水下目标识别
水下目标识别的相关文献在1997年到2022年内共计130篇,主要集中在自动化技术、计算机技术、一般工业技术、无线电电子学、电信技术
等领域,其中期刊论文92篇、会议论文23篇、专利文献366359篇;相关期刊47种,包括海洋技术、系统工程与电子技术、哈尔滨工程大学学报等;
相关会议17种,包括中国声学学会水声学分会2015年学术会议、2013年声频工程学术论坛暨学术交流年会、2013年全国水声学学术交流会等;水下目标识别的相关文献由281位作者贡献,包括景志宏、曾向阳、杨宏晖等。
水下目标识别—发文量
专利文献>
论文:366359篇
占比:99.97%
总计:366474篇
水下目标识别
-研究学者
- 景志宏
- 曾向阳
- 杨宏晖
- 林钧清
- 吴姚振
- 周连科
- 孙进才
- 李昱
- 杨益新
- 王俊雄
- 王强
- 王念滨
- 王红滨
- 王英民
- 胡均川
- 胡桥
- ZENG Xiang-yang
- 严良涛
- 何鸣
- 刘兴高
- 卢建刚
- 吕以豪
- 吴晏辰
- 张明敏
- 朱广平
- 李秀坤
- 杜方键
- 王文海
- 袁骏
- 谢骏
- 陈金水
- 项晓丽
- 高洁
- 黄杰
- WANG Qiang
- 丛丰裕
- 于传林
- 于红
- 于金花
- 付同强
- 侯云飞
- 刘宜陶
- 刘朝晖
- 刘钰
- 刘颉
- 叶明刚
- 孙桂玲
- 常哲
- 张毅
- 张洪星
-
-
吴晏辰;
王英民
-
-
摘要:
在面对新时期海洋工程应用领域的挑战时,可以通过利用基于深度学习的神经网络在水声工程中的实现,来达成自动化、高效性、准确性的目标。然而在面对水下目标样本匮乏、水下声环境复杂、样本信噪比差等客观问题时,深度学习也会因其自身的局限性而变得不那么灵敏。针对小样本问题,通过构建多种目标特征提取法和深层深度神经网络模型,得到了不同目标特征提取与网络模型匹配后的目标识别率与网络预测值,并通过比对实验结果,提出了通过深层神经网络深层化设计解决小样本目标识别的新思路。
-
-
徐承;
李勇;
张梦;
汪小斌;
方磊
-
-
摘要:
海洋水声信道具有时变、空变的特征,被动式声纳接收到的目标信号复杂多变,传统水下目标识别方法难以满足当前任务要求。提出基于注意力机制改进的多特征融合水下目标识别框架,在典型声学特征基础上,通过引入对比学习无监督特征加强目标数据的特征表达,使用多维自注意力机制,分别在特征维度和时间维度高效完成深层次目标弱信息特征抽取,显著提升识别效果。通过对真实录制的水声数据集进行实验对比,证明了所提出方法的有效性。
-
-
朱大奇;
庞文;
任科蒙
-
-
摘要:
随着各国对海洋研究的不断深入,海上作业越来越频繁,作为探索海洋的重要工具,自治水下机器人(autonomous underwater vehicle,AUV)在海事搜索方面的发展也越来越受到关注。多AUV协作搜索控制作为多AUV研究的主要方向之一,在促进海洋科学与工程技术进步、海洋资源探测与开发、国家海防安全与海洋战略实施等方面有着十分重要的意义。首先,综述了近些年来多AUV协作搜索控制的国内外研究现状;然后,从AUV自身和环境的外界约束,以及海洋探测等方面,分析了多AUV水下协作搜索控制研究所面临的技术难点和存在的问题;最后,通过分析当前多AUV协作搜索控制的进展和实际需要,对多AUV协作搜索系统的发展趋势进行了探讨。
-
-
葛召华;
李明亮;
庄磊;
李莹
-
-
摘要:
以提升水下目标识别效果为目的,提出特征提取和最小二乘支持向量机的水下目标识别方法。该方法利用水听器采集水下目标声信号后,通过倒谱方式去除信号内噪声获得水下目标原始信号,再使用Wigner高阶谱方法获得水下目标原始信号的子带能量特征与谱能量特征,并将该特征作输入到最小二乘支持向量机内,利用最小二乘支持向量机分类器获取水下目标识别结果。实验结果表明:该方法可有效去除水下目标声信号内噪声信号,获得波动较为规整的水下目标原始声信号,且提取的水下目标声信号子带能量特征和谱能量特征与其时域较为吻合;识别不同类型水下目标时的精度高达0.978左右,识别水下目标精度较高。
-
-
李昱;
王俊雄;
黄伍德
-
-
摘要:
为实现自主式水下机器人(Autonomous Underwater Vehicle,AUV)水下自主识别,搭建AUV硬件系统.通过OpenCV和Tensorflow,在LeNet-5卷积神经网络的基础上,利用13层卷积神经网络进行100次迭代训练试验.结果表明,该基于卷积神经网络的AUV水下识别系统的水下目标识别准确率能达到99.18%,能实现AUV对水下目标的自主识别.
-
-
吴晏辰;
王英民
-
-
摘要:
舰船辐射噪声的声学特征提取对目标训练和识别有着重要影响。文中提出一种基于Gammatone频率倒谱系数(GFCC)的特征分析方法:以目标特征提取方法——Mel频率倒谱系数(MFCC)算法作为比照组,针对小型低速船只、小型高速船只及大型船只三大类目标,在2种不同水声环境中提取的5122个样本进行了分类识别比对试验。试验结果表明,2种算法的目标识别率均大于80%,且GFCC在海洋复杂声环境中的识别率显著高于MFCC,并对高频目标更敏感。说明GFCC算法与标准的MFCC算法相比,在海洋等强干扰环境下具有更好的抗噪性和更高的快速目标识别率。
-
-
付同强;
胡桥;
刘钰;
郑惠文
-
-
摘要:
由于海洋环境的复杂多变性,使得传统的水声目标识别方法应用于水下目标智能识别具有一定的局限性。基于单一域特征构建的数据集难以表征目标信号的全局信息,传统机器学习与深度学习方法对小样本目标的泛化能力低。针对复杂海洋环境下传统水下目标识别方法精度和效率不高的难题,文中提出了基于优化二维变分模态分解(2D-VMD)与迁移学习的水下目标识别方法。该方法通过小波变换获得水下目标时频图,并采用优化2D-VMD方法自适应选取有效模态,实现目标有效模态与噪声模态的分离,完成了时频图的去噪并提取了图像经典的纹理特征进行对比分析。最后通过采用迁移学习的策略,实现了基于InceptionV3的模型迁移验证,完成了水下目标小样本数据集下的分类识别。结合ShipsEar中5类水下目标的分类测试试验,结果表明:基于优化2D-VMD与迁移学习的水下目标识别方法具有良好的特征提取与去噪能力,同时兼顾了水下目标识别的精度与效率要求,为海洋装备智能目标探测与识别提供了理论与技术支撑。
-
-
李昱;
王俊雄;
黄伍德
-
-
摘要:
为实现自主式水下机器人(Autonomous Underwater Vehicle,AUV)水下自主识别,搭建AUV硬件系统。通过OpenCV和Tensorflow,在LeNet-5卷积神经网络的基础上,利用13层卷积神经网络进行100次迭代训练试验。结果表明,该基于卷积神经网络的AUV水下识别系统的水下目标识别准确率能达到99.18%,能实现AUV对水下目标的自主识别。
-
-
吴晏辰;
王英民
-
-
摘要:
舰船辐射噪声的声学特征提取对目标训练和识别有着重要影响.文中提出一种基于Gammatone频率倒谱系数(GFCC)的特征分析方法:以目标特征提取方法——Mel频率倒谱系数(MFCC)算法作为比照组,针对小型低速船只、小型高速船只及大型船只三大类目标,在2种不同水声环境中提取的5 122个样本进行了分类识别比对试验.试验结果表明,2种算法的目标识别率均大于80%,且GFCC在海洋复杂声环境中的识别率显著高于MFCC,并对高频目标更敏感.说明GFCC算法与标准的MFCC算法相比,在海洋等强干扰环境下具有更好的抗噪性和更高的快速目标识别率.
-
-
付同强;
胡桥;
刘钰;
郑惠文
-
-
摘要:
由于海洋环境的复杂多变性,使得传统的水声目标识别方法应用于水下目标智能识别具有一定的局限性.基于单一域特征构建的数据集难以表征目标信号的全局信息,传统机器学习与深度学习方法对小样本目标的泛化能力低.针对复杂海洋环境下传统水下目标识别方法精度和效率不高的难题,文中提出了基于优化二维变分模态分解(2D-VMD)与迁移学习的水下目标识别方法.该方法通过小波变换获得水下目标时频图,并采用优化2D-VMD方法自适应选取有效模态,实现目标有效模态与噪声模态的分离,完成了时频图的去噪并提取了图像经典的纹理特征进行对比分析.最后通过采用迁移学习的策略,实现了基于InceptionV3的模型迁移验证,完成了水下目标小样本数据集下的分类识别.结合ShipsEar中5类水下目标的分类测试试验,结果表明:基于优化2D-VMD与迁移学习的水下目标识别方法具有良好的特征提取与去噪能力,同时兼顾了水下目标识别的精度与效率要求,为海洋装备智能目标探测与识别提供了理论与技术支撑.
-
-
-
-
WANG Hua-kui;
王华奎;
ZHU San-wen;
朱三文
- 《2013年全国水声学学术交流会》
| 2013年
-
摘要:
在水下目标识别系统中,特征参数的获取对水下目标的训练和识别有着重要的影响.Mel频率倒谱系数(MFCC)算法作为典型的目标特征参数提取方法,性能稳定,识别率高.针对MFCC算法存在较大计算量的情况,提出了一种改进的特征提取算法.相比于标准的MFCC算法,提出的方法减少了约50%的计算量.针对从属于三大类目标提取出的360个样本进行了分类识别实验,识别正确率大于87%.这表明改进的算法与标准的MFCC算法识别率大致相同,而计算复杂度却小很多.
-
-
-
-
-
-
-