针对水下目标探测的层次化信息融合方法探究

发布时间：2022-01-09 16:29

　　本文介绍当前信息融合技术发展情况,并指出其在水下目标探测中的精度和有效性问题。提出一种层次化信息融合方法,给出设计方案和实验验证结果,说明该方法能够有效解决大容量、复杂信息和高精度问题,提高目标识别率。最后,本文探讨了未来信息融合技术的发展与应用。 

【文章来源】：舰船科学技术. 2020,42(21)北大核心

【文章页数】：4 页

【部分图文】：

基于天基探测的水下目标识别的层次化信息融合方法框图Fig.1Diagramofspace-baseddetectionforunderwatertarget

entmethodsindifferentscenarios探测场景测试样本数50/%70/%100/%130/%150/%200/%多源图像探测（本文方法）84.0085.6786.0086.6786.6785.33多源图像探测（仅特征级）78.0078.6777.0080.0080.6780.33多源图像探测（特征+决策）79.6782.6781.0082.6781.6780.00多源声纳探测（本文方法）84.3384.3385.0084.6783.3385.00多源声纳探测（数据+特征）76.0075.6775.0080.3381.3381.33图2基于声呐数据的特征级信息融合方法框图Fig.2Diagramoftheinformationfusionmethodinfeaturelevelbasedonthesonardata图3基于层次化信息融合方法的水下目标识别效果Fig.3Effectsofunderwatertargetdetectionbasedonthehierarchicalinformationfusionmethod·118·舰船科学技术第42卷

縖J].《战术导弹技术》,2019(2):P91–P98.[10]罗俊海,王章静.《多源数据融合和传感器管理》[M].北京:清华大学出版社,2015:3-43;[11]盖伟麟,辛丹,王璐,等.态势感知中的数据融合和决策方法综述[J].《计算机工程》,2014,40(5):P21–P30.[12]单连平,窦强.基于深度学习的海战场图像目标识别[J].《指挥控制与仿真》,2019,41(1):P1–P5.[13]郑光迪,潘明波,刘巍,等.基于深度卷积神经网络的海战场目标协同识别方法[J].《光学与光电技术》,2018,16(2):P20–P25.[14]图4深度学习神经网络模型的误差变化Fig.4Errorvariationofthemodelofdeep-learningneutralnetwork第42卷张大铭，等：针对水下目标探测的层次化信息融合方法探究·119·

【参考文献】：
期刊论文
[1]高光谱遥感影像与高程数据融合方法综述[J]. 杜星乾,侯艳杰,唐轶.  云南民族大学学报(自然科学版). 2020(01)
[2]多源信息融合技术研究综述[J]. 李洋,赵鸣,徐梦瑶,刘云飞,钱雨辰.  智能计算机与应用. 2019(05)
[3]基于数据融合的目标检测方法综述[J]. 罗俊海,杨阳.  控制与决策. 2020(01)
[4]美军空间态势感知信息融合思路与途径研究[J]. 郝雅楠,陈杰,关晓红.  战术导弹技术. 2019(02)
[5]基于深度学习的海战场图像目标识别[J]. 单连平,窦强.  指挥控制与仿真. 2019(01)
[6]基于深度卷积神经网络的海战场目标协同识别方法[J]. 郑光迪,潘明波,刘巍,吴学铜.  光学与光电技术. 2018(02)
[7]对海雷达目标识别中全极化HRRP的特征提取与选择[J]. 范学满,胡生亮,贺静波.  电子与信息学报. 2016(12)
[8]态势感知中的数据融合和决策方法综述[J]. 盖伟麟,辛丹,王璐,刘欣,胡建斌.  计算机工程. 2014(05)
[9]多源信息融合关键问题、研究进展与新动向[J]. 陈科文,张祖平,龙军.  计算机科学. 2013(08)
[10]一种复杂海天背景下的红外舰船目标自动检测方法[J]. 王鹏,吕高杰,龚俊斌,田金文.  武汉大学学报(信息科学版). 2011(12)



本文编号：3579057