CN110824485A - 一种基于auv的双基地声呐水下目标特征提取及分类方法 - Google Patents
一种基于auv的双基地声呐水下目标特征提取及分类方法 Download PDFInfo
- Publication number
- CN110824485A CN110824485A CN201910912353.1A CN201910912353A CN110824485A CN 110824485 A CN110824485 A CN 110824485A CN 201910912353 A CN201910912353 A CN 201910912353A CN 110824485 A CN110824485 A CN 110824485A
- Authority
- CN
- China
- Prior art keywords
- underwater
- target
- auv
- classification
- svm classifier
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000000605 extraction Methods 0.000 title claims abstract description 12
- 239000013598 vector Substances 0.000 claims abstract description 21
- 238000005070 sampling Methods 0.000 claims abstract description 16
- 238000012706 support-vector machine Methods 0.000 claims description 49
- 238000012549 training Methods 0.000 claims description 11
- 230000033001 locomotion Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 11
- 238000012360 testing method Methods 0.000 description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 2
- 229910052782 aluminium Inorganic materials 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 230000002567 autonomic effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012876 topography Methods 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于AUV的双基地声呐水下目标特征提取及分类方法,可实现对水下目标分类的实时处理,且分类精度高、鲁棒性好。该方法结合固定声源和AUV组成的双基地网络进行水下目标分类,以目标散射场振幅和双基地采样角度为特征,通过建立三维散射场匹配模型作为目标分类的判别依据,最后利用SVM的方法对目标完成分类,并将训练后的数据嵌入水下平台中,因此,适用于水下移动平台的在线实时处理。本发明所设计的目标分类特征向量只与角度有关,当水下平台航行轨迹出现小幅偏差时,基于连续的信号采集依然可以保持较高的分类精度。
Description
技术领域
本发明涉及目标特征提取及分类技术领域,具体涉及一种基于AUV的双基地声呐水下目标特征提取及分类方法。
背景技术
自主水下航行器(Autonomous Underwater Vehicle,AUV)具有机动灵活、自主性好、活动范围广及隐蔽性好等特点,可广泛用于海底地形地貌探测、海洋资源开发、水下搜救以及多种军事应用中,因其独特优势和广阔的应用前景受到越来越多的关注与重视。
近年来,随着水下无人技术的发展,利用AUV对目标进行分类识别的应用日益增多,如何使AUV在无人操作或者少人参与条件下自主完成分类任务是AUV应用的重要研究方向,这需要综合考虑水声信道的多径干扰、环境噪声的影响、分类特征的设计以及平台计算能力制约等多方面因素,涉及到多学科技术的交叉融合。
具体地,水声信号受传播信道、环境干扰等多种因素影响,采集到的信号具有一定的波动性,因此,通过直接提取获得具有明显可鉴别的特征十分困难,目前大多数系统都经过了优化,以在特定情况下获得最佳的性能,这会导致对水下目标环境的包容性不足,在应用于新环境时存在泛化风险。此外,由于水下平台的计算能力有限,高维度的特征向量和复杂的分类算法不利于AUV的实时分类处理。因此,应在计算复杂度和特征鲁棒性方面做到权衡,这也是AUV平台用于目标自主分类中具有挑战性的任务。
传统的AUV探测路线,如割草机式的运动模式,不太适合目标周围的声学数据采集,由于AUV的移动,目标会出现在探测器的不同方位,这导致了采集数据的不均匀性,特征的构造和选择具有一定的难度,为了纠正这个问题,需要控制AUV的路线来收集一个完整的数据网格,考虑目标周围的深度、距离、方位角等多方面因素。基于AUV和固定声源组成的双基地系统,可提供声学信号与移动平台的互补性能优势,增加目标在三维声场空间采样的灵活性,有助于构建良好的特征向量,提升分类效果。
因此目前亟需一种能够适用于水下航行器AUV对水下目标的实时在线分类处理的方法。
发明内容
有鉴于此,本发明提供了一种基于AUV的双基地声呐水下目标特征提取及分类方法,适用于水下航行器AUV对水下目标的实时在线分类处理,且计算复杂度低、鲁棒性好,适用于水下航行器AUV自主决策。
为达到上述目的,本发明提供的一种基于AUV的双基地声呐水下目标特征提取及分类方法,该方法采用水下固定声源和水下航行器AUV组成的双基地系统进行水下目标分类,其中水下航行器AUV绕水下目标做螺旋运动,包括如下步骤:
S1、水下航行器AUV在绕水下目标做螺旋运动的过程中,在水下固定声源和水下目标之间采集散射场振幅数据,当其处于水下目标的前向散射方向时,则不进行散射场振幅数据的采集。
S2、对于水下固定声源、水下航行器AUV以及水下目标组成的三维空间,以所述水下目标为中心,在水下航行器AUV航行平面以Δθ为角度间隔、深度方向以Δσ为高度间隔进行网格划分,其中角度间隔Δθ和高度间隔Δσ依据经验进行设定,前向散射场角度记为α,则共划分获得M个网格。
其中,为向下取整操作,将水下航行器AUV采集的散射场振幅数据离散化后映射到对应的网格内,经傅里叶变换FFT得到每个网格内的散射场振幅其中为第i个网格内的目标散射场振幅,的下标表示水平面方向旋转了θi角度,深度上处于σi。
S4、从水下目标的特征空间T中选取N个连续数据组成特征向量作为分类依据,对水下目标进行类别标注后,利用支持向量机SVM方法进行训练获得训练好的SVM分类器。
S5、采用训练好的SVM分类器实现对未知类别水下目标的分类。
进一步地,S4中,还包括:
选取数值不同的N值,每选取一个N值,执行一次S4,直至所得到的SVM分类器分类效果达到饱和,以SVM分类器分类效果达到饱和时对应的N为N0,并记录每个N值对应的SVM分类器参数。
在S4之后,S5之前,改变Δθ和Δσ的值,设置Δθ和Δσ的取值范围以及改变的步长,则计算Δθ和Δσ值的改变次数K,第k次改变后的Δθ和Δσ的值为Δθk和Δσk,重复执行S2-S4,最终获取Δθk和Δσk数值下,对应分类准确率最高的SVM分类器,此时N值为Nk。
训练好的SVM分类器包括Δθk和Δσk数值下对应的分类准确率最高的SVM分类器,其中k取值为[1,K]范围内的正整数。
并将训练好的SVM分类器训练后的SVM分类器参数存储于水下航行器AUV中。
进一步地,S5中,采用训练好的SVM分类器实现对未知类别水下目标的分类时,采用如步骤S2~S3的方法获取未知类别水下目标的特征空间,其中Δθ和Δσ的值根据水下航行器AUV的采样间隔确定,对应为Δθ'和Δσ',选取Δθ'和Δσ'对应的分类准确率最高的SVM分类器,即为分类器A,其对应N值为N’。
并未知类别水下目标的特征空间选取N’个连续数据组成未知类别水下目标的特征向量作为分类器A的输入,最终以分类器A的输出作为对未知类别水下目标的分类结果。
进一步地,S1中,在水下固定声源和水下目标之间采集散射场振幅数据之后,S2之前,对采集得到的散射场振幅数据进行预处理,包括:检查是否有离群点、缺失值点或者异常值点,若存在,则将离群点、缺失值点以及异常值点均采用所有散射场振幅数据的均值来代替,获得完整的散射场振幅数据,并进行环境噪声滤除和归一化处理。
有益效果:
1、本发明提供的基于AUV的双基地声呐水下目标特征提取及分类方法,该方法结合固定声源和移动平台,以目标散射场振幅和双基地采样角度为特征,通过建立三维散射场匹配模型作为目标分类的判别依据,同时该方法可将机器学习离线训练后的数据嵌入水下平台中,因此,适用于水下移动平台的在线实时处理,此外,所设计的用于目标分类的特征向量只与角度有关,在水下航行器AUV进行实时分类时,可以从目标的任意角度开始采集数据并进行分类,因为本方法特征空间是由角度和振幅独立定义的,这意味着建立目标散射场模型时没有考虑采样顺序,具有角度独立性,保证了当水下航行器航行轨迹出现小幅偏差时,基于连续的信号采集依然可以保持较高的分类精度。
2、本发明在设计特征向量时,将目标周围的散射场信号进行离散化分割并组成具有角度独立性的特征向量,该设计可确保AUV从任意角度采集数据时,均可完成对目标的分类任务。
3、本发明对多维度的特征向量进行独立训练,并将训练结果存入AUV中进行匹配处理,当达到一定阈值后确认目标类别,该方法计算量小,当存在小幅偏差和少量数据异常时具有较好的鲁棒性,适用于水下平台的实时自主分类任务。
附图说明
图1为本发明实施例提供的基于AUV的双基地声呐水下目标特征提取即分类方法的流程图;
图2为本发明实施例中AUV平台采集目标散射场的行驶路径示意图;
图3为本发明双基地探测方法中声源、目标和AUV的相对位置示意图;
图4(a)为球形目标的散射场极坐标示意图;图4(b)为圆柱形目标的散射场极坐标示意图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
本发明提供的基于AUV的双基地声呐水下目标特征提取及分类方法,该方法结合固定声源和移动平台,以目标散射场振幅和双基地采样角度为特征,通过建立三维散射场匹配模型作为目标分类的判别依据,同时该方法可将机器学习离线训练后的数据嵌入水下平台中。
一种基于AUV的双基地声呐水下目标特征提取及分类方法,其特征在于,该方法采用水下固定声源和水下航行器AUV组成的双基地系统进行水下目标分类,其中水下航行器AUV绕水下目标做螺旋运动,包括如下步骤:
S1、水下航行器AUV在绕水下目标做螺旋运动的过程中,在水下固定声源和水下目标之间采集散射场振幅数据,本发明实施例中水下航行器AUV行走路径为一系列半径减小的同心圆,当其处于水下目标的前向散射方向时,则不进行散射场振幅数据的采集。
在水下固定声源和水下目标之间采集散射场振幅数据之后,S2之前,对采集得到的散射场振幅数据进行预处理,包括:检查是否有离群点、缺失值点或者异常值点,若存在,则将离群点、缺失值点以及异常值点均采用所有散射场振幅数据的均值来代替,获得完整的散射场振幅数据,并进行环境噪声滤除和归一化处理。
S2、对于水下固定声源、水下航行器AUV以及水下目标组成的三维空间,以水下目标为中心,在水下航行器AUV航行平面以Δθ为角度间隔、深度方向以Δσ为高度间隔进行网格划分,其中角度间隔Δθ和高度间隔Δσ依据经验进行设定,前向散射场角度记为α,则共划分获得M个网格;
其中,为向下取整操作,将水下航行器AUV采集的散射场振幅数据离散化后映射到对应的网格内,经傅里叶变换FFT得到每个网格内的散射场振幅其中为第i个网格内的目标散射场振幅,的下标表示水平面方向旋转了θi角度,深度上处于σi。
S4、从水下目标的特征空间T中选取N个连续数据组成特征向量,对水下目标进行类别标注后,利用支持向量机SVM方法进行训练获得训练好的SVM分类器。
将目标周围的散射场信号进行离散化分割并组成具有角度独立性的特征向量作为分类依据,该设计可确保AUV从任意角度采集数据时,均可完成对目标的分类任务。
本发明实施例中,要采用支持向量机SVM方法进行训练获得训练好的SVM分类器,还应包括如下步骤:
选取数值不同的N值,N的取值逐渐增大,每选取一个N值,执行一次S4,直至所得到的SVM分类器分类效果达到饱和,以SVM分类器分类效果达到饱和时对应的N为N0,并记录每个N值对应的SVM分类器参数;
在S4之后,S5之前,改变Δθ和Δσ的值,设置Δθ和Δσ的取值范围以及改变的步长,则计算Δθ和Δσ值的改变次数K,第k次改变后的Δθ和Δσ的值为Δθk和Δσk,重复执行S2-S4,最终获取Δθk和Δσk数值下,对应分类准确率最高的SVM分类器,此时N值为Nk。本步骤采用的特征向量是多维度的特征向量,并利用多维度的特征向量进行独立训练。
训练好的SVM分类器包括Δθk和Δσk数值下对应的分类准确率最高的SVM分类器,其中k取值为[1,K]范围内的正整数;将训练结果存入AUV中进行匹配处理,当达到一定阈值后确认目标类别,该方法计算量小,当存在小幅偏差和少量数据异常时具有较好的鲁棒性,适用于水下平台的实时自主分类任务。
并将训练好的SVM分类器训练后的SVM分类器参数存储于水下航行器AUV中。
S5、采用训练好的SVM分类器实现对未知类别水下目标的分类。采用训练好的SVM分类器实现对未知类别水下目标的分类时,采用如步骤S2~S3的方法获取未知类别水下目标的特征空间,其中Δθ和Δσ的值根据水下航行器AUV的采样间隔确定,对应为Δθ'和Δσ',具体地可选取与AUV采样间隔最接近的Δθ和Δσ的值,选取Δθ'和Δσ'对应的分类准确率最高的SVM分类器,即为分类器A,其对应N值为N’。
并未知类别水下目标的特征空间选取N’个连续数据组成未知类别水下目标的特征向量作为分类器A的输入,最终以分类器A的输出作为对未知类别水下目标的分类结果。
本发明方法适用于水下移动平台的在线实时处理,此外,所设计的用于目标分类的特征向量只与角度有关,在水下航行器AUV进行实时分类时,可以从目标的任意角度开始采集数据并进行分类,因为本方法特征空间是由角度和振幅独立定义的,这意味着建立目标散射场模型时没有考虑采样顺序,具有角度独立性,保证了当水下航行器航行轨迹出现小幅偏差时,基于连续的信号采集依然可以保持较高的分类精度。
本发明实施例,以水听器作为水下固定声源,其中水听器采样频率Fs=8kHz,水声传播速度取1500m/s,声源级190dB,水听器阵元数为10个,间距32mm。其中水下航行器AUV在采集目标的散射场数据时,尽量保持接收阵侧向面对目标,使采样区域的数据质量更加统一。
图2中虚线为AUV的行驶轨迹,绕目标旋转采集散射场数据并记录角度,在前向散射区内避开直达声的影响。
试验过程中,共进行了30次数据采样,目标采用二个深度等级,分别为2m和4m,接收阵保持在水下2m,声源在水下3m,对每个目标至少重复两次完整的数据采集,数据处理时,减去环境噪声后再提取目标散射场振幅,将NFFT设置为1024,采样重叠率为90%。
本实施例中对水中的钢球和铝柱进行分类识别,在数据标注过程中,标签yi表示目标的类别,1为钢球,-1为铝柱
其中xi为第i个样本信号,θi1~θiN为第i个样本信号中的第1~N个点对应的AUV相对于水下固定声源和水下目标连线之间的移动角度、Ai1~AiN为第i个样本信号中的第1~N个采样点的散射场振幅;
利用SVM模型对目标进行分类,所得分类结果的精度与N和Δθ的值有关,N表示用于分类的特征向量的长度,随着N的增加,分类的概率也会增加当N>50时,SVM模型对独立测试样本向量进行分类是有效的,N的取值范围通常在(100,200),通过改变参数Δθ,可设置特征空间的维度,通常情况下,Δθ取值在(5°,15°),如图3所示,以Δθ为间隔对目标进行网格划分。
水下移动平台连续采集N组数据后,其结果是在每个目标周围的范围、深度和方位角上形成了一个基于双基地的稳定角散射场振幅网格,无论从哪个角度开始采集数据,都可进行目标类别的判断,因此,该分类方法具有角度不变性。
模型的有效性评估,采用测试精度和最小间距比两个指标,测试精度就是对测试集中的例子进行分类的精度。最小间距比定义为正分类间距比和负分类间距比的最小值,其中,正分类间距比是最大正间距与最大负间距之比,即最强真球分类与最差假球分类的比值,用公式可以表示为
βmin值越大,表示分类效果越好。
本实施例采用两种模型进行训练和分析,首先利用OASES软件进行目标模型搭建,再利用真实的水下试验数据进行验证,两种模型的数据是相对独立的,图4所示为球形目标和圆柱形目标的目标散射场的极坐标示意图,根据角度和散射场振幅可实现对目标类别的划分。
水下试验时声源发射短脉冲信号,由于直达声和水面、水底等反射声波也会被接收阵同时采集,对目标的散射场影响较大,需要根据声源、目标和移动平台之间的距离,设计合理的采样时间和采样频率,进行时间和频率的滤波处理,抑制混响噪声。
SVM模型在水下移动平台完成至少一个完整的目标圆后,再对目标的类别进行判断,分类过程主要包括计算目标幅值和SVM分类样本中特征向量匹配。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于AUV的双基地声呐水下目标特征提取及分类方法,其特征在于,该方法采用水下固定声源和水下航行器AUV组成的双基地系统进行水下目标分类,其中所述水下航行器AUV绕水下目标做螺旋运动,包括如下步骤:
S1、所述水下航行器AUV在绕所述水下目标做螺旋运动的过程中,在所述水下固定声源和所述水下目标之间采集散射场振幅数据,当其处于水下目标的前向散射方向时,则不进行散射场振幅数据的采集;
S2、对于所述水下固定声源、所述水下航行器AUV以及水下目标组成的三维空间,以所述水下目标为中心,在水下航行器AUV航行平面以Δθ为角度间隔、深度方向以Δσ为高度间隔进行网格划分,其中角度间隔Δθ和高度间隔Δσ依据经验进行设定,前向散射场角度记为α,则共划分获得M个网格;
其中,为向下取整操作,将水下航行器AUV采集的散射场振幅数据离散化后映射到对应的网格内,经傅里叶变换FFT得到每个网格内的散射场振幅其中为第i个网格内的目标散射场振幅,的下标表示水平面方向旋转了θi角度,深度上处于σi;
S4、从所述水下目标的特征空间T中选取N个连续数据组成特征向量作为分类依据,对所述水下目标进行类别标注后,利用支持向量机SVM方法进行训练获得训练好的SVM分类器;
S5、采用所述训练好的SVM分类器实现对未知类别水下目标的分类。
2.如权利要求1所述的方法,其特征在于,所述S4中,还包括:
选取数值不同的N值,每选取一个N值,执行一次S4,直至所得到的SVM分类器分类效果达到饱和,以SVM分类器分类效果达到饱和时对应的N为N0,并记录每个N值对应的SVM分类器参数;
在S4之后,S5之前,改变Δθ和Δσ的值,设置Δθ和Δσ的取值范围以及改变的步长,则计算Δθ和Δσ值的改变次数为K,第k次改变后的Δθ和Δσ的值为Δθk和Δσk,重复执行S2-S4,最终获取Δθk和Δσk数值下,对应分类准确率最高的SVM分类器,此时N值为Nk;
所述训练好的SVM分类器包括Δθk和Δσk数值下对应的分类准确率最高的SVM分类器,其中k取值为[1,K]范围内的正整数;
并将所述训练好的SVM分类器训练后的SVM分类器参数存储于水下航行器AUV中。
3.如权利要求2所述的方法,其特征在于,所述S5中,采用所述训练好的SVM分类器实现对未知类别水下目标的分类时,采用如步骤S2~S3的方法获取未知类别水下目标的特征空间,其中Δθ和Δσ的值根据所述水下航行器AUV的实际采样间隔确定,对应为Δθ'和Δσ',选取Δθ'和Δσ'对应的分类准确率最高的SVM分类器,即为分类器A,其对应N值为N’;
并所述未知类别水下目标的特征空间选取N’个连续数据组成未知类别水下目标的特征向量作为分类器A的输入,最终以分类器A的输出作为对未知类别水下目标的分类结果。
4.如权利要求1所述的方法,其特征在于,所述S1中,在所述水下固定声源和所述水下目标之间采集散射场振幅数据之后,S2之前,对采集得到的散射场振幅数据进行预处理,包括:检查是否有离群点、缺失值点或者异常值点,若存在,则将离群点、缺失值点以及异常值点均采用所有散射场振幅数据的均值来代替,获得完整的散射场振幅数据,并进行环境噪声滤除和归一化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910912353.1A CN110824485A (zh) | 2019-09-25 | 2019-09-25 | 一种基于auv的双基地声呐水下目标特征提取及分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910912353.1A CN110824485A (zh) | 2019-09-25 | 2019-09-25 | 一种基于auv的双基地声呐水下目标特征提取及分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110824485A true CN110824485A (zh) | 2020-02-21 |
Family
ID=69548309
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910912353.1A Pending CN110824485A (zh) | 2019-09-25 | 2019-09-25 | 一种基于auv的双基地声呐水下目标特征提取及分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110824485A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112130154A (zh) * | 2020-08-21 | 2020-12-25 | 哈尔滨工程大学 | 一种融合网格LOF的自适应K-means离群去约束优化方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030053373A1 (en) * | 2001-09-17 | 2003-03-20 | Erikson Kenneth R. | Acoustical imaging interferometer for detection of buried underwater objects |
CN102162733A (zh) * | 2011-01-11 | 2011-08-24 | 哈尔滨工程大学 | 一种基于svm的auv舰位推算导航误差实时修正方法 |
CN103033817A (zh) * | 2012-11-25 | 2013-04-10 | 中国船舶重工集团公司第七一○研究所 | 大型auv避碰用障碍物自主识别系统 |
CN106154276A (zh) * | 2016-06-27 | 2016-11-23 | 西北工业大学 | 基于海底混响和传播损失的深海海底参数反演方法 |
CN107864020A (zh) * | 2017-11-07 | 2018-03-30 | 哈尔滨工程大学 | 水下小目标单分量声散射回波的变换域提取方法 |
CN108508913A (zh) * | 2018-03-29 | 2018-09-07 | 中国海洋大学 | 基于数据驱动的自主式水下航行器海底路径规划方法 |
JP2018177074A (ja) * | 2017-04-18 | 2018-11-15 | 国立大学法人 東京大学 | 自律型水中ロボット及びその制御方法 |
CN109725650A (zh) * | 2019-03-08 | 2019-05-07 | 哈尔滨工程大学 | 一种密集障碍物环境下的auv避障方法 |
CN109856638A (zh) * | 2019-02-28 | 2019-06-07 | 中国计量大学 | 一种特定水下目标自动搜索定位的方法 |
-
2019
- 2019-09-25 CN CN201910912353.1A patent/CN110824485A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030053373A1 (en) * | 2001-09-17 | 2003-03-20 | Erikson Kenneth R. | Acoustical imaging interferometer for detection of buried underwater objects |
CN102162733A (zh) * | 2011-01-11 | 2011-08-24 | 哈尔滨工程大学 | 一种基于svm的auv舰位推算导航误差实时修正方法 |
CN103033817A (zh) * | 2012-11-25 | 2013-04-10 | 中国船舶重工集团公司第七一○研究所 | 大型auv避碰用障碍物自主识别系统 |
CN106154276A (zh) * | 2016-06-27 | 2016-11-23 | 西北工业大学 | 基于海底混响和传播损失的深海海底参数反演方法 |
JP2018177074A (ja) * | 2017-04-18 | 2018-11-15 | 国立大学法人 東京大学 | 自律型水中ロボット及びその制御方法 |
CN107864020A (zh) * | 2017-11-07 | 2018-03-30 | 哈尔滨工程大学 | 水下小目标单分量声散射回波的变换域提取方法 |
CN108508913A (zh) * | 2018-03-29 | 2018-09-07 | 中国海洋大学 | 基于数据驱动的自主式水下航行器海底路径规划方法 |
CN109856638A (zh) * | 2019-02-28 | 2019-06-07 | 中国计量大学 | 一种特定水下目标自动搜索定位的方法 |
CN109725650A (zh) * | 2019-03-08 | 2019-05-07 | 哈尔滨工程大学 | 一种密集障碍物环境下的auv避障方法 |
Non-Patent Citations (1)
Title |
---|
FISCHELL, EM等: "Classification of underwater targets from autonomous underwater vehicle sampled bistatic acoustic scattered fields", 《ACOUSTICAL SOCIETY OF AMERICA》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112130154A (zh) * | 2020-08-21 | 2020-12-25 | 哈尔滨工程大学 | 一种融合网格LOF的自适应K-means离群去约束优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2263097B1 (en) | Autonomous sonar system and method | |
McBrearty et al. | Earthquake arrival association with backprojection and graph theory | |
CN109975812A (zh) | 一种爆炸声的声源深度和声源级的计算方法 | |
CN107766818B (zh) | 一种启发式的水下结构化环境线特征提取方法 | |
Yang et al. | Underwater acoustic research trends with machine learning: Active SONAR applications | |
CN107292039B (zh) | 一种基于小波聚类的uuv巡岸轮廓构建方法 | |
CN117198330A (zh) | 一种声源识别方法、系统及电子设备 | |
CN110824485A (zh) | 一种基于auv的双基地声呐水下目标特征提取及分类方法 | |
CN112859807B (zh) | 基于态势模拟和蒙特卡罗的水下航行器协同搜索效能评估方法 | |
McKerrow et al. | Classifying surface roughness with CTFM ultrasonic sensing | |
CN114354082B (zh) | 一种基于仿鲟鱼吻须的海底管道智能循迹系统和循迹方法 | |
CN109490868A (zh) | 一种基于分布式垂直线列阵的海上目标运动分析方法 | |
Wilts et al. | Enhanced state estimation based on particle filter and sensor data with non-gaussian and multimodal noise | |
CN114137546A (zh) | 基于数据驱动的auv海底目标识别与路径规划方法 | |
CN113671507A (zh) | 一种基于深海垂直阵的波导不变量估计方法 | |
CN113138365A (zh) | 一种基于深度学习的单矢量水听器方位估计方法 | |
Schøyen et al. | Seafloor pipeline detection with deep learning | |
CN110287514A (zh) | 基于振动信号处理的超高速碰撞源智能定位方法 | |
Ou et al. | Underwater ordnance classification using time-frequency signatures of backscattering signals | |
Chen et al. | A Dual CNN Method for Speed Sensing of Sonar Robots | |
Zerr et al. | Adaptive algorithm for sea mine classification | |
CN117173549B (zh) | 复杂场景下合成孔径声纳图像多尺度目标检测方法及系统 | |
CN114330004A (zh) | 一种基于反演估计的铁磁性目标探测半径计算方法及系统 | |
Worth et al. | An approach to object recognition using CTFM sensing | |
Gao et al. | An Underwater Target Perception Framework for Underwater Operation Scene |
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 |
Application publication date: 20200221 |
|
RJ01 | Rejection of invention patent application after publication |