基于谱聚类和稀疏表示的高光谱图像分类算法EI北大核心CSCD

为了增强高光谱遥感图像的分类效果,提出基于谱聚类和稀疏表示的两级分类算法。利用谱聚类将待分类的像元及其邻域内所有的像元分成两类,利用联合稀疏表示模型确定按规则选取的其中一类的具体类别,并以该类别作为像元的类。该算法充分利用高光谱图像的光谱及空间信息,两级分类过程均考虑了噪声及区域边界对分类效果的影响。进一步利用空间信息对分类算法进行修正,即关联邻近像元的类别,平滑分类结果。数值实验表明,该算法的分类精度高、稳定性好、抗噪性强。     

改进的K均值聚类红外目标检测方法

利用图像方差能很好地反映目标边缘信息的特点,提出一种基于方差的K均值聚类红外目标检测算法。利用形态学方法对红外图像进行预处理,运用相应的模板计算得到红外图像的方差图像,利用K均值聚类算法对方差图像进行聚类,从而分离出目标类别和背景类别。实验表明,该算法提取的红外图像中目标信息的兰德指数最高,说明该算法能有效地提取红外图像中目标信息,从而达到目标检测的目的。     

浅海低频声场中目标深度分类方法研究

分析了浅海甚低频声场中的垂直双水听器的互谱特性,尤其关注了声场中只存在两阶简正波时声压互谱的有功分量.数值计算表明：当两个水听器的深度布放合理时,声压互谱有功分量的正负号分布与水平距离无关,选择合适的水听器深度布放组合,可以用于水面目标、水下目标的双择判决;声速分布对该方法的使用影响不大,海底存在吸收将影响算法的作用距离,但在有效作用距离内,该算法仍有较好的稳健性.运用Pekeris波导有效深度的概念建立了声压互谱有功分量正负号分布特性的近似理论分析并可预报双水听器合理的布放深度.理论分析揭示了双水听器布放深度之和应等于波导有效深度,并且在有效深度限制的波导范围内,整个声场的声压互谱有功分量的正负号分布被分为三个水平区域.理论分析加深了对浅海低频声场特性的理解,对该算法的实际使用有指导意义. 关键词： 目标深度分类 浅海低频声场 声压互谱 有功分量     

基于背景抑制和分类校正的小样本目标检测方法

为进一步提升小样本条件下对空中来袭目标的检测识别成功率,提出一种基于背景抑制和分类校正的小样本目标检测方法。首先,针对空中来袭目标背景前景易混淆问题,在区域候选网络前端引入背景抑制模块,通过抑制背景特征和增强前景特征来减轻目标背景对检测的影响;其次,在背景抑制模块后插入特征聚合模块,聚焦目标特征,通过缓解小样本条件导致目标特征难提取、不明显的问题,校正网络模型的分类参数;最后,在检测头网络中引入对比分支,增强了类别内相似性和类别间独特性,缓解来袭目标“类间相似性高,类内差异性大”的问题,实现了对网络分类的进一步校正。实验结果表明,所提出的算法在1、2、3、5、10 shot实验中均表现最佳,平均精度分别达到28.3%、32.8%、39.9%、42.9%和56.2%,提升了小样本空中来袭目标的检测性能。     

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.     

基于深度学习的光学元件表面疵病识别北大核心CSCD

精密光学元件表面疵病的人工检测分类方法效率低,且准确率易受疲劳等人工因素影响,而基于传统机器学习方法的分类准确率有待进一步提高。提出了一种基于深度学习卷积神经网络的光学大尺寸元件表面疵病识别方法。首先,通过现场实验采集并整理了大尺寸镜面疵病样本;接着,基于单通道灰度图像构建融合梯度的三通道图像,挖掘更深入的特征表达;最后,基于经典的LeNet网络,提出了面向激光惯性约束聚变(ICF)的光学元件表面疵病识别网络ICFNet,该网络不需要复杂的手工特征设计和提取,仅使用原始灰度图像就实现高效的疵病识别。实验结果表明:针对包含麻点、划痕和灰尘的三类疵病数据,ICFNet相较于使用多项特征和支持向量机的传统方法拥有较好的分类准确率。     

基于移动分割与轻量化分类网络的红外目标实时识别方法

战场野外复杂红外场景中,由于背景灰度分布无规律、目标边缘模糊且纹理特征缺失,目标极易混淆在背景之中;由于嵌入式平台算力的限制,多数深度学习类检测算法难以应用于便携设备,无法实现快速有效的目标识别.提出一种基于运动目标提取与高效机器学习模型结合的目标识别方法:通过运动检测实现目标像素级分割,经形态学处理后,定位单体目标;...     

基于深度学习的红外目标成像液位检测方法

容器液位检测是工业生产及化工原料储存、运输过程中的重要环节,针对现有液位检测技术中传感器布置容易受空间限制,在高温高压、灰尘、潮湿等特殊环境下传感器寿命短等问题,提出了一种基于深度学习的红外目标成像液位检测方法.通过对容器红外图像标注数据集进行优化训练,得到可以准确识别容器内液体百分比含量的模型.首先,构建储罐液位标准...     

用于浅海有源声呐目标深度估计的匹配相位处理EI北大核心CSCD

针对浅海波导中有源声呐目标深度估计问题,提出了通过单个声源发射低频宽带信号,垂直双接收水听器接收目标回波,利用宽带目标回波比值的相位特征进行匹配相位处理的方法,不仅消除了目标散射特性对有源声呐目标深度估计的影响,而且仅需计算单程的信道传递函数,运算量小,有利于实时处理的实现需求。首先通过理论推导,定义了一个隐含目标深度、且与目标散射特性无关的声场特征——单程传播向量宽带干涉结构,在Pekeris波导条件下仿真分析了简正波阶数与单程传播向量宽带干涉结构的幅度和相位的关系,发现选取较多的简正波阶数贡献的单程传播向量宽带干涉结构进行匹配相位处理可以提高目标深度估计的性能。进一步仿真分析表明,在发射信号选取一定的时间长度和带宽的条件下,利用全部阶简正波且信噪比大于-10 dB时,方法的深度估计误差在5 m之内。最后分析了信号时间长度和处理带宽对有源声呐目标深度估计性能的影响,以及海底声速、海深和声速剖面失配时方法的鲁棒性。     

一种基于聚类的门控卷积网络语声分离方法*

基于深度聚类的语音分离方法已被证明能有效地解决混合语音中说话人输出标签排列的问题,然而,现有关于聚类进行说话人分离方法,大多数是优化嵌入使每个源的重建误差最小化。本文以时域卷积网络（ConvTasNet）为基础网络,设计了一种改进基于聚类的门控卷积（Gate-conv Cluster）语音分离方法,在时域上通过堆叠的门控卷积网络,实现端到端深度聚类的源分离。该框架将非线性门控激活用于时域卷积网络中,提取语音信号的深层次特征;同时在高维特征空间中聚类对语音信号的特征进行表示和划分,为恢复不同信号源提供了一个长期的说话者表示信息。该框架解决了说话人输出标签排列问题并对语音信号的长期依赖性进行建模。通过华尔街日报数据集进行实验得出,该方法在SDRi（信源失真比）和Si-SNR（尺度不变信源噪声比）指标上分别达到了16.72 dB和16.33 dB的效果。     

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。     

基于超椭圆拟合的水下小目标分类*

水下小目标分类技术在海底探测、水下考古等方面应用广泛,在实际的水下声图像中,小目标投影产生的阴影区域通常在形状和尺寸方面显著于目标本身产生的亮区,故阴影分析算法对于目标的检测、识别和分类均有重要的研究意义。本文采用超椭圆曲线拟合算法拟合目标阴影区域,通过控制超椭圆函数的几个参数变化,实现不同的超椭圆曲线拟合不同的目标阴影形状,并将控制超椭圆曲线尺寸、形状和位置的参数作为特征向量输入到分类器,通过对比多个分类器得出分类结果,证明了以拟合参数为特征的分类方法有效。     

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。     

感知线性预测在水下目标分类中的应用研究

提出了基于感知线性预测(PLP)的模仿人耳听觉特性来提取水声信号鲁棒特征的方法。运用听觉心理学的三个概念:(1)临界带谱分析、(2)等响度曲线、(3)强度响度听觉幂率,形成估计听觉谱的方法,可获得一个12阶全极点模型的鲁棒特征矢量。运用这一特征矢量进行训练和识别的实验结果表明:(1)在不同的频率段内,人耳对6类目标辐射噪声信号敏感程度是不同的。(2)提取的基于听觉感知水下目标特征具有鲁棒性。(3)通过此方法提取的特征维数较低,运算速度快,识别的正确率比以往有所提高。     

基于K-均值聚类与夹角余弦法的多光谱分类算法

近年来对高光谱与多光谱进行分类去混的研究方法很多,K-均值聚类算法与光谱相似度计算算法都属于成熟的分类算法.作者在对其研究基础上,将K-均值算法进行改进,并融入光谱相似度匹配算法,形成一种新的光谱分类算法,找出两条距离最远的光谱作为参考光谱,用欧氏距离法或夹角余弦法对数据立方体进行分类,并且从数据立方体中删除属于这两条谱线的其余谱线,同时找出与两条参考光谱距离最远或者夹角最大者作为第三条参考光谱,对剩余数据立方体进行新的分类,并在此算法上用多光谱数据立方体进行了试验验证.通过ENVI用K-均值(K-means)进行分类,与改进的K-means算法和夹角余弦法Matlab仿真结果进行比较,后两种对于两种气泡的分类效果都很好,对背景的分类改进的K-means算法效果较好,尤其是欧氏距离法能将背景完整地分离出来.     

一种新的自组织聚类网络及其在数据融合目标分类中的应用

介绍了一种新的自组织聚类人工神经网络(DIGNET)模型和网络的非监督学习算法。针对数据融合和目标识别的特点,提出了基于DIGNET的决策层数据融合目标分类方法。利用仿真数据研究了DIGNET和自组织特征映射网络(SOFM)的聚类性能以及基于DIGNET的决策层数据融合结构,实验结果表明DIGNET较SOFM正确分类率高、抗噪能力好;基于DIGNET的决策层数据融合能够有效地实现融合识别。将该数据融合方法应用于前视红外(FLIR)和可见光摄像机目标跟踪系统,结果表明该方法是可行的。     

结合MGCC特征与多尺度通道注意力的环境声深度学习分类方法*

环境声分类技术在家居安全监测、人机语音交互等领域具有关键作用。然而,声源的多样性与混合性给环境声分类方法设计带来了重大挑战。为提高分类准确率与节约计算资源,本文提出一种基于多尺度通道注意力机制下的深度学习分类模型。所提模型由特征提取模块、多尺度卷积模块、高效通道注意力模块、输出层四部分组成。首先,通过引入加权型梅尔Gammatone频率倒谱系数挖掘环境声频谱幅值与相位结构信息;其次,融合多尺度卷积核与高效通道注意力机制优选出音频关键局部细节和通道特征;最后,在全连接层采用softmax函数映射特征并输出环境声类型的概率值。所提模型在6种环境声的iFLYTEK、10种环境声的Urbansound8k数据集上开展测试验证,分别取得了94%、76.52%、79.24%（iFLYTEK+Urbansound8k）的分类准确率。消融实验结果进一步表明：引入的多尺度卷积模块、通道注意力机制模块对分类准确率的提升贡献率分别接近于3.77%和1.89%。实验还详细对比了7种现有的深度学习分类方法,所提算法在分类准确率上排名第二;另外, 在同级别算法中如ResNet18、GoogLeNet,所提算法在模型参数量和计算复杂度方面上实现了进一步的约减。     

自动选取辅助目标的建筑物目标间接定位方法

针对序列图像中目标因不显著、被遮挡等情况而出现的虚警或丢失问题，提出一种基于自动选取辅助目标的建筑物目标间接定位方法，提高目标跟踪稳定性。该方法首先自动选取红外图像中形状稳定、灰度显著的区域作为辅助目标。定位建筑物目标后，提取其与目标相对位置关系, 之后利用该相对位置间接定位，最后融合直接识别及间接定位结果定位目标，并能实时更新辅助目标，保证其时刻处于视场中。实验结果表明:通过间接定位能解决目标虚警或丢失问题，提升目标定位过程中算法的准确性及鲁棒性。     

基于时频分析的成像小弱运动目标检测方法

针对传统空时域滤波器难以剔除杂波(尤其是杂波边缘)的缺点,提出了一种基于时频分析的弱小运动目标检测方法。理论分析表明,目标经过处的时频是一个小波包,波包的幅度与目标的幅度一致,而宽度则与目标速度成反比关系;杂波边缘经过处的时频则是一个上坡或者下坡。采用两级滤波方法检测运动目标,即首先采用恒虚警率准则过滤噪声,然后再利用目标出现处存在的波包,分别统计主瓣与旁瓣能量及其能量比,去除杂波,检测出运动目标。云背景下弱小目标检测试验结果证明了该方法的有效性。