CN117075091A - 基于一维卷积单向循环神经网络的舰船声尾流检测方法 - Google Patents
基于一维卷积单向循环神经网络的舰船声尾流检测方法 Download PDFInfo
- Publication number
- CN117075091A CN117075091A CN202310905521.0A CN202310905521A CN117075091A CN 117075091 A CN117075091 A CN 117075091A CN 202310905521 A CN202310905521 A CN 202310905521A CN 117075091 A CN117075091 A CN 117075091A
- Authority
- CN
- China
- Prior art keywords
- neural network
- wake
- unidirectional
- ship
- convolution
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 69
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 125000004122 cyclic group Chemical group 0.000 title claims description 19
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000005316 response function Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 5
- 238000013461 design Methods 0.000 abstract description 3
- 230000000306 recurrent effect Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 230000015654 memory Effects 0.000 description 8
- 230000004913 activation Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000002592 echocardiography Methods 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 102100032202 Cornulin Human genes 0.000 description 1
- 101000920981 Homo sapiens Cornulin Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G01S7/539—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
- 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
- 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
- G01S7/527—Extracting wanted echo signals
-
- 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
- G01S7/534—Details of non-pulse systems
- G01S7/536—Extracting wanted echo signals
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Networks & Wireless Communication (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种基于一维卷积单向循环神经网络的舰船声尾流检测方法,属于目标检测领域。通过对声呐平台接收到的散射回波信号(有尾流时和无尾流回波信号)处理实现对尾流的检测。直接利用声呐接到的回波信号,避免了人工设计特征。然后采用卷积单向循环神经网络,在保证检测准确率的基础上提升了网络的训练效率。相对于经典的二维神经网络和普通循环网络,该算法综合考虑了舰船声尾流一维信号的特点,利用单向循环神经网络挖掘更深层次的信息,保留了尾流回波信号的时序特征,使得该算法在保证了网络的训练效率的前提下,提高了对舰船尾流的检测准确率。
Description
技术领域
本发明属于目标检测领域,涉及一种通过对舰船声尾流散射回波信号处理实现舰船目标检测的方法。
背景技术
舰船在航行过程中,其尾部会产生含有大量气泡的尾流。声学探测尾流由于检测概率大、抗干扰能力强、导引距离远等优点,成为探测舰船尾流的有效方式。
在深度学习的训练中,针对特定的领域的数据集,需要根据数据集的特点来设计网络结构,以获得适应该领域数据集特点的最优神经网络。经典卷积神经网络一般是针对二维的图像信号而设计的。舰船尾流回波信号与图像不同,舰船尾流回波信号是一维的时序信号。因此,需要设计出一种一维卷积神经网络。
循环神经网络是一种采用链式的网络结构,专门针对时间序列数据设计的一种神经网络。具有能够处理时序动态关系和长时间时序依赖关系的特点,在尾流检测时能充分考虑到尾流回波信号的时序特征。
综合一维卷积神经网络和循环神经网络的特点,本发明提出一种适合舰船声尾流检测的一维卷积单向循环神经网络(1Dimensional Convolutional UnidirectionalRecurrent Neural Network,1DCURNN),提高了网络的训练效率,又保证了舰船尾流回波信号的时序特征。
发明内容
本发明所要解决的技术问题是:
为了实现舰船声尾流检测,结合舰船尾流回波信号的特点,本发明提出一种基于一维卷积单向循环神经网络的舰船声尾流检测方法。
为了解决上述技术问题,本发明采用的技术方案为:
一种基于一维卷积单向循环神经网络的舰船声尾流检测方法,其特征在于包括:
采集散射回波信号,将其划分为测试集和训练集;
构造一维卷积单向循环神经网络1DCURNN模型,采用训练集进行优化训练;
采用训练好的模型对测试集进行舰船尾流目标的检测。
本发明进一步的技术方案:所述的散射回波信号包括有尾流和无尾流时散射回波数据:
其中s1(t)为海面和尾流散射回波,s2(t)为海面散射回波信号。
本发明进一步的技术方案:还包括对对采集到的散射回波信号进行预处理,滤除不在频响范围内的噪声;滤波后的信号为x(t):
其中,h(t)为依据发射信号中心频率和多普勒频移计算的带通滤波器的冲击响应函数。
本发明进一步的技术方案:所述的1DCURNN模型依次包括卷积、池化、卷积、池化、卷积、池化、卷积、池化、卷积、循环神经网络、全局最大池化;首先使用五层的卷积层提取声尾流散射回波信号的特征,然后将提取到的高层特征输入到循环神经网络继续提取特征后连接到全局最大池化代替全连接层。
本发明进一步的技术方案:所述的循环神经网络为单向循环神经网络,具体为门控循环单元GRU。
本发明进一步的技术方案:采用训练集进行优化训练具体为:通过调节不同循环神经网络结构隐藏层参数来优化神经网络的检测能力。
一种计算机系统,其特征在于包括:一个或多个处理器,计算机可读存储介质,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现上述的方法。
一种计算机可读存储介质,其特征在于存储有计算机可执行指令,所述指令在被执行时用于实现上述的方法。
本发明的有益效果在于:
本发明提供的一种基于一维卷积单向循环神经网络的舰船声尾流检测方法,通过对声呐平台接收到的散射回波信号(有尾流时和无尾流回波信号)处理实现对尾流的检测。直接利用声呐接到的回波信号,避免了人工设计特征。然后采用卷积单向循环神经网络,在保证检测准确率的基础上提升了网络的训练效率。
相对于经典的二维神经网络和普通循环网络,该算法综合考虑了舰船声尾流一维信号的特点,利用单向循环神经网络挖掘更深层次的信息,保留了尾流回波信号的时序特征,使得该算法在保证了网络的训练效率的前提下,提高了对舰船尾流的检测准确率。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。
图1是本发明基于一维卷积单向循环神经网络的舰船声尾流检测算法的流程图;
图2是1DCURNN网络结构示意图;
图3是单向循环神经网络结构示意图;
图4是LSTM模型结构;
图5是GRU网络模型结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图和实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。此外,下面描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提供的一种基于一维卷积单向循环神经网络的舰船声尾流检测方法,该方法在保证检测准确率的基础上提升了网络的训练效率。相对于经典的二维神经网络和普通循环网络,该算法综合考虑了一维信号的特点,利用单向循环神经网络挖掘更深层次的信息,保留了尾流回波信号的时序特征,保证了检测准确率,还提高了网络的训练效率。
本发明的基本思路是首先采集有/无尾流时散射回波,然后对回波信号进行预处理后通过神经网络实现对信号的分类进而实现舰船尾流检测。如图1所示,包括以下步骤:
步骤1:分别采集有尾流和无尾流时散射回波数据。为了提高舰船尾流检测的泛化性,分别采集检测平台在不同深度、不同速度、不同信号发射角度以及发射不同信号频率和形式下的有尾流和无尾流时散射回波。
步骤2:对采集到的散射回波信号进行预处理,滤除不在频响范围内的噪声。
步骤3:将预处理后的散射回波信号作为数据集。按照一定的比例划分为测试集和训练集,并对每一个回波信号标注对应的标签。
步骤4:综合考虑网络的检测准确率、计算量和占用内存的大小,构建卷积单向循环神经网络。
步骤5:训练和优化卷积单向循环神经网络。
步骤6:实现舰船尾流目标的检测。
实施例:
步骤一:水听器采集散射回波信号y(t),如式包括有尾流散射回波信号和和无尾流时散射回波信号。为了提高舰船尾流检测的泛化性,分别采集检测平台在不同深度、不同速度、不同信号发射角度以及发射不同信号频率和形式下的有尾流和无尾流时散射回波。
其中s1(t)为海面和尾流散射回波,s2(t)为海面散射回波信号。
步骤二:对采集到的散射回波信号进行预处理,滤除不在频响范围内的噪声。依据发射信号中心频率和多普勒频移计算带通滤波器的冲击响应函数h(t)。
滤波后的信号为x(t):
步骤三:信号经过预处理后,将滤波后的信号作为数据集。按照2:8的比例划分为测试集和训练集,并对每一个信号标注对应的标签。
步骤四:构建卷积循环神经网络。循环神经网络部分目前常采用单向循环神经网络或正反双向循环两种不同神经网络的记忆单元,在单向和双向循环网络使用不同的记忆单元进行实验,记忆单元的结构参数设置为128。使用信噪比为-24dB的舰船声尾流回波数据集进行训练,实验结果如表1。通过对比分析,最终选择单向循环神经网络作为循环神经网络部分。
步骤五:搭建一维卷积单向循环神经网络(1Dimensional ConvolutionalUnidirectional Recurrent Neural Network,1DCURNN),1DCURNN模型的结构示意图如图2所示,依次包括卷积、池化、卷积、池化、卷积、池化、卷积、池化、卷积、循环神经网络、全局最大池化。首先使用五层的卷积层提取声尾流散射回波信号的特征,卷积层和池化层不会改变信号的时序关系。然后将提取到的高层特征输入到循环神经网络继续提取特征后连接到GMP代替全连接层。1DCURNN模型的参数如表2所示。
表2输入信号的尺寸为1×25000,经过卷积和池化运算后,得到尺寸为8×32的二维特征矩阵,然后将特征矩阵按照时序关系划分为长度为32的8个向量。最后将这些向量以一个序列的形式输入到循环神经网络继续提取特征。
图3为单向循环神经网络的基本结构,其中x表示输入序列;H表示隐藏层,不仅由此刻的输入决定,还受该时刻之前的时刻影响;Ot+1表示输出序列;U,V,W为权重。
根据图3循环神经网络结构可以得出
Ot=Φ(Uxt+WHt-1+b1)
在t时刻的输出为
ht=VHt+b2
其中,Φ表示激活函数,一般采用tanh函数激活,b1,b2表示偏置。
最终模型的预测输出为
yt=Φ(ht)
其中,yt为t时刻的预测值,Φ表示激活函数,在分类任务中一般采用Softmax函数激活。
图4为LSTM模型结构示意图,是单向循环神经网络的一种改进模型,对应表1第2与第5行数据应用的方法;长短时记忆网络(Long Short Term Memory networks,LSTM)模型在标准RNN的基础上新增了门(gate)的结构,通过门结构增加或去除信息从而达到处理大时间间隔信息的目的,其中σ表示sigmoid激活函数,1为遗忘门,通过sigmoid函数决定遗忘或保留信息;2为输入门,将新的信息通过sigmoid函数和tanh函数选择性的保留下来;3为输出门,通过sigmoid函数和tanh函数选择并输出合适的信息。
图5为GRU模型结构示意图,是单向循环神经网络的另一种改进模型,对应表1第3与第6行数据应用的方法;其中1为重置门和2为更新门,与LSTM相比GRU内部少了一个门控,因此参数量相比于LSTM大大减少,但可以达到和LSTM相同的性能。
分析表1的结果可知,当正向循环神经网络采用GRU记忆单元时,CRNN模型参数量保持适中的情况下,模型检测准确率相比采用SRN和LSTM记忆单元的模型更高。本发明综合考虑模型的检测准确率和参数量后,最终选择记忆单元为GRU的单向循环神经网络作为循环神经网络部分。
步骤六:训练和优化一维卷积单向循环神经网络。通过调节不同循环神经网络结构隐藏层参数来优化神经网络的检测能力的影响如表3,综合考虑模型检测准确率和参数量,选择隐藏层神经元的个数为128。
步骤七:实现舰船尾流目标的检测。将待测数据经过预处理之后,通过优化好的神经网络模型给出检测结果,实现舰船尾流目标检测。
通过在仿真数据集上对该检测算法进行验证,如表4所示。结果表明,该算法在信噪比为-25dB以上可以实现94%以上的检测准确率。同时,1DCURNN的参数量只有0.9M,相较于其他四种经典的神经网络而言,1DCURNN神经网络在保证训练效率的前提下,具有更高的检测准确率。
表1
表2
表3
表4
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明公开的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种基于一维卷积单向循环神经网络的舰船声尾流检测方法,其特征在于包括:
采集散射回波信号,将其划分为测试集和训练集;
构造一维卷积单向循环神经网络1DCURNN模型,采用训练集进行优化训练;
采用训练好的模型对测试集进行舰船尾流目标的检测。
2.根据权利要求1所述的一种基于一维卷积单向循环神经网络的舰船声尾流检测方法,其特征在于所述的散射回波信号包括有尾流和无尾流时散射回波数据:
其中s1(t)为海面和尾流散射回波,s2(t)为海面散射回波信号。
3.根据权利要求1所述的一种基于一维卷积单向循环神经网络的舰船声尾流检测方法,其特征在于还包括对对采集到的散射回波信号进行预处理,滤除不在频响范围内的噪声;滤波后的信号为x(t):
其中,h(t)为依据发射信号中心频率和多普勒频移计算的带通滤波器的冲击响应函数。
4.根据权利要求1所述的一种基于一维卷积单向循环神经网络的舰船声尾流检测方法,其特征在于所述的1DCURNN模型依次包括卷积、池化、卷积、池化、卷积、池化、卷积、池化、卷积、循环神经网络、全局最大池化;首先使用五层的卷积层提取声尾流散射回波信号的特征,然后将提取到的高层特征输入到循环神经网络继续提取特征后连接到全局最大池化代替全连接层。
5.根据权利要求4所述的一种基于一维卷积单向循环神经网络的舰船声尾流检测方法,其特征在于所述的循环神经网络为单向循环神经网络,具体为门控循环单元GRU。
6.根据权利要求1所述的一种基于一维卷积单向循环神经网络的舰船声尾流检测方法,其特征在于采用训练集进行优化训练具体为:通过调节不同循环神经网络结构隐藏层参数来优化神经网络的检测能力。
7.一种计算机系统,其特征在于包括:一个或多个处理器,计算机可读存储介质,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求1所述的方法。
8.一种计算机可读存储介质,其特征在于存储有计算机可执行指令,所述指令在被执行时用于实现权利要求1所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310905521.0A CN117075091A (zh) | 2023-07-24 | 2023-07-24 | 基于一维卷积单向循环神经网络的舰船声尾流检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310905521.0A CN117075091A (zh) | 2023-07-24 | 2023-07-24 | 基于一维卷积单向循环神经网络的舰船声尾流检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117075091A true CN117075091A (zh) | 2023-11-17 |
Family
ID=88712445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310905521.0A Pending CN117075091A (zh) | 2023-07-24 | 2023-07-24 | 基于一维卷积单向循环神经网络的舰船声尾流检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117075091A (zh) |
-
2023
- 2023-07-24 CN CN202310905521.0A patent/CN117075091A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ji et al. | Seabed sediment classification using multibeam backscatter data based on the selecting optimal random forest model | |
Miao et al. | An improved lightweight RetinaNet for ship detection in SAR images | |
CN106682574A (zh) | 一维深度卷积网络的水下多目标识别方法 | |
CN108229404A (zh) | 一种基于深度学习的雷达回波信号目标识别方法 | |
CN108985304B (zh) | 一种基于浅剖数据的沉积层结构自动提取方法 | |
CN110135559A (zh) | 一种基于船位数据获取张网网位和捕捞努力量的方法 | |
CN114997326B (zh) | 一种基于多特征融合的机载雷达工作模式识别方法 | |
CN115114949A (zh) | 一种基于水声信号的舰船目标智能识别方法及系统 | |
CN111627030A (zh) | 快速高效的可见光遥感影像海陆精确分割方法 | |
CN115510898A (zh) | 一种基于卷积神经网络的舰船声尾流检测方法 | |
CN113064133B (zh) | 一种基于时频域深度网络的海面小目标特征检测方法 | |
CN117075091A (zh) | 基于一维卷积单向循环神经网络的舰船声尾流检测方法 | |
CN113570041B (zh) | 一种神经网络以及利用该神经网络压制海上光纤拖缆地震数据噪声的方法 | |
CN116403100A (zh) | 一种基于矩阵分解的声呐图像小目标检测方法 | |
Bach | Improving the classification of propeller ships using LOFAR and triple loss variational auto encoder | |
Xiufen et al. | Deep generative network and regression network for fishing nets detection in real-time | |
Vaz et al. | Marine acoustic signature recognition using convolutional neural networks | |
CN112347135B (zh) | 一种直升机应召搜索方案的确定方法、存储介质及系统 | |
Su et al. | Ship detection in navigation based on broad learning system | |
Yu et al. | Ground Surveillance Radar Target Classification Based on 2D Selective CA CNN | |
Liu et al. | Sonar target detection based on a dual channel attention convolutional network | |
Busson et al. | Seismic shot gather noise localization using a multi-scale feature-fusion-based neural network | |
CN108805905A (zh) | 一种集合一致性分解加速的水下图像自适应中值滤波方法 | |
CN113740820B (zh) | 一种雷达信号处理机脉冲多普勒处理的数学建模方法 | |
CN118585778A (zh) | 一种水声源分离方法、设备及存储介质 |
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 |