一种基于神经网络的激光水下目标探测方法

提出了一种利用多层面神经网络进行激光水下目标检测的新方法．理论分析和实验表明,新方法不仅适用于不同的激光探测系统参数,而且适用于对不同海域情况下的自动目标弱信号的检测     

激光水下目标探测中混沌背景信号重构的研究

对激光水下目标探测中混沌景信号的重构问题进行了研究。讨论了混沌时间序列的动态特性，并实际计算了激光水下目标探测中混沌背影信号的时延、混沌维数等有关征参量。阐述神经网络重构时间序列模型机理的基础上，提出用神经网络局剖预测法重构水下目标探测中混沌背影信号，最后在成功地重构出屯背影信号的条件下，利用预测误差检测到水下目标探测中的有用弱信号。实验结果表明这种方法是比较有效的。     

激光水下目标探测中的光束扩展

对激光水下目标探测中海水对光束的空间和角度扩散进行了深入研究。     

消除激光水下目标探测中后向散射的方法研究

为了消除激光水下目标探测中后向散射包络，压缩接收信号的动态范围，对后向散射的特性进行了分析和模拟，证明了光电倍增管增益控制方法自适应实现的必要性，并就其物理实现作了探讨。     

激光水下目标探测信号的光学遮挡接收

针对激光水下目标探测信号接收的困难，提出了简单易行的光学遮挡接收方法，蒙特卡罗模拟结果表明，该方法能完全去除接收信号中的海面强反射脉冲和部分海水后向散射包络，同时保证有用的目标反射脉冲基本不受影响。     

基于深度学习的水下生物目标检测方法综述

水下生物目标识别对水产养殖、濒危生物保护、生态环境监测具有重要意义。综合分析了当前各种深度学习方法在水下生物目标检测中的应用情况。首先介绍了常用的水下生物目标检测数据集;然后,按照两阶段和单阶段对当前常用目标检测方法进行分类、分析和总结,详细阐述了各类检测方法的实际应用状况,并重点对上述各类检测方法优化策略的优势与不足进行了分析和总结;最后,对基于深度学习的水下生物目标检测提出今后的研究重点,为该领域的研究人员提供了资料性的参考依据。     

机载激光水下目标探测器卵形螺旋线扫描系统

建立了机载激光水下目标探测中的卵形螺旋线扫描系统的数学模型，提出了点阵均匀性优化方案。通过计算机模拟和实验测试验证了理论分析的正确性，指出把卵形螺旋式扫描系统叫做椭圆扫描系统是不正确的。     

Chirp阵用于水下动目标探测的分析

就Ｃｈｉｒｐ阵技术应用于水下动目标的探测作了理论分析和计算机模拟研究表明,系统在一定条件下对于慢速运动目标具有良好的距离分辨率和角度分辨率     

利用激光探测水下声场的理论研究

利用简化的一维物理模型，研究了激光束在水表面反射、散射时探测器在不同位置接收到反射、散射光光通量随时间的变化．结果表明：探测器接收到光通量的变化频率与水下声场的变化频率相同，为利用反射、散射光探测水下声场提供了理论依据，同时也对探测方法提供了基本思路．     

基于点云图卷积神经网络的3D目标检测

随着激光雷达传感器的快速发展,目标检测算法从传统的2D检测快速转向3D检测。然而,激光雷达产生的点云是不规则和非结构化的数据,传统的卷积神经网络无法对其进行处理。基于此提出了一种新颖的图卷积神经网络,能够更好地利用数据的几何关系和拓扑结构直接从点云中学习特征以进行3D目标检测。首先将原始激光雷达点云数据进行下采样,再进行固定半径邻域图的构建,随后设计了一个新型的图卷积神经网络对点云进行编码来预测图中每个顶点所属对象的类别和形状。为提升检测准确度,网络中加入了一种校准机制来减少特征在不同维度变化时引入的平移误差,此外还引入了注意力机制,以使用权重来进一步强化输出的顶点特征。在 KITTI 数据集上进行实验,实验结果表明,此方法能够有效对3D目标进行检测。对比其他多种检测算法,此方法在检测准确度上具有一定的优势。     

水下目标工频磁场扰动信号检测方法研究

为了解决水下目标磁场近程化探测中磁信号衰减快、干扰强及扰动特征不明确、无法有效探测信号等问题,提出了一种基于混合神经网络与注意力机制(Att-CNN-GRU)的工频磁场水下目标时间序列扰动信号检测方法。将CNN,GRU神经网络与Attention机制相结合拟合信号,构建分类神经网络,对目标信号进行分类识别,同时与未引入注意力机制的CNN-LSTM模型及单一CNN和LSTM网络模型的预测及检测性能进行比较。结果表明,相较于传统方法,信号拟合效果将误差分别减小了36.24%,14.44%和4.878%,目标检测准确率达到83.3%。因此,加入Attention机制的CNN-GRU模型检测性能比CNN,LSTM和CNN-GRU模型更优异,作为辅助手段,能有效解决工频磁场探测中扰动信号微弱、扰动规律不明确、背景噪声多等问题,实现对水下目标造成的工频磁场扰动信号的拟合与检测。     

基于注意力机制的水下目标检测算法

针对传统水下目标检测算法识别精度低的问题,提出一种基于注意力机制的水下目标检测算法(feature refinement and attention mechanism network,FRANet).该算法采用特征融合模块和特征增强模块相结合的方式,使用卷积神经网络提取目标的多尺度特征.同时引入一种由锚框精化模块、空...     

一种基于脉冲耦合神经网络的运动目标提取方法

运动目标提取是视频分析和理解的基础,在视频监控应用中具有重要的意义.本文在帧间差分法运动检测的基础上,研究了运动目标的提取方法.针对现有方法存在的对帧间差结果噪声敏感和低效的问题,引入了一种脉冲耦合神经网络PCNN(Pulse Coupled Neural Network)方法.通过一种特别的映射方法,该PCNN网络模型能有效地抑制噪声,并能高效地提取运动目标.实验结果证明,该PCNN方法比现有一些方法具有更高的精度和更快的速度.     

一种基于子波特征的模糊神经网络目标识别方法

针对雷达目标识别中相对不变特征量提取这一问题，提出了一种基于子波变换的特征提取方法．通过对三类飞机一维距离像的分类和识别，验证了这种方法的有效性，同时在将模糊神经网络作为模式分类器方面做出初步尝试。     

一种基于综合目标函数的神经网络学习算法

为提高多层前向神经网络的学习速度和算法的稳定性,提出一种基于综合目标函数的改进学习算法.该算法在误差平方和目标函数中引入一个辅助约束项构成综合目标函数,并利用综合目标函数训练网络的输出层权值,采用牛顿法推导出训练输出层权值的递推公式.辅助约束项隐含有对网络输出平滑性的约束,提高了学习算法的稳定性.利用该算法对不同非线性函数生成的样本数据的学习结果表明,新算法的收敛速度、精度均优于Karayiannis等人的二阶学习算法.     

基于SOM神经网络的水下机器人推进器故障诊断

本文基于SOM（Self-Organizing Map）神经网络进行推进器故障辨识,将水下机器人的控制信号和出现故障情况下的方向变化率作为SOM神经网络模型的输入,其输出即为反映推进器故障大小的拥堵系数,仿真结果表明该方法能准确诊断推进器故障类型。     

基于深度卷积神经网络的水下偏色图像增强方法

针对水下图像在采集和传输过程中存在偏色、模糊等问题,提出一种基于深度卷积神经网络的水下偏色图像增强方法,并给出该方法的收敛性分析.首先,在传统U-Net模型的基础上,构建一种基于偏色图像的卷积神经网络模型,不断学习输入图像与输出图像的色彩偏差;其次,通过引用结构相似性的损失函数,使增强后的水下图像与输入的水下图像在内容...     

激光干涉法探测水下声信号

为实现在空中利用激光技术对水下目标进行探测的目的,提出一种从水面散射激光中获取水下声源信息的方法.利用携带声波信息的散射光和参考光的干涉现象来获取水表面声波的频率和幅度信息.采用该方法建立的实验装置可准确探测水下声信号,验证了理论和仿真程序的正确性以及该方法的可行性,为航空遥感水下目标提供一种技术途径.     

基于时频分析的海洋激光探测信号检测与识别

针对机载海洋激光探测系统接收信号中噪声的非平稳性及信号的相关性问题,利用信号的Ｇａｂｏｒ展开在时间和频率域局部化信号的能力,对信号进行时频相关检测和分析,提出了一种基于时频分析的相关检测方法以及基于时频特性描述的信号分析和识别。实验结果表明该方法是一种抗噪性能强,自适应性能好的弱信号检测与识别方法。