力,识别了HL-2A装置自2009年实现稳定ELMyH模放电以来所有历史数据(约26000次放电数据),共识别出1665次H模放电,其中误识别35次,误报率为2.10%。在实际的1634次H模放电中,漏识别4次,漏识别率为0.24%。该误报率和漏报率可以满足ELM实时识别的精度要求。识别算法在实时控制环境下,对单个时间点的平均计算时间为0.46ms,可以满足实时控制的计算速度要求。     

基于深度学习的语声抑郁识别*

世界各地抑郁症患者数量不断增多,抑郁症的诊断和治疗面临着医生短缺问题,针对这一问题,提出了CNN和结合注意力机制的BLSTM特征融合模型。从特征选择和网络构架两方面进行了研究,对比了几种经典语声特征,得出梅尔倒谱系数对抑郁分类效果最好,再将梅尔倒谱系数分别送进CNN和结合注意力机制的BLSTM网络实现抑郁分类。在DAIC-WOZ数据集上进行实验,所提出的方法对语声抑郁的分类精确度达到78.06 %,F1分数达到74.68%。 关键词：抑郁识别;语声分析;分类     

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...     

深度学习在超声检测缺陷识别中的应用与发展*

深度学习（Deep Learning）是目前最强大的机器学习算法之一,其中卷积神经网络（Convolutional Neural Network, CNN）模型具有自动学习特征的能力,在图像处理领域较其他深度学习模型有较大的性能优势。本文先简述了深度学习的发展史,然后综述了深度学习在超声检测缺陷识别中的应用与发展,从早期浅层神经网络到现在深度学习的应用现状,并借鉴医学影像识别和射线图像识别领域的方法,分析了卷积神经网络对超声图像缺陷识别的适用性。最后,探讨归纳了目前在超声检测图像识别中使用CNN存在的一些问题,及其主要应对策略的研究方向。     

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。     

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。     

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。     

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。     

连续隐马尔科夫模型在多基地目标识别中的应用

多基地声纳组网探测系统是目前大范围水下安保领域的研究热点。综合利用多基地系统中各个声纳节点的信息进行水下目标识别是亟待解决的问题。利用传统的多传感器融合的方法进行多基地水下目标识别,往往忽略了各声纳节点之间的相关性,效果并不理想。针对这一问题,本文提出了利用连续隐马尔科夫模型(CHMM)进行多基地水下目标识别的方法。首先利用RELAX算法提取了目标在不同分置角上回波的强散射点特征,组成观测向量,利用Baum-Welch方法对CHMM参数进行训练,然后计算待识别目标的特征值观测序列在不同模型下的似然概率。对所有目标重复此过程,取概率最大值对应的目标类别为最后的识别结果。在消声水池开展多基地模拟实验,对四类目标进行了识别,利用CHMM方法得到的多基地水下目标融合识别率比多基地声纳下单声纳节点的最高识别率提高了30%。