CN102590345A - 沉积物辨别装置、超声波探测机、参数设定方法及其程序 - Google Patents
沉积物辨别装置、超声波探测机、参数设定方法及其程序 Download PDFInfo
- Publication number
- CN102590345A CN102590345A CN2011104109546A CN201110410954A CN102590345A CN 102590345 A CN102590345 A CN 102590345A CN 2011104109546 A CN2011104109546 A CN 2011104109546A CN 201110410954 A CN201110410954 A CN 201110410954A CN 102590345 A CN102590345 A CN 102590345A
- Authority
- CN
- China
- Prior art keywords
- sediment
- neural network
- positional information
- parameter
- discriminating apparatus
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000013049 sediment Substances 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 56
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 8
- 230000005055 memory storage Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 7
- 230000007935 neutral effect Effects 0.000 abstract description 4
- 210000002569 neuron Anatomy 0.000 description 40
- 238000012545 processing Methods 0.000 description 27
- 239000000284 extract Substances 0.000 description 17
- 239000011435 rock Substances 0.000 description 12
- 239000004575 stone Substances 0.000 description 11
- 239000000523 sample Substances 0.000 description 9
- 230000015572 biosynthetic process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 239000004576 sand Substances 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000008676 import Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 239000011499 joint compound Substances 0.000 description 3
- 238000002604 ultrasonography Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000013535 sea water Substances 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000001869 rapid Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
- G01S7/523—Details of pulse systems
- G01S7/526—Receivers
- G01S7/53—Means for transforming coordinates or for evaluating data, e.g. using computers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/88—Sonar systems specially adapted for specific applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/88—Sonar systems specially adapted for specific applications
- G01S15/89—Sonar systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
- G01S7/539—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/62—Physical property of subsurface
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S706/00—Data processing: artificial intelligence
- Y10S706/902—Application using ai with detail of the ai system
- Y10S706/928—Earth science
- Y10S706/929—Geological, e.g. seismology
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Acoustics & Sound (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明提供一种使用神经网络并能够获得高正确率的沉积物辨别结果的沉积物辨别装置、超声波探测机、参数设定方法及其程序。在输入向水中输出的超声波的回波信号，并使用神经网络通过沉积物辨别处理部(172)进行海底的沉积物辨别的超声波探测机中，将多个在神经网络中所使用的连接权与位置信息对应地存储于连接权存储部(174)。连接权设定部(173)接收位置信息，并从连接权存储部(174)取得与所接收的位置信息相对应的连接权，将所取得的连接权设定于沉积物辨别处理部(172)的神经网络。
Description
技术领域
本发明涉及一种基于向水中输出的超声波的回波信号辨别海底沉积物的沉积物辨别装置、超声波探测机、参数设定方法及其程序。
背景技术
以往，在用于船舶的鱼群探测机中，辨别海底的沉积物(岩、石、沙等)并进行显示的探测机广为人知(例如，参照专利文献1)。沉积物判定是通过对超声波的发送脉冲的海底回波进行解析来进行的。例如，在海底的如岩或石等坚硬且起伏大的地方，海底回波的持续时间长，在如沙或泥等柔软平坦的地方，海底回波的持续时间短。在画面上，对与各沉积物的相似度或者在各沉积物中最相似的沉积物进行显示。在专利文献1中，将神经网络应用于沉积物类别的相似度的计算，使更加正确的沉积物辨别成为可能。
专利文献1：日本特开平2008-275351号公报
即使是相同的沉积物，在各海域的回波也有所不同，因此，理想的是，神经网络根据对各海域进行处理的情况进行训练和变更。在该神经网络中，根据输出值的正解，对连接权(加权系数)进行更新(训练)，由此提高输出值的正确率。
但是，在沉积物辨别的情况下，很难把握辨别结果是否正确。因此，在专利文献1的情况下，不能使神经网络的连接权处于理想状态，很难期待沉积物辨别结果的正确率的进一步提高。
发明内容
因此，本发明的目的是提供使用神经网络，能够获得高正确率的沉积物辨别结果的沉积物辨别装置、超声波探测机、参数设定方法及其程序。
本发明的特征是：在输入向水中输出的超声波的回波信号，并使用神经网络进行海底的沉积物辨别的沉积物辨别装置中，具有：将所述神经网络中使用的参数与位置信息建立对应并存储的存储装置、接收位置信息的接收装置、从所述存储装置取得与该接收装置所接收的位置信息相对应的参数的取得装置、和将该取得装置所取得的参数设定于所述神经网络的设定装置。
一般来讲，神经网络是一种算法，其根据输出结果的正解，对参数进行训练(更新)，以便能够输出更接近正解的结果。但是，海底的沉积物依位置各有不同，因此，在将神经网络用于沉积物辨别的情况下，操作者(船员等)很难判定沉积物辨别的结果是否为正解。因此，不能通过沉积物辨别的结果来对被设定于神经网络的参数进行训练。
因此，在本发明的构成中，预先存储位置信息和适于该位置的参数，取得与所接收的位置信息相对应的参数，对用于沉积物辨别的神经网络进行设定。由此，能够将与所接收的位置信息相对应的最合适的参数设定于神经网络，而与神经网络的输出无关，且能够通过该神经网络获得正确率更高的沉积物辨别结果。
在本发明的沉积物辨别装置中，所述参数是通过预先对各海域进行使用神经网络的训练而求得的。
在该构成中，因为各海域的沉积物类别不同，所以将对各海域进行训练后的参数与海域建立对应并进行存储。由此，能够将与海域对应的理想的参数设定于神经网络，并能进行正确率高的沉积物辨别。
在本发明的沉积物辨别装置中，所述存储装置存储通用参数。在与所述接收装置所接收的位置信息相对应的参数未存储于所述存储装置的情况下，所述取得装置取得所述通用参数。
该构成中，在与位置信息对应的参数未被存储的情况下，取得通用参数，并设定于神经网络。由此，无论在任何位置，也能够在一定程度上提高沉积物辨别结果的正确率。
在本发明的沉积物辨别装置中，在与所述接收装置所接收的位置信息相对应的参数未存储于所述存储装置的情况下，所述取得装置取得与距所述位置信息所表示的位置最近的位置的位置信息相对应的参数。
该构成中，在与所接收的位置信息相关的参数未被存储的情况下，取得与距所接收的位置信息所表示的位置最近的位置的位置信息相关的参数，并进行设定。因为位置接近的海底沉积物相似的可能性高，所以即使少量地也能够提高沉积物辨别结果的正确率。
在本发明的沉积物辨别装置中，所述参数是通过预先根据海域进行使用神经网络的训练而求得的。
该构成中，因为使用专家等训练过的参数，所以能够获得高正确率的沉积物辨别结果。
在本发明的沉积物辨别装置中，所述接收装置将GPS信号作为位置信息接收。
该构成中，示出了使用GPS信号作为取得位置信息的方法的具体例子。
在本发明的沉积物辨别装置中，所述接收装置接收用户输入的位置信息。
该构成中，示出以用户的输入作为取得位置信息的方法的具体例。
根据本发明，在将神经网络用于沉积物辨别的情况下，将与位置对应的最合适的参数设定于神经网络，由此，通过该神经网络能够获得高正确率的沉积物辨别结果。
附图说明
图1是表示实施方式中的超声波探测机的构成的框图。
图2是表示信号处理部的构成的框图。
图3是表示接收信号的时间轴波形的模式图。
图4是用于说明沉积物辨别中的神经网络的模式图。
图5是表示将位置信息和连接权(Synaptic Weight)建立对应来存储的数据表的模式图。
图6是表示超声波探测机的信号处理部所执行的处理步骤的流程图。
图中：
10操作部(接收装置)
17 信号处理部
18 显示部
171 特征量数据提取部
172 沉积物辨别处理部(神经网络)
173 连接权设定部(取得装置、设定装置、接收装置)
174 连接权存储部(存储装置)
N 输入层
M 中间层
O 输出层
W 连接权(参数)
具体实施方式
以下，对照图面对本发明的沉积物辨别装置、超声波探测机、连接权设定方法及参数设定程序的优选实施方式进行说明。在以下说明的实施方式中，对搭载于船舶，并具有对船舶所在位置的海底的沉积物(岩、沙、泥、石等)进行辨别的本发明的沉积物辨别装置的超声波探测机进行说明。超声波探测机例如为鱼群探测机或扫描声纳等。
图1是表示本实施方式的超声波探测机的构成的框图。超声波探测机具有：操作部(接收装置)10、探头11、收发切换部12、发送电路13、控制部14、接收电路15、A/D转换器16、信号处理部17、显示部18以及传感器部19。
控制部14读出并执行存储于存储部20的程序20A，由此，对超声波探测机进行总体控制。控制部14根据来自操作部10的各种操作(探测范围的设定或位置信息的输入)对发送电路13的发送周期、探测范围等进行设定。此外，控制部14进行对应的A/D转换器16的采样周期的设定、对信号处理部17的各种处理的执行的指示。
显示部18将画面上的纵轴作为深度方向，将横轴作为时间方向来进行回波数据的显示。再者，超声波探测机也可不具有显示部18，而使用船舶中已经存在的显示器。
传感器部19将船速信息、横摇角、纵摇角等表示船体状态的各种信息输入到控制部14。
发送电路13介由内藏有陷波电路的收发切换部12向探头11输入脉冲状的信号。信号的输入定时或电平、脉冲宽度等通过接收来自控制部14的控制信号加以控制。
探头11为装配于船底等的振荡器，根据由发送电路13输入的脉冲状的信号向水中输出超声波。探头11将自身所输出的超声波作为在鱼群或海底等的物标反射的回波信号予以接收。探头11将对应于所接收的回波信号的强度的接收信号介由收发切换部12输出到接收电路15。
接收电路15将所输入的接收信号放大并输出到A/D转换器16。
A/D转换器16以指定的采样周期将接收信号转换成数字信号，并输出到信号处理部17。
信号处理部17将数字化的接收信号顺次存储于存储器(未作图示)。信号处理部17基于所存储的接收信号进行海底检测处理和沉积物辨别处理。表示海底检测处理的结果及沉积物辨别的结果的信息画面显示在显示部18上。
以下，对信号处理部17的处理进行详细说明。
图2是表示信号处理部17的构成的框图。信号处理部17具有：海底检测部170、特征量数据提取部171、沉积物辨别处理部172、连接权设定部(取得装置、设定装置)173、连接权存储部174以及显示处理部175。
接收信号从A/D转换器16输入到信号处理部17。信号处理部17将一次测定量{一个声脉冲(PING)量}的接收信号存储于存储器(未作图示)，信号处理部17的上述各部分在每次存储一个声脉冲的量的接收信号时进行如下所示的处理。
海底检测部170根据从A/D转换器16输入的接收信号检测海底深度。海底检测部170将检测出的海底深度输出到控制部14。控制部14基于海底深度算出与海底深度成比例的发送脉冲宽度，并将控制信号输出到发送电路13，以使该脉冲宽度的超声波由探头11输出。
可以使用各种海底深度的检测手法，如：以接收阈值电平以上的回波的定时为基准的手法；以微分值最高的定时为基准的手法；或，将与所输出的超声波的脉冲宽度相等(或接近)的波形作为参考信号，求出与接收信号的相关性，以相关性值最高的定时为基准的手法等。
在海底检测部170检测到海底的情况下，特征量数据提取部171从接收信号中提取特征量数据。特征量数据为形成时间轴波形的接收信号的积分值。特征量数据提取部171将接收信号分割为多段，按各段提取特征量数据。
这里，对通过特征量数据提取部171进行的特征量数据的提取进行说明。
图3是表示接收信号的时间轴波形的模式图。图3中示出以横轴作为时间、纵轴作为接收信号的信号电平的坐标图。横轴的时间为从由探头11输出超声波到接收回波信号的时间，换言之，也是深度。
特征量数据提取部171将超过判定接收信号为海底回波的阈值电平的接收信号分割成多个时间段(T1，T2，...，Tn)，按各段提取特征量数据L1，L2，...，Ln。可以是段的数量固定，而使各段的时间长根据海底深度(时间)可变；也可以是各段的时间长固定，而使段的数量根据海底深度可变。
再者，在海底的岩或石等坚硬且起伏大的地方，反射率高，因此，如图3所示，所具有的倾向是：第二次的峰值(在海底反射的声波再反射并被接收的二次回波)的电平高于海底回波的最初的峰值(一次回波)。特征量数据提取部171可以仅提取一次回波的特征量数据，也可以提取包括二次回波的特征量数据。一次回波和二次回波的振幅比为海底表面的反射率的指标，因此，在特征量数据提取部171提取包括二次回波的特征量数据的情况下，后面的通过沉积物辨别处理部172进行的沉积物辨别的正确度将提高。
沉积物辨别处理部172将特征量数据提取部171所提取的多个特征量数据L1，L2，...，Ln作为输入，进行与参考数据(模板数据)的匹配(模式识别)，算出相似度，生成沉积物信息。参考数据为具有泥、岩、沙、石等的各沉积物的回波的时间轴波形的数据，预先存储于未作图示的存储器中。
沉积物辨别处理部172将神经网络用于与参考数据的相似度的计算。图4是用于说明沉积物辨别中的神经网络的模式图。图4表示将泥、岩、沙、石设为沉积物类别的情况下的一个例子。
本实施方式的神经网络为具有输入层N、中间层M以及输出层O的阶层型神经网络。
输入层N具有神经元N1，N2，...，Nn。特征量数据提取部171所提取的特征量数据L1～Ln被输入到神经元N1～Nn的每一个。输入层N的神经元的数量根据特征量数据提取部171所提取的特征量数据的数量是可变的。
在所输入的特征量数据L1～Ln超过阈值的情况下，神经元N1～Nn将输出值输出到中间层M。该阈值根据沉积物辨别的精度或将回波判断为来自海底的回波的电平等适当变更。神经元N1～Nn可以将输入值作为输出值，也可以在超过阈值的情况下将“1”作为输出值，在未超过阈值的情况下将“0”作为输出值。以下，对神经元N1～Nn将输入值作为输出值进行输出的情况加以说明。
中间层M具有与所存储的参考数据的数量相当的数量的神经元。将输入层N的神经元N1～Nn的输出值即特征量数据L1～Ln输入到各神经元。然后，各神经元对所输入的特征量数据进行加权相加，并输出基于指定的输入输出函数的输出值，由此，进行与参考数据的匹配，输出匹配结果(相似度)。
在本实施方式中，中间层M具有神经元M11，M12，...M1i，M21，M22，...M2i，Mn1，Mn2，...Mnm。在神经元Mnm中，n与沉积物类别相对应，m与沉积物类别的参考数据的数量相对应。
例如，在存储器中存储有三个泥的参考数据的情况下，与该泥的参考数据对应的神经元为神经元M11，M12，M13。在存储器中存储有两个岩的参考数据的情况下，与该岩的参考数据对应的神经元为神经元M21，M22。
此外，在存储器中存储有三个沙的参考数据的情况下，与该沙的参考数据对应的神经元为神经元M31，M32，M33。在存储器中存储有两个石的参考数据的情况下，与该石的参考数据对应的神经元为神经元M41，M42。
神经元N1～Nn的输出值被输入到中间层M所具有的各神经元(例如，对照图4的粗线)。然后，中间层M所具有的各神经元将特征量数据L1～Ln与连接权P1～Pn的每一个相乘，输出基于指定的输入输出函数的输出值。
基于输入输出函数的输出值可以是：例如，如果将特征量数据L1～Ln与连接权P1～Pn的每一个相乘的结果在阈值以上则为“1”，不满阈值则为“0”。此外，基于输入输出函数的输出值可以是与将特征量数据L1～Ln与连接权P1～Pn的每一个相乘后的结果对应的S型(Sigmoid)函数。
连接权P1～Pn为中间层M的各神经元的特性，根据参考数据预先确定。这里，对连接权P1～Pn的确定方法加以说明。
在海底沉积物为泥或沙的情况下，由探头11输出的超声波的回波的脉冲宽度短。此外，在海底沉积物为岩或石的情况下，由探头11输出的超声波的回波的脉冲宽度长。因此，参考数据的时间轴波形按各沉积物类别而不同。所以，对应中间层M的神经元所使用的参考数据的时间轴波形，通过特征量数据提取部171所分割的段(T1，T2，...，Tn)中哪些段的特征量数据在与参考数据的对比中受到重视来确定连接权。
例如，将如图3的段(T1，T2)那样具有在时间上最初的信号电平高，随后的信号电平低的时间轴波形的参考数据作为神经元M11所使用的参考数据加以说明。这种情况下，神经元M11的连接权P1～Pn被设定为连接权P1，P2大于连接权P3～Pn。
由此，在与神经元M11的参考数据的对比中大致无关的时间的特征量数据L3～Ln即使被输入到神经元M11，因为比特征量数据L1，L2小，所以，神经元M11可以在与参考数据对比时大致忽略特征量数据L3～Ln。结果，神经元M11能够更加准确而且高速地算出所输入的特征量数据与参考数据的相似度。
输出层O具有神经元O1，O2，O3，O4。中间层M的神经元M11，M12，...M1i，M21，M22，...M2i，Mn1，Mn2，...Mnm的输出值被输入到神经元O1，O2，O3，O4。然后，神经元O1，O2，O3，O4将输入值与连接权W11，W12，...W1i，W21，W22，...W2i，Wn1，Wn2，...Wnm的每一个相乘，输出基于指定的输入输出函数的输出值。
再者，连接权(参数)W的下标与神经元M的下标对应。此外，连接权W通过后述的连接权设定部173设定。
神经元O1，O2，O3，O4使用连接权W对输入值进行加权相加，输出基于指定的输入输出函数的输出值。例如，在加权相加的结果超过阈值的情况下，神经元O1，O2，O3，O4输出输出值。神经元O1，O2，O3，O4的输出值与中间层M等一样，可以是“0”、“1”，也可以是对神经元O1，O2，O3，O4的输入值进行加权相加所得的结果。
神经元O1输出关于泥的输出值U1。神经元O2输出关于岩的输出值U2。神经元O3输出关于沙的输出值U3。神经元O4输出关于石的输出值U4。
例如，在只输出输出值U1的情况下，沉积物辨别处理部172生成海底沉积物为泥的沉积物信息。此外，在输出输出值U1，U2的情况下，沉积物辨别处理部172生成海底沉积物中泥和岩各包含50％的沉积物信息。
此外，在输出层O直接输出对输入值进行加权相加所得的结果的情况下，沉积物辨别处理部172可以根据输出层O的各神经元的输出值的比例生成沉积物信息。这种情况下，例如，沉积物辨别处理部172生成海底沉积物为70％的泥，20％的岩，10％的石的沉积物信息。
回到图2，连接权存储部174将神经网络中的中间层M及输出层O之间的连接权W与位置信息建立对应来进行存储。图5是表示将位置信息和连接权W建立对应来存储的数据表的模式图。图5所示的数据表中将海上的纬度及经度信息作为位置信息加以存储。
此外，虽在图5中加以省略，但连接权存储部174所存储的连接权A，B，...的中的每一个都包含各个连接权W11，W12，...W1i，W21，W22，...W2i，Wn1，Wn2，...Wnm的值。而且，连接权A，B，...中的每一个都包含各神经元O1，O2，O3，O4的连接权。此外，图5中的位置信息也可以不是纬度及经度而是海洋名，例如濑户内海或太平洋等。
神经网络是根据输出值(沉积物辨别结果)的正解对连接权W进行随时训练而成的网络。但是，海底沉积物根据各海域而不同，此外，在海底传播的超声波呈根据海水的水质(水温或海水浓度等)有所不同的传播方式。因此，操作者(船员)不能判断沉积物辨别结果是否是正解，也不能对连接权W进行训练。所以，连接权存储部174所存储的连接权是经专家或超声波探测机的生产销售商等预先在各海域进行使用神经网络的沉积物辨别并进行训练而成的理想的连接权。
例如，在船舶位于经度38度、纬度148度的情况下，由专家等对通过神经网络进行的沉积物辨别的结果的正解进行判断。然后，专家等对神经网络的参数(连接权)进行训练并予以确定，以使沉积物辨别的结果接近正解。将该连接权与经度38度、纬度148度对应并存储于连接权存储部174。
连接权设定部173从连接权存储部174取得与由控制部14输入的位置信息相对应的连接权，针对沉积物辨别处理部172的神经网络设定所取得的连接权。例如，图5中，在船舶位于经度38度、纬度148度的情况下，连接权设定部173将与该位置信息相对应的连接权A，C，E，G设定于沉积物辨别处理部172的神经网络。
在与所输入的位置信息相对应的连接权未存储在连接权存储部174的情况下，连接权设定部173取得与距所输入的位置信息所表示的位置最近的位置的位置信息相对应的连接权。在位置接近的情况下，连接权设定部173通过取得与距所输入的位置信息的位置最近的位置的位置信息相对应的连接权，能够将接近程度较为理想的连接权设定于神经网络。
再者，连接权设定部173所取得的位置信息可以由操作者从操作部10输入，也可以接收GPS(Global Positioning System：全球定位系统)信号，通过GPS导航求得。
这样，本实施方式的超声波探测机根据船舶的位置将理想的连接权W设定于沉积物辨别处理部172的神经网络。由此，从神经网络输出接近正解的输出值，超声波探测机能够生成正确率高的沉积物信息。
以下，对本实施方式的超声波探测机所执行的动作加以说明。
图6是表示超声波探测机的信号处理部17所执行的处理步骤的流程图。信号处理部17判定是否输入了接收信号(S1)。在未输入接收信号的情况下(S1：否)，信号处理部17结束本处理。在输入了接收信号的情况下(S1：是)，信号处理部17判定是否从接收信号检测到海底(S2)。
在未检测到海底的情况下(S2：否)，将接收信号作为例如干扰，信号处理部17结束本处理。在检测到海底的情况下(S2：是)，信号处理部17的海底检测部170检测海底深度(S3)。
连接权设定部173从控制部14取得位置信息(S4)。位置信息可以是通过操作者手动输入，也可以是使用GPS信号自动输入。
连接权设定部173判定与所取得的位置信息相对应的连接权是否存储于连接权存储部174(S5)。在相应的连接权存储于连接权存储部174的情况下(S5：是)，连接权设定部173取得相应的连接权(S6)。在相应的连接权未存储于连接权存储部174的情况下(S5：否)，换言之，在所取得的位置信息未存储于连接权存储部174的情况下，连接权设定部173取得与接近所取得的位置信息的位置信息相对应的连接权(S7)。
连接权设定部173将所取得的连接权设定于沉积物辨别处理部172的神经网络(S8)。沉积物辨别处理部172使用由连接权设定部173设定的连接权进行使用图3中说明的神经网络的沉积物辨别处理(S9)。沉积物辨别处理部172向显示处理部175输出沉积物辨别结果将沉积物辨别的结果显示于显示部18(S10)。由此，本处理结束。
如上面说明的，在本实施方式中，将神经网络用于沉积物辨别，将根据船舶的位置预先确定的连接权设定于该神经网络。由此，能够随时进行高正确率的沉积物辨别。
再者，对上述实施方式中说明的超声波探测机的具体构成等可以适当进行设计变更，上述记载的作用及效果不过是通过本发明产生的最优选的作用和效果，由本发明产生的作用和效果并不限于上述实施方式中记载的内容。
例如，设定于神经网络的连接权也可以不与所取得的位置信息或者接近所取得的位置信息的位置信息相对应。例如，在连接权存储部174中存储作为通用参数的通用连接权。所谓通用连接权是无论在任何海域都能以一定程度的高准确率，例如80％以上的准确率进行正确的沉积物辨别的参数。
在所取得的位置信息未存储于连接权存储部174的情况下，连接权设定部173可以从连接权存储部174取得该通用连接权，将其设定于神经网络。由此，超声波探测机通常能够获得正确率在一定值以上的沉积物辨别结果。
此外，在上述实施方式中，通过连接权设定部173设定连接权W，但超声波探测机也可以训练连接权P。例如，也可以将中间层M的输入值的加权相加的结果与参考数据相对比，对连接权P进行训练，以使所述结果接近参考数据。这种情况下，能够使与中间层M的参考数据的匹配结果具有更高的精度。
Claims (10)
1.一种输入向水中输出的超声波的回波信号，并使用神经网络进行海底的沉积物辨别的沉积物辨别装置，其特征在于，具有：
将所述神经网络所使用的参数与位置信息建立对应并存储的存储装置；
接收位置信息的接收装置；
从所述存储装置取得与该接收装置所接收的位置信息相对应的参数的取得装置；和
将该取得装置所取得的参数设定于所述神经网络的设定装置。
2.根据权利要求1所述的沉积物辨别装置，其特征在于，
所述参数是通过预先对各海域进行使用神经网络的训练而求得的。
3.根据权利要求1或2所述的探测装置，其特征在于，
所述存储装置存储通用参数，
在与所述接收装置所接收的位置信息相对应的参数未存储于所述存储装置的情况下，所述取得装置取得所述通用参数。
4.根据权利要求1至3中的任一项所述的沉积物辨别装置，其特征在于，
在与所述接收装置所接收的位置信息相对应的参数未存储于所述存储装置的情况下，所述取得装置取得与距所述位置信息所表示的位置最近的位置的位置信息相对应的参数。
5.根据权利要求1至4中的任一项所述的沉积物辨别装置，其特征在于，
所述参数是通过预先根据各海域进行使用神经网络的训练而求得的。
6.根据权利要求1至5中的任一项所述的沉积物辨别装置，其特征在于，
所述接收装置将GPS信号作为位置信息接收。
7.根据权利要求1至6中的任一项所述的沉积物辨别装置，其特征在于，
所述接收装置接收用户输入的位置信息。
8.一种超声波探测机，其特征在于，具有：
权利要求1至7中的任一项所述的沉积物辨别装置；和
对该沉积物辨别装置的沉积物辨别结果进行显示的显示部。
9.一种输入向水中输出的超声波的回波信号，并使用神经网络进行海底的沉积物辨别的沉积物辨别装置所执行的所述神经网络的参数设定方法，其特征在于，
接收位置信号；
从将所述神经网络所使用的参数与位置信息建立对应并存储的存储装置，取得与所接收的位置信息相对应的参数；
将所取得的参数设定于所述神经网络。
10.一种输入向水中输出的超声波的回波信号，并使用神经网络进行海底的沉积物辨别的由计算机执行的参数设定程序，其特征在于，使计算机作为如下装置发挥作用：
从将所述神经网络所使用的参数与位置信息建立对应并存储的存储装置，取得与所接收的位置信息相对应的参数的取得装置；以及
将该取得装置所取得的参数设定于所述神经网络的设定装置。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2010270993A JP2012122727A (ja) | 2010-12-06 | 2010-12-06 | 底質判別装置、超音波探知機、パラメータ設定方法及びパラメータ設定プログラム |
| JP2010-270993 | 2010-12-06 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102590345A true CN102590345A (zh) | 2012-07-18 |
| CN102590345B CN102590345B (zh) | 2015-12-02 |
Family
ID=45475726
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201110410954.6A Expired - Fee Related CN102590345B (zh) | 2010-12-06 | 2011-12-01 | 沉积物辨别装置、超声波探测机、参数设定方法 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US8990131B2 (zh) |
| JP (1) | JP2012122727A (zh) |
| CN (1) | CN102590345B (zh) |
| GB (1) | GB2486308B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105372332A (zh) * | 2015-10-27 | 2016-03-02 | 湘潭大学 | 一种海底沉积物纵波声波参数原位自动测量装置及方法 |
| CN111381233A (zh) * | 2018-12-28 | 2020-07-07 | 中国船舶重工集团公司第七一九研究所 | 一种水下对抗态势显控方法及系统 |
| CN115451877A (zh) * | 2022-09-29 | 2022-12-09 | 天津大学 | 超音速分离器液滴沉积量与沉积位置声学预测方法 |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8775341B1 (en) | 2010-10-26 | 2014-07-08 | Michael Lamport Commons | Intelligent control with hierarchical stacked neural networks |
| US9015093B1 (en) | 2010-10-26 | 2015-04-21 | Michael Lamport Commons | Intelligent control with hierarchical stacked neural networks |
| CN104422935A (zh) * | 2013-08-19 | 2015-03-18 | 中国科学院沈阳自动化研究所 | 一种用于海洋装备的示位器及其方法 |
| CN104614445A (zh) * | 2015-01-20 | 2015-05-13 | 中国人民解放军92859部队 | 一种基于海底沉积物的声速测量装置 |
| CN105548368B (zh) * | 2016-02-06 | 2018-11-13 | 国家海洋局第一海洋研究所 | 压载贯入式海底沉积物声学特性原位测量装置 |
| WO2020020809A1 (en) * | 2018-07-26 | 2020-01-30 | Koninklijke Philips N.V. | Ultrasound system with an artificial neural network for guided liver imaging |
| CN109685796B (zh) * | 2018-12-26 | 2021-05-18 | 上海联影智能医疗科技有限公司 | 医学图像处理方法、装置、设备和存储介质 |
| KR102236169B1 (ko) * | 2019-12-17 | 2021-04-05 | (주)지오시스템리서치 | 심층신경망과 자료동화 기법을 이용한 멀티빔 음압자료의 해저퇴적물 특성자료 변환 시스템 |
| CN113221651B (zh) * | 2021-04-09 | 2023-06-02 | 广东海洋大学 | 利用声传播数据和无监督机器学习的海底沉积分类方法 |
| CN115824458B (zh) * | 2023-02-22 | 2023-05-05 | 自然资源部第一海洋研究所 | 一种海底底层水温反演的方法和装置 |
| CN116629086B (zh) * | 2023-07-19 | 2023-09-19 | 水利部交通运输部国家能源局南京水利科学研究院 | 复式河道植被区泥沙起动计算方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4924448A (en) * | 1989-03-09 | 1990-05-08 | Gaer Marvin C | Bistatic system and method for ocean bottom mapping and surveying |
| CN101125100A (zh) * | 2007-09-28 | 2008-02-20 | 东北师范大学 | 应用蝙蝠回声定位声波测定识别蝙蝠种类的方法 |
| US20080103695A1 (en) * | 2006-10-27 | 2008-05-01 | Jonathan Merrill Whiting | Navigational aid system for fishermen |
| US20090122642A1 (en) * | 2007-04-26 | 2009-05-14 | The University Of Tokyo | Bottom-sediment classification device and method |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0726542B1 (en) * | 1990-04-18 | 1999-09-15 | Fuji Photo Film Co., Ltd. | Method and apparatus for adjusting read-out conditions and/or image processing conditions for radiation images, radiation image read-out apparatus, and radiation image analyzing method and apparatus |
| GB2311697B (en) * | 1996-03-22 | 1999-07-28 | Matsushita Electric Ind Co Ltd | Wireless communication system and method and system for detection of position of radio mobile station |
| US6351711B1 (en) * | 2000-09-14 | 2002-02-26 | Sirf Technology, Inc. | GPS navigation system using neural networks |
| DE60211387T2 (de) * | 2002-03-25 | 2007-04-19 | Council Of Scientific & Industrial Research | Klassifizieren von meeresboden rauhigkeit mit som und lvq |
| JP4818609B2 (ja) * | 2002-08-21 | 2011-11-16 | ジェンテックス コーポレイション | 外部車両照明の自動制御のための画像取得及び処理方法 |
| US7991721B2 (en) * | 2005-11-07 | 2011-08-02 | International Business Machines Corporation | Differential availability determination and notification |
-
2010
- 2010-12-06 JP JP2010270993A patent/JP2012122727A/ja active Pending
-
2011
- 2011-11-25 GB GB1120364.3A patent/GB2486308B/en not_active Expired - Fee Related
- 2011-12-01 CN CN201110410954.6A patent/CN102590345B/zh not_active Expired - Fee Related
- 2011-12-05 US US13/311,206 patent/US8990131B2/en not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4924448A (en) * | 1989-03-09 | 1990-05-08 | Gaer Marvin C | Bistatic system and method for ocean bottom mapping and surveying |
| US20080103695A1 (en) * | 2006-10-27 | 2008-05-01 | Jonathan Merrill Whiting | Navigational aid system for fishermen |
| US20090122642A1 (en) * | 2007-04-26 | 2009-05-14 | The University Of Tokyo | Bottom-sediment classification device and method |
| CN101125100A (zh) * | 2007-09-28 | 2008-02-20 | 东北师范大学 | 应用蝙蝠回声定位声波测定识别蝙蝠种类的方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105372332A (zh) * | 2015-10-27 | 2016-03-02 | 湘潭大学 | 一种海底沉积物纵波声波参数原位自动测量装置及方法 |
| CN105372332B (zh) * | 2015-10-27 | 2018-10-23 | 湘潭大学 | 一种海底沉积物纵波声波参数原位自动测量装置及方法 |
| CN111381233A (zh) * | 2018-12-28 | 2020-07-07 | 中国船舶重工集团公司第七一九研究所 | 一种水下对抗态势显控方法及系统 |
| CN115451877A (zh) * | 2022-09-29 | 2022-12-09 | 天津大学 | 超音速分离器液滴沉积量与沉积位置声学预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| GB201120364D0 (en) | 2012-01-04 |
| JP2012122727A (ja) | 2012-06-28 |
| US20120143803A1 (en) | 2012-06-07 |
| CN102590345B (zh) | 2015-12-02 |
| GB2486308B (en) | 2013-10-23 |
| US8990131B2 (en) | 2015-03-24 |
| GB2486308A (en) | 2012-06-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102590345A (zh) | 沉积物辨别装置、超声波探测机、参数设定方法及其程序 | |
| Simpson et al. | Discharge-measurement system using an acoustic Doppler current profiler with applications to large rivers and estuaries | |
| CN102749622B (zh) | 基于多波束测深的声速剖面及海底地形的联合反演方法 | |
| CN105004413B (zh) | 用于水下目标定位的声传播路径综合速度测定方法与装置 | |
| CN102736081A (zh) | 水中探测装置、鱼群探测机、水中探测方法以及程序 | |
| CN102107723B (zh) | 侧扫声纳测量船舶吨位的方法 | |
| CN104180873A (zh) | 一种单波束测深仪水深粗差检测修正方法及系统 | |
| CN116660996A (zh) | 一种基于深度学习的漂流式浅海局部地声参数预测方法 | |
| JP3562494B2 (ja) | ソーナー探知範囲予察可視化システム、方法及びプログラム | |
| CN109632258A (zh) | 一种基于矢量传感器的收发分离的海洋内波声学检测方法 | |
| WIEBE et al. | THE USE OF HIGH FREQUENCY ACOUSTICS IN THE STUDY OF ZOOPLANKTON SPATIAL AND TEMPORAL PATTERNS (15th Symposium on Polar Biology) | |
| Ton et al. | Beach and nearshore monitoring techniques | |
| CN202175176U (zh) | 一种侧扫声纳测量船舶吨位的系统 | |
| Grelowska et al. | Gdansk Bay sea bed sounding and classification of its results | |
| Mead | Incorporating high-quality surfing breaks into multi-purpose reefs | |
| Surbakti et al. | An improving fisherman product quality and fishing performance based on IoT | |
| Solikin et al. | Support Vector Machine Classification Method for Predicting Jakarta Bay Bottom Sediment Type using Multibeam Echosounder Data. | |
| JP2003004847A (ja) | ソーナー探知範囲予察システム、方法及びプログラム | |
| CN118566963B (zh) | 一种基于双位置校准切换的深海auv快速组合导航方法 | |
| CN116400101B (zh) | 一种近表层海流数据可信性判断的方法 | |
| CN109342568B (zh) | 一种淤泥质海底航道失稳滑塌全周期声纹识别方法 | |
| Matos et al. | Algorithms for external tracking of an AUV | |
| KR20020025542A (ko) | 어장 관리 시스템 및 그 방법 | |
| Zwolak et al. | Automatic Identification of Internal Wave Characteristics Affecting Bathymetric Measurement Based on Multibeam Echosounder Water Column Data Analysis. Energies 2021, 14, 4774 | |
| Pouliquen et al. | Seabed segmentation using a combination of high frequency sensors |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20151202 Termination date: 20181201 |