基于深度学习的水下目标识别的研究
发布时间:2023-02-07 13:40
被动声呐水下目标识别通常包含特征提取和分类识别两部分,早期的研究中上述任务都是由声呐员完成的,但人工特征提取的方式既容易丢失信息,又无法保证识别精度和效率,因此效率更高的自动识别方法如机器学习方法等被逐渐提出。首先本文研究了传统机器学习方法,然后建立了基于传统机器学习方法的水下目标识别框架,并进行仿真验证。根据舰船辐射噪声的产生机理对噪声进行仿真建模,将构造产生的舰船辐射噪声与实测海洋环境噪声混合得到不同信噪比下的混合仿真信号,提取信号的梅尔倒谱系数(Mel Frequency Cepstral Coefficents,MFCC)特征并使用支持向量机(Support Vector Machine,SVM)分类器完成分类识别实验。通过研究发现:在信噪比为-2dB时,其识别准确率可达到98.6%,但在信噪比较低的情况下,其识别准确率下降很快,在-10dB的情况下其识别准确率仅为55.9%。其次本文研究了水下目标识别特征预处理方法,并提出了基于深度学习的水下目标识别框架。针对实测舰船辐射噪声和混合舰船辐射噪声仿真信号,采用基于谐振的稀疏信号分解算法提取信号中的高谐振分量,两类信号高谐振分量间...
【文章页数】:80 页
【学位级别】:硕士
【文章目录】:
摘要
abstract
缩略词表
第一章 绪论
1.1 研究工作的背景与意义
1.2 国内外研究历史与现状
1.2.1 传统机器学习方法水下目标识别技术研究现状
1.2.2 深度学习在水下目标识别的研究现状
1.3 论文研究内容和结构安排
1.3.1 研究内容
1.3.2 结构安排
第二章 传统机器学习方法水下目标识别
2.1 传统机器学习方法的水下目标识别框架
2.2 传统机器学习水下目标识别的水声信号源构建方法与原理
2.2.1 舰船辐射噪声的产生机理及频谱结构
2.2.2 舰船辐射噪声仿真
2.3 传统机器学习水下目标信号识别MFCC特征提取
2.4 传统机器学习水下目标信号识别SVM分类器
2.4.1 线性支持向量机
2.4.2 非线性支持向量机
2.4.3 SVM的多分类方式
2.5 传统机器学习方法下水下目标识别实验
2.6 本章小结
第三章 水下目标信号特征预处理方法
3.1 基于深度学习的水下目标识别框架构建
3.2 基于谐振的稀疏信号分解算法
3.2.1 可调的Q因子小波变换
3.2.2 形态学成分分析
3.2.3 算法的有效性检验
3.3 基于多步判决的LOFAR谱线谱增强
3.3.1 LOFAR谱构造与线谱代价函数分析
3.3.2 基于多步判决的滑动窗线谱提取算法
3.3.3 舰船辐射噪声线谱增强效果
3.4 本章小结
第四章 基于经典深度学习网络结构的水下目标识别
4.1 深度学习分类问题评价体系
4.1.1 准确率与混淆矩阵
4.1.2 ROC曲线与AUC值
4.2 基于卷积神经网络的水下目标识别
4.2.1 卷积神经网络的原理
4.2.2 基于卷积神经网络的水下目标识别架构设计
4.2.3 基于卷积神经网络的水下目标识别实验验证
4.3 基于长短时记忆网络的水下目标识别
4.3.1 长短时记忆网络的原理
4.3.2 基于长短时记忆网络的水下目标识别架构设计
4.3.3 基于长短时记忆网络的水下目标识别实验验证
4.4 两种深度学习方法及传统方法的性能比较分析
4.4.1 实测舰船辐射噪声下的比较分析
4.4.2 仿真舰船辐射噪声下的比较分析
4.5 本章小结
第五章 总结与展望
5.1 论文内容总结
5.2 未来的工作展望
致谢
参考文献
攻读硕士学位期间参加的项目与取得的成果
本文编号:3736930
【文章页数】:80 页
【学位级别】:硕士
【文章目录】:
摘要
abstract
缩略词表
第一章 绪论
1.1 研究工作的背景与意义
1.2 国内外研究历史与现状
1.2.1 传统机器学习方法水下目标识别技术研究现状
1.2.2 深度学习在水下目标识别的研究现状
1.3 论文研究内容和结构安排
1.3.1 研究内容
1.3.2 结构安排
第二章 传统机器学习方法水下目标识别
2.1 传统机器学习方法的水下目标识别框架
2.2 传统机器学习水下目标识别的水声信号源构建方法与原理
2.2.1 舰船辐射噪声的产生机理及频谱结构
2.2.2 舰船辐射噪声仿真
2.3 传统机器学习水下目标信号识别MFCC特征提取
2.4 传统机器学习水下目标信号识别SVM分类器
2.4.1 线性支持向量机
2.4.2 非线性支持向量机
2.4.3 SVM的多分类方式
2.5 传统机器学习方法下水下目标识别实验
2.6 本章小结
第三章 水下目标信号特征预处理方法
3.1 基于深度学习的水下目标识别框架构建
3.2 基于谐振的稀疏信号分解算法
3.2.1 可调的Q因子小波变换
3.2.2 形态学成分分析
3.2.3 算法的有效性检验
3.3 基于多步判决的LOFAR谱线谱增强
3.3.1 LOFAR谱构造与线谱代价函数分析
3.3.2 基于多步判决的滑动窗线谱提取算法
3.3.3 舰船辐射噪声线谱增强效果
3.4 本章小结
第四章 基于经典深度学习网络结构的水下目标识别
4.1 深度学习分类问题评价体系
4.1.1 准确率与混淆矩阵
4.1.2 ROC曲线与AUC值
4.2 基于卷积神经网络的水下目标识别
4.2.1 卷积神经网络的原理
4.2.2 基于卷积神经网络的水下目标识别架构设计
4.2.3 基于卷积神经网络的水下目标识别实验验证
4.3 基于长短时记忆网络的水下目标识别
4.3.1 长短时记忆网络的原理
4.3.2 基于长短时记忆网络的水下目标识别架构设计
4.3.3 基于长短时记忆网络的水下目标识别实验验证
4.4 两种深度学习方法及传统方法的性能比较分析
4.4.1 实测舰船辐射噪声下的比较分析
4.4.2 仿真舰船辐射噪声下的比较分析
4.5 本章小结
第五章 总结与展望
5.1 论文内容总结
5.2 未来的工作展望
致谢
参考文献
攻读硕士学位期间参加的项目与取得的成果
本文编号:3736930
本文链接:https://www.wllwen.com/guanlilunwen/gongchengguanli/3736930.html