基于子波变换和神经网络的舰船目标识别

特征提取方法和分类器的选择是舰船目标识别的关键。介绍了一种目标分类和识别的方法。首先利用子波变换和多分辨分解算法对实际采集到的各类舰船目标辐射噪声进行特征提取 ,获得目标的线谱和调制谱特征 ,然后利用模糊自组织聚类网络 (FKCN)分类器对各类目标进行分类识别。最后利用实测数据进行仿真分析 ,并与其它特征提取和分类识别方法比较 ,验证了所用方法的可行性 ,且获得了较好的效果。     

基于舰船噪声仿真模型的目标识别研究

将国际上迅硅盖展的基于模型的识别技术应用到舰船目标识别中，摄取舰船目标识别信息，在建立舰船辐射噪声仿真模型的基础上，推导了单、双螺旋桨舰船辐射噪声调制谱谐波族幅值特征的数学期望表达式，提出了基于仿真特征的舰船目标识别方法，并对五类舰船目标进行了分类识别实验，取得了较好的识别效果：正确识别率分别为92．6％，87．3％，83．5％，76．9％，78．2％。     

听觉感知特征在目标识别中的应用

将听觉感知特征用于声学目标识别,实现对稳态噪声样本的识别,证明听觉感知特征在声学目标识别领域中的有效性.首先通过语音和乐音识别领域的研究成果确定听觉感知特征的提取方法,然后在汽车、飞机、舰船和乐器等不同类型的声目标中进行识别研究.结果显示:对于平稳噪声样本,听觉感知特征中的谱特征具有突出的优越性,其中基于Mel倒谱系数、谱下降值、分段谱质心、分段谱质心带宽和分段谱通量能够识别目标,且具有较高的识别率和稳健性.     

两级NLMS自适应滤波的仿真与应用研究

从含噪信号中恢复信号是信号处理领域的经典问题,根据自适应线谱增强器的原理,提出了基于两级NLMS自适应滤波器的噪声抵消模型和方法.并通过仿真实验和海上实录船舶辐射噪声识别实验对其进行了验证.仿真实验表明,该方法比基本的NLMS方法更能有效地消除信号中的噪声.对船舶辐射噪声的识别实验表明,当识别环境改变时,该方法仍能保证比较好的识别率,而且比基本的NLMS方法对环境改变更具有适应性.     

鱼雷辐射噪声传播特性的仿真

建立了辐射噪声中线谱，连续谱，调制谱的传播损失模型。对线谱、连续谱、调制谱的传播特性进行了研究；获得了鱼雷与目标相对运动过程中，在目标处所得到的鱼雷辐射噪声特征的变化情况，该研究已被用于鱼雷攻击距离的预报。     

基于舰船噪声线谱特征的ETAM方法仿真研究

拖曳线列阵的方位分辨率是一项重要性能指标,而它被拖曳线列阵的阵列孔径所限制。针对这一问题,文中提出了基于舰船噪声线谱特征的ETAM方法,利用舰船噪声在低频段的稳定线谱成份,采用ETAM被动合成孔径算法扩展拖曳线列阵的孔径,从而达到显著提高方位分辨率的目的。只要ETAM的积分时间小于海洋声信道的时间相关长度,可将拖曳线列阵的等效孔径扩展到不大于海洋声信道的空间相关长度的任意尺寸。经仿真实验验证,该方法是有效的、可行的,且算法简单、易于实时实现,是一种具有良好应用前景的高分辨方位估计方法。     

基于时变调制的舰船噪声信号仿真算法研究

为了向被动声纳提供逼真的舰船噪声信号,分别采用基准谱级和谱状、线谱的频率和幅度及相位、轴频和叶频来表征舰船噪声信号中的连续谱、线谱、时变调制谱,同时给出了一套高逼真度、高效率的可控特性噪声实时仿真算法:经由自相关函数、AR系数各自的解算和自回归滤波进行平稳连续谱噪声的求解;通过线谱系列频率、幅度和相位的解算,再以系列正弦波和的形式实现线谱;采用连续谱噪声自回归计算、起伏脉冲串时间调制函数构造和连续谱噪声信号调制三步法给出时变调制谱。上述算法已在以TS101为处理器的DSP运算平台上得以实现,已成功地应用于多种声纳仿真测试。     

基于小波能量谱的舰船目标信号特征量建模

为在舰船目标识别、分类中有效选取特征量,采用小波变换获取舰船辐射噪声信号的小波能量谱,然后计算不同类目标信号的类平均小波能量谱之间距离信号的λ水平能量聚点,据此选取能量谱差异显著的频段,最后对各能量谱作聚类分析实现特征压缩并确定特征量。在舰船声场通过特性研究中的应用表明,该方法具有识别与分类准确率高的特点。     

基于功率谱估计的舰船噪声特征提取及声场通过特性仿真

通过对舰船辐射噪声频谱特性的深入分析，给出了一种目标特征提取的方法。并在建立目标通过特性数学模型的基础上，结合所提取的特征量，分别对两类目标在不同横距、不同深度、不同信噪比下，噪声信号全频段和各频段的通过特性进行仿真。     

基于小波变换和神经网络的舰船目标识别和分类

根据舰船轴频电场信号的特点,提出了基于小波变换和神经网络的目标识别和分类方法.利用小波变换计算轴频电场信号的功率谱,提取特征量,根据轴频电场平均累积功率谱对舰船目标和海洋环境进行识别.根据轴频电场信号的功率谱分析,对不同类型舰船目标进行识别.运用BP神经网络,对不同类型舰船目标和海洋环境进行分类.通过对海上试验采集轴频电场数据的仿真计算,证实了该识别和分类方法的有效性.     

基于语义分割实现的SAR图像舰船目标检测

基于深度学习实现的目标检测方法在自然图像中取得非常大的成功,而将诸多方法运用于合成孔径雷达(synthetic aperture radar, SAR)图像舰船目标检测逐步成为新的趋势。如何将已有方法改进并与SAR图像的特点相结合完成特定的检测任务,已经成为当前主要的研究方向。不同于当前已有方法,本文对存在的深度学习SAR图像舰船目标检测方法进行了再思考,提出了基于语义分割实现的检测、分割一体化方法。通过语义分割实现的检测方式能够有效地避免当前诸多检测网络的复杂解码过程,具有生成的预测框更加贴合目标、精度以及召回率更高等特点。该方法虽属于无锚框检测,但实验结果表明,达到了双阶段检测效果,且具有更加精细化的分割结果,适用于复杂背景检测与分割问题。     

舰艇烟幕使用与布放的仿真研究

烟幕具有吸收、反射和散射特性 ,可使导引头上接收的能量大大衰减 ,从而降低导弹的命中概率。在分析舰艇烟幕对抗激光制导导弹过程的基础上 ,分别建立了烟幕遮挡效果目标函数 ,舰艇运动的模型 ,烟幕运动的模型和导弹运动的模型 ,通过计算机仿真得出了烟幕使用及烟幕布放的方法。仿真结果对舰艇烟幕的作战使用和舰艇烟幕发射装备的研制具有重要的参考价值。     

基于级联卷积神经网络的港口多方向舰船检测与分类

港口舰船目标自动检测的定位和类型分类是一个重要而具有挑战性的问题。针对高分辨率光学遥感影像中多方向性排列密集的近岸舰船目标定位和识别困难的问题,提出基于级联区域卷积神经网络和手工提取特征相结合的近岸舰船检测识别框架。首先,使用级联的区域卷积神经网络对舰船位置进行粗定位并对类别进行估计，得到一系列粗定位的垂直预测框。然后,设计一个可以准确定位舰船的斜框旋转回归器,其将第一阶段所得粗定位垂直矩形框转变为带方向的斜矩形框。最后,使用非极大值抑制的方法去除冗余的预测框。实验采用谷歌地球上采集的数据集进行训练和预测,实验结果表明所提算法在精准率和召回率上均具有较大优势。     

基于级联卷积神经网络的港口多方向舰船检测与分类

港口舰船目标自动检测的定位和类型分类是一个重要而具有挑战性的问题。针对高分辨率光学遥感影像中多方向性排列密集的近岸舰船目标定位和识别困难的问题,提出基于级联区域卷积神经网络和手工提取特征相结合的近岸舰船检测识别框架。首先,使用级联的区域卷积神经网络对舰船位置进行粗定位并对类别进行估计，得到一系列粗定位的垂直预测框。然后,设计一个可以准确定位舰船的斜框旋转回归器,其将第一阶段所得粗定位垂直矩形框转变为带方向的斜矩形框。最后,使用非极大值抑制的方法去除冗余的预测框。实验采用谷歌地球上采集的数据集进行训练和预测,实验结果表明所提算法在精准率和召回率上均具有较大优势。     

New method of time-frequency representation for ISAR imaging of ship targets

Inverse synthetic aperture radar (ISAR) imaging of ship targets is very important in the national defense. For the high maneuverability of ship targets, the Doppler frequency shift of the received signal is time-varying, which will degrade the ISAR image quality for the traditional range-Doppler (RD) algorithm. In this paper, the received signal in a range bin is characterized as the multi-component polynomial phase signal (PPS) after the motion compensation, and a new approach of time-frequency representation, generalized polynomial Wigner-Ville distribution (GPWVD), is proposed for the azimuth focusing. The GPWVD is based on the exponential matched-phase (EMP) principle. Compared with the conventional polynomial Wigner-Ville distribution (PWVD), the EMP principle transfers the non-integer lag coefficients of the PWVD to the position of the exponential of the signal, and the interpolation can be avoided completely. For the GPWVD, the cross-terms between multi-component signals can be reduced by decomposing the GPWVD into the convolution of Wigner-Ville distribution (WVD) and the spectrum of phase adjust functions. The GPWVD is used in the ISAR imaging of ship targets, and the high quality instantaneous ISAR images can be obtained. Simulation results and measurement data demonstrate the effectiveness of the proposed new method.     

一种舰船目标SAR回波的快速仿真方法

为满足合成孔径雷达(synthetic aperture radar,SAR)在海洋遥感的应用需求,提出一种舰船目标SAR成像的快速仿真方法。对成像场景中重点关注的目标进行精确电磁建模,并利用"四路径"模型计算目标与海面的复合散射回波,对海面背景采用散射面元法计算回波;将舰船复合散射回波与海面回波进行合成得到总的SAR回波,利用聚束SAR成像处理方法获得SAR图像。结果表明:该算法避免了对整个成像区域进行复杂的电磁仿真,能够有效降低对海面大场景的电磁计算效率。由于在目标区域采用高频电磁算法,保留了目标的电磁散射的精细结构,为精确模拟SAR回波提供了一种准确而高效的仿真算法。     

基于ObjectNess BING 的海面多舰船目标检测

将一幅图像按照一个目标的大小进行缩放,然后计算其梯度特征,再对梯度特征进行标准化,二值化能够极大地提高目标候选区域的选择和检测计算效率,减少耗时。由于对海上舰船目标的检测是具有丰富角点的人造目标,对ObjectNess二值化标准梯度特征(binarized normed gradients, BING)方法中的目标候选区域提取算法进行改进,使其能够更加快速地进行候选区域的选择并保持较高的检测率。分析了海上多舰船目标的图像特征,提出了利用角点确定目标的候选基点,再利用ObjectNess BING检测模型训练获得的多目标尺寸进行候选区域的选择,对互联网上下载的多幅多舰船图像进行处理的结果表明,算法能够有效减少候选目标区域的数量并保持较高的检测概率。     

双频率高频地波雷达船只目标点迹关联与融合处理

单频率高频地波雷达海上目标探测会受到一阶海杂波和高频谐振区目标回波强度起伏的影响,引起目标漏检。利用实测船只探测实验数据,分析了双频地波雷达目标探测的特点,并重点分析了海杂波对目标探测的影响,指出双频雷达可以克服单一频率目标探测中漏检的缺陷,提高船只目标的检测率。通过分析双频地波雷达检测结果的不同分类及处理方式,给出了双频地波雷达目标点迹融合处理方法,讨论和分析了目标点迹关联中距离门、速度门和方位门等参数的选取原则及影响因素。最后利用实测同步的自动识别系统数据,评价了目标点迹融合的探测精度。     

复杂背景下SAR图像近岸舰船目标检测

针对合成孔径雷达(synthetic aperture radar, SAR)图像近岸舰船目标易受背景杂波的影响, 造成SAR图像近岸舰船目标检测检测率低、虚警率和漏检率高的问题，提出一种适用于复杂背景下SAR图像近岸舰船目标检测的DFF-Yolov5(deformable feature fusion you only look once 5)算法。构建了一个专门用于SAR图像复杂背景近岸舰船目标检测的数据集, 基于Yolov5目标检测算法, 在特征提取网络中进行特征细化和多特征融合两个方面的改进。在特征提取网络中利用可变形卷积神经网络改变卷积对目标采样点的位置, 增强目标的特征提取能力, 提高复杂背景下SAR图像舰船目标的检测率。在多特征融合网络结构中采用级联和并列金字塔, 进行不同层级的特征融合。同时，使用空洞卷积扩大特征提取的视觉感受野, 增强网络对复杂背景近岸多尺度舰船目标的适应性, 降低复杂背景下SAR图像舰船目标检测的虚警率。通过在构建的复杂背景近岸舰船检测数据集上的测试实验, 结果表明: DFF-Yolov5的平均准确率为85.99%, 相比于原始的Yolov5, 所提方法平均准确率提高了5.09%, 精度提高了1.4%。