深度学习在水声目标识别中的应用研究

发布时间：2021-08-25 17:22

　　水声目标识别技术是水声信号处理的重要组成部分,是水声信息获取与水声信息对抗的重要技术支撑。针对水声目标识别时探测数据量大、自动化程度不高、识别效率低下等问题,研究了深度学习在水声目标识别中的应用。首先,介绍了水声目标识别技术的研究现状及当前形势下面临的挑战。然后,对深度学习的网络结构原理及改进型进行了分析,并分别对深度学习在水声声信号识别领域和水声图像信号识别领域的应用现状做了阐述。最后,指出了由于受当前技术条件和水下复杂环境的制约,此方法尚且存在着不足之处。该方法为进一步优化深度学习算法、拓展深度学习技术应用范畴、提升水声目标识别效率提供了参考。 

【文章来源】：数字海洋与水下攻防. 2020,3(01)

【文章页数】：7 页

【部分图文】：

深度置信网络结构图

卷积神经网络结构图

循环神经网络结构图

【参考文献】：
期刊论文
[1]水声被动目标识别技术挑战与展望[J]. 程玉胜,邱家兴,刘振,李海涛.  应用声学. 2019(04)
[2]基于目标MFCC特征的监督学习方法在被动声呐目标识别中的应用研究[J]. 程锦盛,杜选民,周胜增,曾赛.  舰船科学技术. 2018(17)
[3]一种基于深度卷积神经网络的水下光电图像质量优化方法[J]. 张清博,张晓晖,韩宏伟.  光学学报. 2018(11)
[4]基于降噪自编码器的水中目标识别方法[J]. 陈越超,徐晓男.  声学与电子工程. 2018(01)
[5]基于Faster-RCNN和多分辨率SAR的海上舰船目标检测[J]. 胡炎,单子力,高峰.  无线电工程. 2018(02)
[6]深度学习在鱼类图像识别与分类中的应用[J]. 林明旺.  数字技术与应用. 2017(04)
[7]基于深度卷积神经网络的船舶识别方法研究[J]. 赵亮,王晓峰,袁逸涛.  舰船科学技术. 2016(15)
[8]基于听觉感知机理的水下目标识别研究进展[J]. 徐新洲,罗昕炜,方世良,赵力.  声学技术. 2013(02)
[9]舰船辐射噪声的响度和音色特征模型[J]. 曹红丽,方世良.  东南大学学报(自然科学版). 2013(02)
[10]HHT与神经网络在舰船目标特征提取中的应用[J]. 赵安邦,沈广楠,陈阳,周彬,李桂娟.  声学技术. 2012(03)

博士论文
[1]自主水下航行器的光视觉认知技术研究[D]. 王博.哈尔滨工程大学 2017



本文编号：3362539