【摘要】：隨著軍事技術的發(fā)展特別是信息技術的發(fā)展,對于水下偵測技術手段的要求也越來越高,而識別技術是偵測手段的關鍵技術,因此,必須結合原始水聲信號的信號特征來研究具有效果更好、普適性更強的識別技術來適應時代的發(fā)展。首先研究水聲工程領域常規(guī)脈沖調(diào)制信號和擴頻通信信號,論文總共仿真了8類水聲調(diào)制脈沖信號,采用時頻分析方法作為非平穩(wěn)信號分析工具,將一維的時域信號變換為時間和頻域的聯(lián)合分布,論文研究了短時傅里葉變換、自適應最優(yōu)核時頻分布(AOK)方法,并一同比較了其他經(jīng)典時頻分析方法的性能。不同信號的時頻分布具有十分明顯的形狀差異,依靠形狀特征可以十分快速的進行信號識別分類。研究了模式識別基本理論,提取不同信號的時頻圖像的有效特征信息。提取了常見水聲脈沖信號時頻圖像的不變矩特征和HOG圖像特征,為了更為有效的提取圖像不變矩特征,論文采用了常見的圖像預處理手段,當對HOG高維的圖像特征數(shù)據(jù)時,為了解決高維特征帶來的運算難題,研究了PCA降維技術,然后研究了多種傳統(tǒng)的基于統(tǒng)計理論的機器學習模型,然后訓練驗證了包括樸素貝葉斯、支持向量機、隨機森林、BP神經(jīng)網(wǎng)絡四種模型,采用交叉驗證方法得到了平均識別正確率。本論文研究使用深度學習理論,從原始信號時頻圖像樣本集出發(fā),設計深度學習模型對信號的時頻圖像進行自動地特征提取,省去了機器學習識別方法中人工設計特征提取的步驟。利用不同類別信號時頻分布灰度圖,訓練了三大類深度學習模型,包括深度神經(jīng)網(wǎng)絡、卷積神經(jīng)網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡,對比模型的分類識別結果。結合卷積神經(jīng)網(wǎng)絡的自學習能力和支持向量機優(yōu)異的分類性能,利用原始樣本數(shù)據(jù)訓練一個CNN模型作為特征提取器獲得時頻分布圖的特征數(shù)據(jù),然后利用支持向量機模型對該特征數(shù)據(jù)進行學習。與此同時研究輸入和網(wǎng)絡結構更為簡單的模型,針對信號識別分類課題提出利用信號的一維頻域序列,然后采用一維卷積神經(jīng)網(wǎng)絡進行信號分類識別的方法。仿真和實測數(shù)據(jù)表明,基于時頻分析信號處理技術和簡單頻域序列處理技術,結合深度學習理論的方法對于多類水聲脈沖信號的識別性能高于傳統(tǒng)的模式識別方法。因此,深度學習方法在水聲脈沖信號分類識別中具有高效性和可行性。
【學位授予單位】：哈爾濱工程大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TB56;TP181
【圖文】：

20 世紀 80 年代 逐漸與應用結合。統(tǒng)計學習理論和符號學習技術開始出現(xiàn)，神經(jīng)網(wǎng)絡 BP 算法推廣。20 世紀 90 年代 Vapnik 將有限樣本統(tǒng)計理論推向世界，并提出了支持向量機（SVM）。弱可學習定理暗示了弱分類器的思想，奠定了集成學習方法的基礎。Y.LeCun 提出了卷積神經(jīng)網(wǎng)絡。21 世紀初 Hinton 提出了深度學習（Deep Learning）的概念，深度學習受到關注并快速發(fā)展。2010~至今 循環(huán)神經(jīng)網(wǎng)絡的提出，人臉識別成功超過 99%，Alpha-Go 利用卷積神經(jīng)網(wǎng)絡戰(zhàn)勝人類最高水平棋手，基于深度強化學習的Alpha-Zero 問世，強化學習應用在智能控制領域。本課題主要研究機器學習中監(jiān)督學習部分，機器學習理論一定程度上被稱為統(tǒng)計學習理論，使用統(tǒng)計模型從訓練樣本中發(fā)現(xiàn)不同模式的信息，從而利用該信息形成成熟的識別分類器，所以模式識別的關鍵就是特征數(shù)據(jù)表達和統(tǒng)計學習算法。基于計算機視覺和模式識別理論，以圖片識別分類為例，傳統(tǒng)模式識別任務可以用三部分說明，分別是輸入、特征表達、統(tǒng)計學習算法。如圖 1.1 為識別手寫數(shù)字的模型。

第 2 章 常用水聲脈沖信號處理及時頻分析法實現(xiàn)簡單高效且不會產(chǎn)生交叉項，但是 STFT 需要選擇合適分辨率間之間存在矛盾，信號時頻處理過程中常常有不同時間傅里葉變換無法適應信號參數(shù)改變。如果采用高斯脈沖信號時頻分辨能力的影響，信號 s (t )表達式為：2( )( ) - <ts t Ae t 號幅度， 代表了脈沖信號的陡峭程度，仿真信號含有四個高率的高斯脈沖信號組合而成的信號分布在兩個時間段內(nèi)，每個 15kHz 和 35kHz 的信號，信號總的持續(xù)時間為 20ms，信噪比設量高斯脈沖信號的時域波形，和該信號時頻分析時不同時間長影響。漢明窗長分別選 625、175、35。

【相似文獻】

相關期刊論文 前10條

1 李兵;林文釗;羅崢尹;;基于機器學習的智慧農(nóng)業(yè)決策系統(tǒng)設計與實現(xiàn)[J];信息與電腦(理論版);2018年24期

2 舒娜;劉波;林偉偉;李鵬飛;;分布式機器學習平臺與算法綜述[J];計算機科學;2019年03期

3 劉傳會;汪小亞;郭增輝;;機器學習在反洗錢領域的應用與發(fā)展[J];清華金融評論;2019年04期

4 朱輝;;機器學習在企業(yè)級場景中的實踐與探討[J];中國建設信息化;2018年03期

5 彭傳意;;機器學習——我們該如何與機器競爭[J];數(shù)字通信世界;2018年01期

6 陳軼翔;埃里克·布倫喬爾森;湯姆·米切爾;;機器學習的能力范圍及其對勞動力的影響[J];世界科學;2018年04期

7 趙長林;;機器學習即服務[J];網(wǎng)絡安全和信息化;2017年10期

8 ;機器學習作用于信息安全的五大頂級案例[J];網(wǎng)絡安全和信息化;2018年01期

9 吳承楊;;2018年來說說機器學習[J];軟件和集成電路;2018年05期

10 宋雯博;;大數(shù)據(jù)下的機器學習的應用趨勢[J];電腦迷;2018年09期

相關會議論文 前10條

1 王玨;;歸納機器學習[A];2001年中國智能自動化會議論文集（上冊）[C];2001年

2 王衍魯;張利會;張淑潔;石潔茹;王鵬;;大學新生學校適應的個體與環(huán)境因素探究:基于機器學習的考察[A];第二十屆全國心理學學術會議--心理學與國民心理健康摘要集[C];2017年

3 張長水;;大數(shù)據(jù)機器學習[A];2015年中國自動化大會摘要集[C];2015年

4 何琳;侯漢清;;基于標引經(jīng)驗和機器學習相結合的多層自動分類[A];2005年中國索引學會年會暨學術研討會論文集[C];2005年

5 李剛;郭崇慧;林鴻飛;楊志豪;唐煥文;;基于詞典法和機器學習法相結合的蛋白質(zhì)名識別[A];大連理工大學生物醫(yī)學工程學術論文集（第2卷）[C];2005年

6 徐禮勝;李乃民;王寬全;張冬雨;耿斌;姜曉睿;陳超海;羅貴存;;機器學習在中醫(yī)計算機診斷識別系統(tǒng)中的應用思考[A];第一屆全國中西醫(yī)結合診斷學術會議論文選集[C];2006年

7 吳滄浦;;智能系統(tǒng)與機器學習的新領域[A];西部大開發(fā) 科教先行與可持續(xù)發(fā)展——中國科協(xié)2000年學術年會文集[C];2000年

8 蔡健平;林世平;;基于機器學習的詞語和句子極性分析[A];第三屆全國信息檢索與內(nèi)容安全學術會議論文集[C];2007年

9 吳娜;刁聯(lián)旺;;基于機器學習的博弈對抗模型優(yōu)化框架軟件系統(tǒng)設計[A];第六屆中國指揮控制大會論文集（上冊）[C];2018年

10 蔣雍建;程楠;劉澤佳;周立成;湯立群;劉逸平;蔣震宇;;基于響應統(tǒng)計特征和機器學習的橋梁損傷識別方法研究[A];2018年全國固體力學學術會議摘要集（下）[C];2018年

相關重要報紙文章 前10條

1 趙熙熙;機器學習有望找到致命病毒宿主[N];中國科學報;2018年

2 CIO.com資深作家 Clint Boulton 編譯 Charles;領先一步:機器學習的10個成功案例[N];計算機世界;2018年

3 Bob Violino 編譯 Charles;盲目冒進:機器學習的5個失敗案例[N];計算機世界;2018年

4 本報駐波士頓記者 侯麗;深入挖掘機器學習潛力[N];中國社會科學報;2019年

5 王方 編譯;菌自何方 機器學習早知道[N];中國科學報;2019年

6 Matt Asay 編譯 Monkey King;為什么機器學習沒有捷徑可循？[N];計算機世界;2019年

7 本報記者 操秀英;當量子計算遇到機器學習會碰撞出什么火花？[N];科技日報;2019年

8 彭博企業(yè)數(shù)據(jù)業(yè)務全球負責人 Gerard Francis;金融數(shù)據(jù)質(zhì)量決定機器學習時代的投資回報[N];計算機世界;2019年

9 Isaac Sacolick 編譯 Charles;關于機器學習的5個要點[N];計算機世界;2019年

10 記者 張夢然;全新算法助機器學習抵抗干擾[N];科技日報;2019年

相關博士學位論文 前10條

1 梁霄;機器學習在量子物理學中的應用[D];中國科學技術大學;2019年

2 陳明哲;未來蜂窩網(wǎng)絡中基于機器學習的資源管理技術研究[D];北京郵電大學;2019年

3 王磊;基于機器學習的藥物—靶標相互作用預測研究[D];中國礦業(yè)大學;2018年

4 張慶;鈣鈦礦型功能材料的基因組工程研究[D];上海大學;2018年

5 管月;醫(yī)學腫瘤影像分類算法研究及其在肝癌上的應用[D];南京大學;2018年

6 郝小可;基于機器學習的影像遺傳學分析及其應用研究[D];南京航空航天大學;2017年

7 施建明;基于機器學習的產(chǎn)品剩余壽命預測方法研究[D];中國科學院大學(中國科學院遙感與數(shù)字地球研究所);2018年

8 陳再毅;機器學習中的一階優(yōu)化算法收斂性研究[D];中國科學技術大學;2018年

9 陸海進;Zr合金熱動力學研究及機器學習[D];上海大學;2018年

10 戴望州;一階邏輯領域知識與機器學習的結合研究[D];南京大學;2019年

相關碩士學位論文 前10條

1 杜宇梅;政策不確定性與公司長期投資[D];廈門大學;2017年

2 樓麗琪;基于機器學習的光網(wǎng)絡告警智能分析技術研究[D];北京郵電大學;2019年

3 王磊;基于廣告流量的異常檢測系統(tǒng)的研究與實現(xiàn)[D];北京郵電大學;2019年

4 戎宇;基于機器學習的二進制軟件漏洞挖掘技術研究[D];北京郵電大學;2019年

5 黃濤;基于機器學習的新聞分類系統(tǒng)研究與實現(xiàn)[D];北京郵電大學;2019年

6 彭丹蕾;商品評論情感分析系統(tǒng)的設計與實現(xiàn)[D];北京郵電大學;2019年

7 邱啟哲;基于機器學習的安全異常發(fā)現(xiàn)系統(tǒng)的設計與實現(xiàn)[D];北京郵電大學;2019年

8 劉琦凱;基于機器學習的量化投資系統(tǒng)[D];北京郵電大學;2019年

9 胡智超;基于機器學習與啟發(fā)式算法的物流調(diào)度研究[D];北京郵電大學;2019年

10 程翔龍;基于機器學習的威脅情報可信分析系統(tǒng)的研究[D];北京郵電大學;2019年

本文編號：2734595