CN107368841A - 一种基于hht和人工神经网络的水下机动小目标识别方法 - Google Patents
一种基于hht和人工神经网络的水下机动小目标识别方法 Download PDFInfo
- Publication number
- CN107368841A CN107368841A CN201610309550.0A CN201610309550A CN107368841A CN 107368841 A CN107368841 A CN 107368841A CN 201610309550 A CN201610309550 A CN 201610309550A CN 107368841 A CN107368841 A CN 107368841A
- Authority
- CN
- China
- Prior art keywords
- hht
- signal
- neural network
- small object
- underwater
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2111—Selection of the most significant subset of features by using evolutionary computational techniques, e.g. genetic algorithms
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Physiology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于HHT和人工神经网络的水下机动小目标识别方法,所述方法包括:提取待识别信号x(t)的HHT特征:希尔伯特边际谱,从希尔伯特边际谱中提取HHT特征量;将待识别信号x(t)进行傅里叶变换,提取其峰值频率和3dB带宽;将HHT特征量、峰值频率和3dB带宽进行混合构建HHT混合特征向量;最后将HHT混合特征向量输入训练好的人工神经网络分类器进行识别,输出识别的类型。本发明的方法充分利用了HHT变换对信号的自适应性、对处理非平稳信号的优势和水下小目标辐射噪声信号的时频域特点,提取的高维特征量可以充分描述水下目标的特征;提高了水下机动小目标的识别率。
Description
技术领域
本发明涉及水下机动小目标识别领域,具体涉及一种基于HHT和人工神经网络的水下机动小目标识别方法。
背景技术
冷战时期,各国处在战争警戒状态,海上探测和防御的对象主要是敌对国家的舰船和潜艇等大型目标。随着冷战的结束,特别是前苏联解体后,水下武器装备小型化的发展迅速,蛙人、水下运载器及水下机器人等技术装备的日益成熟,这类具有隐蔽性好,破坏力强等明显“非对称”优势的攻击方式颇受恐怖主义分子的青睐,已成为恐怖主义分子进行恐怖活动的重要方式。
近年来,国内外等对蛙人等水下小目标的主动声学探测方法及识别进行了比较多的研究,但对机动水下小目标的分类识别研究较少。在主动声信号识别领域,装备美国海军的SQS-26声呐具有主动目标分类功能。另外,很多国外海军的鱼雷自导系统,现在也已经具备了识别船舶要害部位的能力。文献[1](吴国,李靖,李训浩,陈耀明,袁毅.舰船噪声识别(III)—双重谱和平均功率谱的特征提取和模板图.声学学报,1999,24(2):191-196页;吴国清,李靖,李训法,陈耀明,袁毅.舰船噪声识别(IV)—模糊神经网络.声学学报,1999,24(3):275-280页)对舰船的辐射噪声进行了大量的研究,提取了舰船辐射噪声的众多特征,并利用统计模式识别和模糊神经网络相结合的方式对舰船噪声进行识别。文献[2](LI Qihu,WANG Jinlin,WEI Wei.Anapplication of expert system in recognition of radiated noise of under-water target.Beijing:Institute of Acoustics,Chinese Academy of Sciences,1989.404-408)研制了水声目标专家识别系统,大多数情况下,当信噪比不低于3dB时,信号的识别率超过了75%。
国内的学者对黄海鱼类、白鳍豚的声信号都做过研究。文献[3](杨勇,熊鹰,时立攀.螺旋桨空泡噪声测量与分析[J].中国舰船研究,2013,8(1):84-89.)对螺旋桨的空化噪声和噪声节奏机理开展了研究,为船舶辐射噪声的线谱和连续谱的分析和提取提供了依据,研究了船舶辐射噪声线谱的辐射起伏模型,给出了信号和背景噪声的起伏对线谱检测器性能的影响,同时给出了一种提取线谱的方法。
但是,由于水下小目标如蛙人、水下机器人活动的区域背景噪声高、目标多,这些因素使传统的识别方法识别率不够理想。
在水声信号处理领域,目前常用的方法是将时域信号变换到时频联合域,通过时频联合分布揭示信号的非平稳性及频率随时间的变化特征。主要的方法有:Wigner-Ville分布、短时傅里叶变换、小波变换等。但这些时频分析方法有各自的局限性。短时傅里叶变换易受窗函数的影响,小波变换的分辨率不高且不具备自适应能力。希尔伯特-黄变换是Nodern E.Huang等人提出的一种新的信号处理方法,是非平稳信号处理领域的一大突破,它不受傅里叶分析的局限,能够更加精确的表达出具有物理意义的时频分布特征,是一种更具适应性的局部分析方法。HHT(Hilbert-Huang Transform)方法创造性的提出了固有模态函数的概念和将任意信号分解为固有模态函数组成的经验模态分解,通过经验模态分解方法将信号分解为有限个固有模态函数的和,对每个固有模态函数进行希尔伯特变换就可以得到有意义的瞬时频率,从而给出频率随时间变化的精确表达,从而表示出信号在时间-频率平面上的幅度分布,赋予了信号瞬时频率合理的定义和有物理意义的方法。
为了研究非平稳信号频率随时间的变化,提出了瞬时频率的概念。对于瞬时频率的定义一直以来都存在着很多的争议,直到Hilbert变换以及解析信号方法提出后,瞬时频率的概念才开始渐渐明朗化。
对于满足要求的任意时间序列x(t),它的Hilbert变换y(t)表示为:
进而可以定义信号x(t)的复解析信号z(t)是:
z(t)=x(t)+jy(t)=a(t)ejθ(t) (2)
解析信号z(t)对应的瞬时幅度和瞬时相位是:
信号x(t)的瞬时频率定义为:
即信号的瞬时频率是信号某一时刻的角频率,或者可以看作瞬时相位随时间的变化率。
对于平稳信号,利用上面定义的瞬时频率,就可以得到了具有物理意义的解析信号。并且解决了经傅里叶变换后产生负频率的问题。但是对于非平稳信号,频率随时间时刻变化的,如果直接进行希尔伯特变换后求得到的瞬时频率也可能是负值,是没有物理意义的。信号的瞬时频率在同一时间只能对应一个频率值,是一个单值函数。所以计算信号的瞬时频率时,对信号是有要求的。如果信号本身在一个时间点上就含有很多频率成分,直接对信号进行希尔伯特变换求得的信号的瞬时频率,是信号瞬时频率的合成,这样得到的瞬时频率是不具有物理意义的。
为了解决上述的问题,Norden E.Huang等人通过研究提出了固有模态函数的概念。文献[4](Norden E.Huang,Kun Hu,Albert C.C.ON Hole-Hilbert spcetral analysis:afull informational spectral reprentation for nonlinear and non-stationarydata[J].Philosophical transactions of the royal society A mathematical,physical andengineering sciences,2016,374(1):1-21.)认为满足上述要的信号应具有局部零对称性。满足局部零对称性的要求的信号是指:
1)在信号的整个区间内,过零点和极点的数目相等或最多相差一个。
2)在任何一个点,极大值确定的包络和极小值确定的包络的均值为零。
固有模态函数就是满足上面两个条件的信号,现在的问题是如何将一个信号分解成有限个固有模态函数的和。经验模态分解就是来解决这个问题的。
基于固有模态函数的提出,Huang等人提出了经验模态分解法,即怎么将一个信号分解为有限个IMF分量的和。对信号进行经验模态分解有几个条件。
1)信号中至少要有两个极值点,一个极大值和一个极小值,或者极大值的个数或极小值的个数比零点的个数多2个或2个以上;
2)信号的特征时间尺度是由极值点之间的时间间隔来确定的;
3)如果信号中缺乏极值点,但存在奇异点,可以通过一次或者多次差分来求出极值点。
从20世纪90年代末HHT算法提出以来,很多学者在HHT的理论研究方面做出了贡献。但到现在为止,还没有一套成熟的、系统的理论说明HHT能成功应用于多个领域。
人工神经网络(Artificial Neural Network,简写为ANN),是探索和研究人类大脑奥秘的有力工具。人工神经网络是对人的大脑的一种最简单的抽象和模拟。神经元是人工神经网络的基本单元,是对生物神经元细胞的简化和模拟神经网络是由大量简单的神经元互相连接而形成的,因此神经网络的总体特性在一定程度上是由神经元的特性决定的。一个典型的神经网路模型主要由以下五部分组成:
(1)输入信号;
(2)网络权值和域值:网络权值表示输入信号与神经元之间的连接强度。网络权值和阈值是动态变化可调的,所以由其构成的神经网络就表现出一种行为特性;
(3)求和单元:对输入信号的加权求和由求和单元来完成,是神经元对输入信号的第一次处理;
(4)传递函数:神经元的传递函数或称激发函数,用f表示。它对求和单元的输出结果进行函数运算,从而得到神经元的输出。这是神经元对输入信号的第二次处理;
(5)结果输出:最终的输出结果是输入信号经过神经元的加权求和及传递函数的作用后得到。
神经网络可以由单层或多层的神经元组成,它们主要是从不同的角度对生物神经系统进行不同层次的抽象和模拟。神经网络的类型有很多,主要是从其功能性及学习的不同方法来划分。一般说来,当神经元的模型确定以后,神经网络的拓朴结构和学习方法决定一个神经网络的功能及其特性。这里选取BP神经网络进行分类。
BP神经网络是典型的全局逼近式网络,当网络的输入和输出变化时,就要调整网络的所有参数。BP(Back Propagation)人工神经网络是一种多层前馈神经网络,由输入层、隐含层、输出层三部分组成如,常采用S型Sigmoid函数作为其神经变换函数,输出0到1之间的连续量,通过它可以实现从输入到输出任意的非线性映射。Sigmoid函数表达式为:
在BP网络中,首先,输入信息并且将其前向传送到隐含层节点,然后通过转换函数Sigmoid进行运算再把隐含层节点的输出信息传播到输出层节点,最后得到输出结果。在整个过程中,学习期包括正向传播和反向传播两个过程。正向传播时,网络权值保持不变,每一层神经元的状态只影响下一层网络,如此类推,得到输出值。若输出结果与预期值存在差异,则进入反向传播过程,此时差异信号按原路返回,同时修改各层网络权值,依次向输入层传播,然后再一次开始正向传播,如此反复,使得差异信号极小。当差异达到用户期望值时,学习过程结束。
BP网络采用全局逼近的方法,其实质就是对任意非线性关系的逼近,这使得BP网络泛化能力良好,其主要优点是:采用全局逼近的方法,具有良好的泛化能力。目前,在构建网络时,对于神经网络的隐含层的个数,并没有明确的规律规定和给定的公式。多个隐含层具有更好的训练精度的同时需要较多的计算时间。根据已有理论证明:具有偏差和至少一个S型隐含层加上一个线性输出层的网络,可以逼近任何有理函数。即含有一个隐含层的三层BP网络能够实现非线性函数的逼近。所以采用了具备输入层、隐含层和输出层三层的BP神经网络来进行信号的识别。
发明内容
本发明的目的在于针对目前复杂水下环境中的蛙人、水下机器人、水面快艇、发声哺乳动物等水下机动小目标共同存在的情况,导致水下小目标识别率不高的问题,提出了一种基于HHT和人工神经网络的水下机动小目标识别方法,该方法用改进的HHT方法提取小目标的特征,然后利用神经网络对这些特征进行识别,该方法提高了水下小目标的识别率,能够应对近岸这些小目标对近岸水下设施财产存在的威胁和攻击。
为了实现上述目的,本发明提出了一种基于HHT和人工神经网络的水下机动小目标识别方法,该方法以HHT和傅里叶变换为基础构建特征向量,然后使用神经网络分类器对目标进行识别,所述方法包括:一种基于HHT和人工神经网络的水下机动小目标识别方法,所述方法包括:提取待识别信号x(t)的HHT特征:希尔伯特边际谱,从希尔伯特边际谱中提取HHT特征量;将待识别信号x(t)进行傅里叶变换,提取其峰值频率和3dB带宽;将所述HHT特征量、峰值频率和3dB带宽进行混合构建HHT混合特征向量;最后将HHT混合特征向量输入训练好的人工神经网络分类器进行识别,输出识别的类型。
上述技术方案中,所述方法具体包括:
步骤1)提取待识别信号x(t)的HHT特征:希尔伯特边际谱h(w);
步骤2)从希尔伯特边际谱h(w)中提取n维HHT特征量:[e1,e2,…,en];
步骤3)对待识别信号x(t)进行傅里叶变换,提取其峰值频率fp和3dB带宽w3dB;
步骤4)构建一个n+2维的HHT混合特征向量:
F=[e1,e2,…,en,fp,w3dB]
步骤5)将HHT混合特征向量F输入训练好的人工神经网络分类器进行识别,输出识别的类型。
上述技术方案中,在所述步骤5)之前还包括:训练人工神经网络分类器;具体包括:
步骤S1)将训练样本进行分类;
步骤S2)对训练样本进行预处理形成时域信号;
步骤S3)将每个训练样本的时域信号作为x(t),按照步骤1)、步骤2)、步骤3)和步骤4)构建每个训练样本的时域信号的HHT混合特征向量;
步骤S4)将所有训练样本的HHT混合特征向量作为人工神经网络的输入,训练出人工神经网络分类器。
上述技术方案中,所述步骤2)的具体实现过程为:
把希尔伯特边际谱h(w)从0Hz到160kHz等分为n个频段;计算每个频段的能量Ei,i=1,2,…n;然后对每个频段的能量进行归一化处理ei:
总能量为:
ei=Ei/E,i=1,2,…n
将[e1,e2,…,en]作为一个从希尔伯特边际谱中提取的n维HHT特征量。
上述技术方案中,所述人工神经网络分类器的输入层的节点数为:n+2;隐含层节点数为2(n+2)+1;输出层的节点为识别的类型数。
本发明的优点在于:
1、本发明的方法是特为识别复杂水下环境中的机动小目标而设计,对蛙人、水下机器人、发声哺乳动物等水下小目标有很高的识别率;
2、本发明采用HHT变换的方法充分利用了希尔伯特黄变换对信号的自适应性和对处理非平稳信号的优势和水下小目标辐射噪声信号的时频域特点,提取的高维特征量可以充分描述水下目标的特征;
3、本发明的识别方法使用人工神经网络进行目标的识别,人工神经网络具有很强的自我学习能力,可以充分利用了每类信号各自的特征。
附图说明
图1为本发明的基于HHT和人工神经网络的水下机动小目标识别方法流程图;
图2为本发明采用的人工神经网络分类器的拓扑结构图;
图3为本发明的方法与现有方法对一组目标实验数据的识别结果示意图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步详细的说明。
如图1所示,一种基于HHT和人工神经网络的水下机动小目标识别方法,所述方法包括:
步骤1)提取待识别信号x(t)的HHT特征的希尔伯特边际谱h(w);具体包括:
步骤101)将待识别信号x(t)经过EMD分解后表示为有限个固有模态函数与余量的和:
其中,rn(t)为余量,imfi(t)为第i个固有模态函数:
imfi(t)=Re(ai(t)exp(jθi(t))) (7)
其中,ai(t)表示分解后信号第i个固有模态的瞬时幅度,θi(t)表示分解后第i个固有模态的瞬时相位。
步骤102)将待识别信号x(t)表示为:
步骤103)对每一个IMF分量imfi做Hilbert变换,得到其瞬时幅度和瞬时频率,将所有IMF的瞬时幅度和瞬时频率进行汇总,这样得到的时频分布被称为Hilbert谱,记作H(w,t),Hilbert谱可以进一步定义希尔伯特边际谱h(w),即希尔伯特谱对时间的积分:
步骤2)从希尔伯特边际谱h(w)中提取8维识别特征量;
把希尔伯特边际谱h(w)从0Hz到160kHz以20kHz为间隔等分为8个频段;计算每个频段的能量Ei,i=1,2,…8;然后对每个频段的能量进行归一化处理:
总能量为:E=∑Ei
ei=Ei/E,i=1,2,…8
将[e1,e2,e3,e4,e5,e6,e7,e8]作为一个从希尔伯特边际谱中提取的8维识别特征量;
步骤3)对x(t)进行傅里叶变换,提取其峰值频率fp和3dB带宽w3dB;
步骤4)构建一个10维的HHT混合特征向量:
F=[e1,e2,e3,e4,e5,e6,e7,e8,fp,w3dB] (10)
由于提取的HHT特征向量中不能体现出频率信息,因此将峰值频率fp和3dB带宽w3dB加入HHT特征向量,以提高信号的识别特性;
步骤5)将构建的HHT混合特征向量F输入训练好的人工神经网络分类器进行识别,输出识别的类型;
进一步,在所述步骤5)之前还包括:训练人工神经网络分类器;具体包括:
步骤S1)将训练样本进行分类;
步骤S2)对训练样本进行预处理,得到训练样本的时域信号;
对训练样本数据进行归一化处理和分帧处理,归一化处理将音频文件的幅值统一归一化为[-1,1]之间;然后对归一化后的数据进行分帧处理,帧长设定为8192点,形成时域信号;
步骤S3)将每个训练样本时域信号作为x(t),按照步骤1)、步骤2)、步骤3)和步骤4)构建每个训练样本的时域信号的HHT混合特征向量;
步骤S4)将所有训练样本的HHT混合特征向量作为人工神经网络的输入,训练出人工神经网络分类器。
如图2所示,由于提取了一个10维的识别特征量,所述人工神经网络分类器输入层含有10个节点。隐含层从输入层提取特征,用神经网络实现映射,其节点数量严重影响着网络性能。隐含层节点数量减少,网络学习时间相对缩短,网络映射容量随之下降,导致网络权值调整无法达到全局最小,影响训练精度。若数量增多,网络学习能力增强,网络所需的学习时间也会相对增长,另外网络所需容量将随之增多。Kolmogorov定理指出:对于单隐含层的人工神经网络,若输入层节点数为N(这里输入层的节点数为10),则隐含层节点数可取为2N+1,因此本发明的隐含层节点数为21。输出层含有四个节点,以用来显示识别结果,分别表示水下蛙人、发声哺乳动物、水下机器人和水面快艇。
实例:
提取多次海上试验、湖上试验的水下机动小目标辐射噪声数据,首先,使用水下蛙人、发声哺乳动物、水下机器人、水面快艇的数据训练识别系统,然后使用此系统识别水下机动小目标。
如图3所示,本发明的识别方法准确地识别出了目标所属的类别。分类结果表明,本发明提出的一种基于HHT和人工神经网络的水下机动小目标识别方法识别率可以达到90%以上。对水下机动小目标有很好的分类结果和适应性,可以用于水下机动小目标的分类。
Claims (5)
1.一种基于HHT和人工神经网络的水下机动小目标识别方法,所述方法包括:提取待识别信号x(t)的HHT特征:希尔伯特边际谱,从希尔伯特边际谱中提取HHT特征量;将待识别信号x(t)进行傅里叶变换,提取其峰值频率和3dB带宽;将所述HHT特征量、峰值频率和3dB带宽进行混合构建HHT混合特征向量;最后将HHT混合特征向量输入训练好的人工神经网络分类器进行识别,输出识别的类型。
2.根据权利要求1所述的基于HHT和人工神经网络的水下机动小目标识别方法,其特征在于,所述方法具体包括:
步骤1)提取待识别信号x(t)的HHT特征:希尔伯特边际谱h(w);
步骤2)从希尔伯特边际谱h(w)中提取n维HHT特征量:[e1,e2,…,en];
步骤3)对待识别信号x(t)进行傅里叶变换,提取其峰值频率fp和3dB带宽w3dB;
步骤4)构建一个n+2维的HHT混合特征向量:
F=[e1,e2,…,en,fp,w3dB]
步骤5)将HHT混合特征向量F输入训练好的人工神经网络分类器进行识别,输出识别的类型。
3.根据权利要求2所述的基于HHT和人工神经网络的水下机动小目标识别方法,其特征在于,在所述步骤5)之前还包括:训练人工神经网络分类器;具体包括:
步骤S1)将训练样本进行分类;
步骤S2)对训练样本进行预处理形成时域信号;
步骤S3)将每个训练样本的时域信号作为x(t),按照步骤1)、步骤2)、步骤3)和步骤4)构建每个训练样本的时域信号的HHT混合特征向量;
步骤S4)将所有训练样本的HHT混合特征向量作为人工神经网络的输入,训练出人工神经网络分类器。
4.根据权利要求2所述的基于HHT和人工神经网络的水下机动小目标识别方法,其特征在于,所述步骤2)的具体实现过程为:
把希尔伯特边际谱h(w)从0Hz到160kHz等分为n个频段;计算每个频段的能量Ei,i=1,2,…n;然后对每个频段的能量进行归一化处理ei:
总能量为:
ei=Ei/E,i=1,2,…n
将[e1,e2,…,en]作为一个从希尔伯特边际谱中提取的n维HHT特征量。
5.根据权利要求3所述的基于HHT和人工神经网络的水下机动小目标识别方法,其特征在于,所述人工神经网络分类器的输入层的节点数为:n+2;隐含层节点数为2(n+2)+1;输出层的节点为识别的类型数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610309550.0A CN107368841A (zh) | 2016-05-11 | 2016-05-11 | 一种基于hht和人工神经网络的水下机动小目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610309550.0A CN107368841A (zh) | 2016-05-11 | 2016-05-11 | 一种基于hht和人工神经网络的水下机动小目标识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107368841A true CN107368841A (zh) | 2017-11-21 |
Family
ID=60303582
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610309550.0A Pending CN107368841A (zh) | 2016-05-11 | 2016-05-11 | 一种基于hht和人工神经网络的水下机动小目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107368841A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109446902A (zh) * | 2018-09-22 | 2019-03-08 | 天津大学 | 一种基于无人平台的海洋环境与目标综合感知方法 |
CN110390949A (zh) * | 2019-07-22 | 2019-10-29 | 苏州大学 | 基于大数据的水声目标智能识别方法 |
CN111191548A (zh) * | 2019-12-23 | 2020-05-22 | 广东电网有限责任公司 | 一种基于s变换的放电信号识别方法及识别系统 |
CN111414847A (zh) * | 2020-03-18 | 2020-07-14 | 中电科海洋信息技术研究院有限公司 | 蛙人识别方法、装置、设备和介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030031367A1 (en) * | 2001-05-31 | 2003-02-13 | Schwartz Steven A. | System and method for automatic recognition of formations in moving target indication data |
CN103091679A (zh) * | 2013-02-04 | 2013-05-08 | 中国科学院声学研究所 | 水下运动目标识别方法 |
CN103116740A (zh) * | 2013-01-24 | 2013-05-22 | 中国科学院声学研究所 | 一种水下目标识别方法及其装置 |
-
2016
- 2016-05-11 CN CN201610309550.0A patent/CN107368841A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030031367A1 (en) * | 2001-05-31 | 2003-02-13 | Schwartz Steven A. | System and method for automatic recognition of formations in moving target indication data |
CN103116740A (zh) * | 2013-01-24 | 2013-05-22 | 中国科学院声学研究所 | 一种水下目标识别方法及其装置 |
CN103091679A (zh) * | 2013-02-04 | 2013-05-08 | 中国科学院声学研究所 | 水下运动目标识别方法 |
Non-Patent Citations (1)
Title |
---|
HONGJIAN SONG: "《An Automatic Identification Algorithm of Yangtze Finless Porpoise》", 《ICSPCC2015》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109446902A (zh) * | 2018-09-22 | 2019-03-08 | 天津大学 | 一种基于无人平台的海洋环境与目标综合感知方法 |
CN110390949A (zh) * | 2019-07-22 | 2019-10-29 | 苏州大学 | 基于大数据的水声目标智能识别方法 |
CN110390949B (zh) * | 2019-07-22 | 2021-06-15 | 苏州大学 | 基于大数据的水声目标智能识别方法 |
CN111191548A (zh) * | 2019-12-23 | 2020-05-22 | 广东电网有限责任公司 | 一种基于s变换的放电信号识别方法及识别系统 |
CN111191548B (zh) * | 2019-12-23 | 2024-01-23 | 广东电网有限责任公司 | 一种基于s变换的放电信号识别方法及识别系统 |
CN111414847A (zh) * | 2020-03-18 | 2020-07-14 | 中电科海洋信息技术研究院有限公司 | 蛙人识别方法、装置、设备和介质 |
CN111414847B (zh) * | 2020-03-18 | 2023-07-21 | 中电科海洋信息技术研究院有限公司 | 蛙人识别方法、装置、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109800700B (zh) | 一种基于深度学习的水下声信号目标分类识别方法 | |
CN106529428A (zh) | 基于深度学习的水下目标识别方法 | |
CN104792522B (zh) | 一种基于分数阶小波变换和bp神经网络的齿轮缺陷智能分析方法 | |
CN110738010A (zh) | 集成深度学习模型的风电场短期风速预测方法 | |
CN109034054B (zh) | 基于lstm的谐波多标签分类方法 | |
CN107368841A (zh) | 一种基于hht和人工神经网络的水下机动小目标识别方法 | |
Ju et al. | A deep learning method combined sparse autoencoder with SVM | |
CN106920008A (zh) | 一种基于改进粒子群优化bp神经网络的风电功率预测方法 | |
CN105488466A (zh) | 一种深层神经网络和水声目标声纹特征提取方法 | |
CN107705806A (zh) | 一种使用谱图和深卷积神经网络进行语音情感识别的方法 | |
Yang et al. | A new cooperative deep learning method for underwater acoustic target recognition | |
CN107315996A (zh) | 一种基于imf能量熵与pca的水下船舰噪声特征提取方法 | |
Sun et al. | Underwater single-channel acoustic signal multitarget recognition using convolutional neural networks | |
CN103077408B (zh) | 基于小波神经网络的海底声纳图像转换为声学底质类别方法 | |
CN103926932A (zh) | 一种船舶运动姿态分解域智能预报方法 | |
Tan et al. | Vehicle interior sound quality prediction based on back propagation neural network | |
CN107368840A (zh) | 一种基于mfcc和支持向量机的水下机动小目标识别方法 | |
Li et al. | High-precision human activity classification via radar micro-doppler signatures based on deep neural network | |
Wahyudi et al. | Backpropagation network optimization using one step secant (oss) algorithm | |
CN107369444A (zh) | 一种基于mfcc和人工神经网络的水下机动小目标识别方法 | |
CN112862173B (zh) | 基于自组织深度置信回声状态网的湖库蓝藻水华预测方法 | |
Yu et al. | Underwater target classification using deep neural network | |
Wang et al. | Research on underwater acoustic target recognition based on LOFAR spectrum and deep learning method | |
Yao et al. | A hybrid model to forecast wind speed based on wavelet and neural network | |
Jun et al. | Study on image recognition based on PCNN and LVQ |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171121 |