基于卷积神经网络对磁异常信号的识别研究

发布时间：2022-01-09 20:33

　　航空磁探反潜作为航空反潜的重要手段,在其中发挥了重要作用。针对目前航空反潜作战中,磁干扰信号极大地影响对水下目标磁探测效果这个问题,文章先对输入信号进行预处理,并使用卷积神经网络实现对2种信号的识别。实验结果显示,卷积神经网络的方法对信号的识别率达到了85%,能够有效对信号进行准确地识别。 

【文章来源】：海军航空工程学院学报. 2020,35(02)

【文章页数】：6 页

【部分图文】：

卷积神经网络总体结构

图3是使用卷积神经网络进行迁移学习的流程图，包含网络训练模块和网络测试模块2个部分。网络训练模块主要是对训练集数据进行预处理，并使用训练样本对CNN进行训练。网络测试模块使用带有分类标签的测试集样本，对网络的泛化能力进行测试，分析经过训练后的网络分类准确性[18]。1）数据集的获取。反潜巡逻机转弯干扰、地磁异常干扰、数据链干扰、短波干扰这4种干扰的频率波段与水下目标的频率波段有重叠的范围，使得操作人员在使用现役装备执行磁探反潜任务时，难以对检测过程中发现的信号异常进行目标标定。本节基于样本信号的时频图，组成数据集，并将数据集按照80%、20%的比例构成训练集和测试集。

信号时频样本的x轴是时间轴，当采样信号时间越长，单位时间的频率特征就越窄。由于样本信号采样长度不一致，227×227像素的时频图并不能合理地体现出时域特征，所以对信号逐数据点进行时频分析，每次提取4 s的数据（400个数据点）进行分析，其时频图如图5所示。图5 信号时频图

【参考文献】：
期刊论文
[1]深度卷积神经网络的发展及其在计算机视觉领域的应用[J]. 张顺,龚怡宏,王进军.  计算机学报. 2019(03)
[2]卷积神经网络在图像分类和目标检测应用综述[J]. 周俊宇,赵艳明.  计算机工程与应用. 2017(13)
[3]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军.  计算机学报. 2017(06)
[4]图像理解中的卷积神经网络[J]. 常亮,邓小明,周明全,武仲科,袁野,杨硕,王宏安.  自动化学报. 2016(09)

硕士论文
[1]卷积神经网络在图像分类中的应用研究[D]. 吴正文.电子科技大学 2015



本文编号：3579397