机器学习在水声数据分类识别中的应用

论文摘要

水声数据分类识别是水声领域的重要研究内容之一,其目的在于以非物理接触的方式,通过识别算法对水声目标进行判别。如何更为智能地对水声目标进行分类识别,对于海洋航行安全和水下安防均有深远的现实意义,也是研究的关键所在。近年来广受关注的机器学习算法包含了智能自动识别算法,为解决这一难题提供了思路。本文以水声数据中的舰船辐射噪声数据作为研究对象,进行了相关机器学习分类识别研究,主要研究内容如下:1、对舰船辐射噪声产生机理进行了研究分析,并基于此对实测数据做了适当预处理,制作了后续算法所需的训练及测试数据集。研究了机器学习在高维数据视化的应用,对实验数据分布做了简单观察。2、对目标信号做了梅尔倒谱系数以及香农熵特征提取与融合,将融合特征与K近邻分类学习算法以及Xgboost算法结合,并引入机器学习模型评价指标对模型进行客观评价,证明了 Xgboost可以更好地应用于水声数据分类识别。同时研究了两种机器学习降维算法主成分分析(PCA)以及邻域成分分析(NCA),通过实验证明NCA降维方法相较PCA更优异,可以实现大幅降低特征维数的同时仍保证较高的识别效果。3、对机器学习中较受关注的深度学习算法进行了研究。研究了两种深度学习方法,卷积神经网络以及长短时记忆(LSTM)神经网络。并针对两种不同的神经网络特性,研究了两种特征提取方法。对卷积神经网络研究使用了小波变换及短时傅里叶变换两种时频图生成方法;对LSTM神经网络研究使用了瞬时频率特征。实验证明小波变换与卷积神经网络结合所产生的实验效果最优,Xgboost算法与融合特征结合可以在低硬件条件下实现较高识别性能,而LSTM神经网络对实验数据分类效果有限。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
•   1.1 研究背景及意义
•   1.2 国内外研究现状
•     1.2.1 水声目标特征提取技术
•     1.2.2 水声领域机器学习
•     1.2.3 水声目标识别系统
•   1.3 本文主要工作及内容安排
• 第2章 水声数据的预处理
•   2.1 舰船辐射噪声
•     2.1.1 舰船噪声产生机理
•     2.1.2 舰船辐射噪声频谱
•   2.2 舰船辐射噪声目标样本来源
•   2.3 数据预处理
•     2.3.1 信号预加重
•     2.3.2 数据归一化
•   2.4 舰船目标数据集制作
•     2.4.1 样本选取
•     2.4.2 数据集制作
•   2.5 t-SNE高维数据可视化
•     2.5.1 SNE
•     2.5.2 t-SNE
•     2.5.3 实验数据可视化效果
•   2.6 本章小结
• 第3章 K近邻分类与Xgboost算法对水声数据识别分析
•   3.1 水声目标特征提取
•     3.1.1 梅尔倒谱系数（MFCC）的提取
•     3.1.2 目标信号香农熵的提取
•     3.1.3 串联特征融合
•   3.2 模型评价指标
•   3.3 机器学习数据降维算法研究
•     3.3.1 主成分分析
•     3.3.2 邻域成分分析
•   3.4 K近邻分类在水声数据分类中的应用
•     3.4.1 K近邻分类理论
•     3.4.2 K近邻对融合特征实验结果
•     3.4.3 K近邻对降维特征实验结果
•   3.5 Xgboost算法在水声数据分类中的应用
•     3.5.1 Xgboost算法原理
•     3.5.2 Xgboost对融合特征实验结果
•     3.5.3 Xgboost对降维特征实验结果
•   3.6 本章小结
• 第4章 深度学习对水声数据分类识别研究
•   4.1 卷积神经网络
•     4.1.1 神经元
•     4.1.2 卷积层
•     4.1.3 汇聚层
•   4.2 卷积神经网络算法实现
•     4.2.1 反向传导算法
•     4.2.2 卷积层反向传导算法
•   4.3 卷积神经网络对舰船目标分类实验研究
•     4.3.1 舰船目标时频特征提取
•     4.3.2 卷积神经网络模型设置
•     4.3.3 实验结果及分析
•   4.4 LSTM网络对舰船目标分类实验研究
•     4.4.1 LSTM算法原理
•     4.4.2 信号瞬时频率特性研究
•     4.4.3 实验结果及分析
•   4.5 算法泛化性比较
•   4.6 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的论文和取得的科研成果
• 致谢

文章来源

类型: 硕士论文

作者: 周启明

导师: 殷敬伟

关键词: 舰船辐射噪声,机器学习,数据降维,神经网络,算法

来源: 哈尔滨工程大学

年度: 2019

分类: 基础科学,信息科技

专业: 物理学,自动化技术

单位: 哈尔滨工程大学

基金: 霍英东青年教师基金(批准号:151007)项目

分类号: TP181;O427

DOI: 10.27060/d.cnki.ghbcu.2019.000169

总页数: 86

文件大小: 8393K

下载量: 481