导读:本文包含了水下目标识别论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:水下,目标,卷积,神经网络,声源,深度,特征。
水下目标识别论文文献综述
黄擎,曾向阳[1]（2019）在《水下目标识别中的通道影响及其抑制方法》一文中研究指出0引言目标识别已成为水下探测领域重要的研究方向,目前正处在由实验室研究向工程应用转化的关键阶段。由于水下环境复杂多变,有许多因素对目标识别的准确性和稳定性产生显着的影响[1],现有研究对于噪声的影响更为重视,而通道的影响则较少受到关注。水下环境中,声源发出的声音传递到接收点的途径叫做水声通道。然而,水声通道作为一种特殊的声通道,具有时变、频变和空间变化的性质,声(本文来源于《2019年全国声学大会论文集》期刊2019-09-21）
杨宏晖,徐光辉,李俊豪,申升,姚晓辉[2]（2019）在《被动水下目标识别研究进展综述》一文中研究指出由于海洋环境的复杂性和舰船声隐身技术的发展,被动水下目标识别面临巨大的挑战,是各国水声信号处理领域研究的焦点。首先在介绍基于机器学习的水下目标识别(UATR)技术的基础上,重点分析与总结了水下目标特征提取(时域波形结构特征提取、频域谱特征提取、时频分析特征提取、听觉感知特征提取)、特征选择、分类器设计等方面的研究现状,然后阐述了在人工智能快速发展背景下的UATR技术发展的现状,最后,论述了UATR智能化发展中依然存在的问题及未来发展趋势。综述表明,在水下目标识别领域,基于舰船辐射噪声的水下目标识别依然面临着诸多困难和挑战,构建智能水下目标识别系统,还需要更多的思考和实践。(本文来源于《无人系统技术》期刊2019年04期）
杜方键,张永峰,张志正,郭小飞,田明[3]（2019）在《基于SVDD集成的水下目标识别算法研究》一文中研究指出针对基于距离测度的SVDD单类分类器误判率较高的缺点,开展基于支持向量数据描述的单类分类器集成学习算法研究,并对基于支持向量数据描述的多类分类过程进行分析。本文利用Bagging算法对SVDD单类分类器进行集成,利用4类实测水下目标样本进行识别实验,实验结果表明所提出的算法能够有效提升不易区分两类样本的分类能力,分类正确识别率能够提高4. 98个百分点。(本文来源于《电声技术》期刊2019年08期）
李俊豪,杨宏晖,申升[4]（2019）在《用于水下目标识别的脑听觉感知迁移学习方法》一文中研究指出本文提出了一种用于水下目标识别的脑听觉感知迁移学习方法,该方法通过受脑听觉感知启发的深度卷积网络(Auditory system inspired Deep Convolutional Neural Network,ADCNN)完成水下目标识别任务。ADCNN模型可以分成叁个模块:时域分解模块、特征融合模块、决策模块。ADCNN的时域分解模块可以将时域舰船辐射噪声分解成不同时域结构的基信号组。然后,在特征融合模块中,网络对每个基信号的特征以及基信号组的分布进行特征提取得到深度特征表示。最后在决策模块中对目标类别进行识别。我们将在大量舰船辐射噪声数据上预训练好的ADCNN网络的部分特征参数迁移到用于小样本识别的ADCNN模型中。实验结果表明,进行特征迁移的ADCNN网络在四类目标的小样本识别任务上收敛的更快,并且将识别正确率提高了4.17%达到72.92%。(本文来源于《中国声学学会水声学分会2019年学术会议论文集》期刊2019-05-25）
严良涛,项晓丽[5]（2019）在《基于核的k-最近邻在水下目标识别中的应用》一文中研究指出针对水下目标特征类型多、非线性强的特点,该文将基于核的k-最近邻应用于水下目标识别。该方法采用主成分分析对特征矩阵进行降维,利用核函数技巧将降维后的特征映射到高维空间进行k-最近邻分类识别,并讨论了邻近点个数k对实验结果的影响。实际实验数据验证结果表明:与传统的k-最近邻和BP神经网络分类器相比,基于核的k-最近邻分类器的综合性能更优。(本文来源于《应用声学》期刊2019年03期）
刘梦琪[6]（2019）在《水下目标识别技术探究》一文中研究指出水下目标识别就是从水声信号中提取水下目标特性并做出识别,确定出目标的本质属性,进而采取有效应对措施。在军事方面,水下目标识别是世界各国海防情报处理的重要组成,是武器分配、反潜和鱼雷防御的前提;在民用方面,水下目标识别是现代化海洋开发利用的重要基础。因此,开展水下目标识别研究在国家安全、海洋应用等方面意义重大。(本文来源于《数字通信世界》期刊2019年04期）
梁红,金磊磊,杨长生[7]（2019）在《小样本情况基于深度学习的水下目标识别研究》一文中研究指出水下自动目标识别一直是具有挑战性的任务.针对海洋环境下目标图像数据获取困难,样本数量不足以训练深层神经网络这一问题,提出小样本情况下基于深度学习的水下图像识别方法.利用提出的改进中值滤波器抑制水下小样本集图像的脉冲噪声;然后,采用ImageNet图像数据集对搭建的深度卷积神经网络模型进行预训练;使用水下降噪图像对经过预训练的神经网络进行参数微调.利用海洋鱼类图像数据集对完成训练的卷积网络性能进行验证,取得85.08%的正确识别率.(本文来源于《武汉理工大学学报(交通科学与工程版)》期刊2019年01期）
权稳稳,林明星[8]（2019）在《CNN特征与BOF相融合的水下目标识别算法》一文中研究指出为了改善作为低级表示的尺度不变特征变换(scale invariant feature transform,SIFT)匹配常出现的没有足够特征来防止假匹配的问题,提出在传统方法"词袋"(bag of features,BOF)算法中融合具有较好语义分割能力的卷积神经网络(convolu-tion neural netw ork,CNN)特征来提高识别率的方法。利用ImageCLEF网站的LifeCLEF鱼类视频,制作目标图像数据库。在caffe平台的Alexnet模型进行卷积神经网络的训练,提取图像库和查询图像的特征。利用训练好的CNN特征在M atlab软件进行识别试验验证,计算汉明距离来验证匹配效果。改变参数值来观察不同汉明距离阈值对水下目标识别结果的影响。自制图像库的试验表明,融合深度学习的特征可以有效提高BOF算法的水下目标识别率,对汉明距离阈值的选择需要根据实际情况选择合适的参数。(本文来源于《山东大学学报(工学版)》期刊2019年01期）
温涛,许枫,王梦宾,杨娟,闫路[9]（2019）在《预测特征误差映射及其在多基地水下目标识别中的应用》一文中研究指出针对水下多基地目标识别问题,提出了基于特征预测和误差映射的多基地融合识别算法。推导并简化了基于贝叶斯公式的多基地目标识别条件概率公式,利用BP神经网络对最后一个节点的特征向量进行预测,并计算得到预测值与实际值误差的概率密度,将其与前面每个节点的条件概率累乘,以得到目标识别的条件概率。将利用特征预测计算条件概率的方法从单个节点推广到多个节点上,同时针对误差概率分布模型不准确的问题,提出了利用混合高斯分布模型代替单高斯概率分布模型的改进方法。对每个目标重复此过程,取结果最大值对应的目标类别为最后的识别结果.在消声水池开展多基地模拟实验,对四类目标进行识别,在一定声呐节点数目及信噪比条件下,与单基地声呐相比,多基地目标融合识别得到的识别正确率最大可提高40%,采用改进方法以后,识别正确率得到进一步提高。(本文来源于《声学学报》期刊2019年01期）
王念滨,何鸣,王红滨,周连科,商晓宇[10]（2019）在《适用于水下目标识别的快速降维卷积模型》一文中研究指出针对传统卷积神经网络在相对较小的数据集上训练容易过拟合的问题,本文提出一个适用于水下目标识别的快速降维卷积网络模型(FRD-CMA)。该模型基于卷积核与特征图对应关系描述模型在数据集上的注意力,并以此进行快速降维,从而降低模型在小数据集上应用时存在的过拟合风险。FRD-CMA模型支持水下目标辐射噪声的端到端处理,通过提取辐射噪声的声音特征并依照水听器的时序关系进行矢量化处理,可以保持模型源输入特征不被破坏。试验结果表明:相较于之前的水下目标识别任务,FRD-CMA模型识别率提高5%,且模型训练时间缩短30%。(本文来源于《哈尔滨工程大学学报》期刊2019年07期）
水下目标识别论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
由于海洋环境的复杂性和舰船声隐身技术的发展,被动水下目标识别面临巨大的挑战,是各国水声信号处理领域研究的焦点。首先在介绍基于机器学习的水下目标识别(UATR)技术的基础上,重点分析与总结了水下目标特征提取(时域波形结构特征提取、频域谱特征提取、时频分析特征提取、听觉感知特征提取)、特征选择、分类器设计等方面的研究现状,然后阐述了在人工智能快速发展背景下的UATR技术发展的现状,最后,论述了UATR智能化发展中依然存在的问题及未来发展趋势。综述表明,在水下目标识别领域,基于舰船辐射噪声的水下目标识别依然面临着诸多困难和挑战,构建智能水下目标识别系统,还需要更多的思考和实践。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
水下目标识别论文参考文献
[1].黄擎,曾向阳.水下目标识别中的通道影响及其抑制方法[C].2019年全国声学大会论文集.2019
[2].杨宏晖,徐光辉,李俊豪,申升,姚晓辉.被动水下目标识别研究进展综述[J].无人系统技术.2019
[3].杜方键,张永峰,张志正,郭小飞,田明.基于SVDD集成的水下目标识别算法研究[J].电声技术.2019
[4].李俊豪,杨宏晖,申升.用于水下目标识别的脑听觉感知迁移学习方法[C].中国声学学会水声学分会2019年学术会议论文集.2019
[5].严良涛,项晓丽.基于核的k-最近邻在水下目标识别中的应用[J].应用声学.2019
[6].刘梦琪.水下目标识别技术探究[J].数字通信世界.2019
[7].梁红,金磊磊,杨长生.小样本情况基于深度学习的水下目标识别研究[J].武汉理工大学学报(交通科学与工程版).2019
[8].权稳稳,林明星.CNN特征与BOF相融合的水下目标识别算法[J].山东大学学报(工学版).2019
[9].温涛,许枫,王梦宾,杨娟,闫路.预测特征误差映射及其在多基地水下目标识别中的应用[J].声学学报.2019
[10].王念滨,何鸣,王红滨,周连科,商晓宇.适用于水下目标识别的快速降维卷积模型[J].哈尔滨工程大学学报.2019
论文知识图
