基于HHT和ELM的水下目標識別技術研究.pdf_第1頁
已閱讀1頁,還剩82頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、水下目標的分類識別技術一直以來都是水聲信號分析領域所研究的熱點問題。該問題的研究無論從民用方面還是從軍用方面都有著很重要的價值。模式識別技術包含了水下目標識別技術,它的研究主要包括特征提取技術與分類器的設計這兩個部分。特征提取的主要任務是如何能夠從信號中提取并選擇可以代表本類別與異類差別的有效特征;分類器的設計主要是對各種分類識別算法的研究,通過使用特征提取過程中獲得的特征向量對其進行訓練,之后使用分類器對整個分類識別問題做以判別決策。

2、
  本文的研究對象主要是艦船的輻射噪聲信號,研究的主要問題是特征提取與分類器的設計。在特征提取方面,本文主要對希爾伯特-黃變換的相關理論及其在艦船噪聲信號的特征提取中做了深入研究;在分類器的設計方面,主要對最近幾年才被提出的超限學習機算法進行了深入研究并基于壓縮感知的有關理論對其網絡結構進行了優(yōu)化。本文的主要研究內容如下:
  1.論文首先介紹了水下目標識別問題的有關基礎理論,并對水下目標分類識別系統(tǒng)的組成及各部分的作用作

3、了介紹。重點講解了各類特征提取算法及其優(yōu)劣性,以及現有的分類識別算法的識別性能。
  2.基于希爾伯特-黃變換(HHT)在處理非線性、非平穩(wěn)信號的出色能力,將其應用到水下目標識別領域。同時,對希爾伯特-黃變換的主要思想和算法實現進行了重點研究。通過比較采用了更加利于水聲信號特征提取的實現算法,提取了信號的瞬時頻率特征和邊際譜特征。
  3.介紹了超限學習機的主要思想和理論,對超限學習機的算法進行了重點研究。由于超限學習機極快

4、的訓練速度可能會造成網絡結構的龐大,為了解決該問題采用壓縮感知技術對其進行優(yōu)化,在不降低分類識別正確率的前提下簡化網絡結構。
  4.對壓縮感知的理論思想和相關的實現算法進行了重點介紹,并使用其對超限學習神經網絡的隱層輸入權值、隱層節(jié)點數進行優(yōu)化。設計實驗驗證壓縮感知算法對網絡結構的優(yōu)化程度并使用優(yōu)化后的網絡進行船舶噪聲信號的分類識別實驗,獲得較好分類效果。
  本文以船舶的噪聲信號為對象,以提升基于被動聲吶的目標識別性能為

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論