【摘要】：隨著軍事技術(shù)的發(fā)展特別是信息技術(shù)的發(fā)展,對(duì)于水下偵測(cè)技術(shù)手段的要求也越來(lái)越高,而識(shí)別技術(shù)是偵測(cè)手段的關(guān)鍵技術(shù),因此,必須結(jié)合原始水聲信號(hào)的信號(hào)特征來(lái)研究具有效果更好、普適性更強(qiáng)的識(shí)別技術(shù)來(lái)適應(yīng)時(shí)代的發(fā)展。首先研究水聲工程領(lǐng)域常規(guī)脈沖調(diào)制信號(hào)和擴(kuò)頻通信信號(hào),論文總共仿真了8類水聲調(diào)制脈沖信號(hào),采用時(shí)頻分析方法作為非平穩(wěn)信號(hào)分析工具,將一維的時(shí)域信號(hào)變換為時(shí)間和頻域的聯(lián)合分布,論文研究了短時(shí)傅里葉變換、自適應(yīng)最優(yōu)核時(shí)頻分布(AOK)方法,并一同比較了其他經(jīng)典時(shí)頻分析方法的性能。不同信號(hào)的時(shí)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(jìn)行信號(hào)識(shí)別分類。研究了模式識(shí)別基本理論,提取不同信號(hào)的時(shí)頻圖像的有效特征信息。提取了常見(jiàn)水聲脈沖信號(hào)時(shí)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(jiàn)的圖像預(yù)處理手段,當(dāng)對(duì)HOG高維的圖像特征數(shù)據(jù)時(shí),為了解決高維特征帶來(lái)的運(yùn)算難題,研究了PCA降維技術(shù),然后研究了多種傳統(tǒng)的基于統(tǒng)計(jì)理論的機(jī)器學(xué)習(xí)模型,然后訓(xùn)練驗(yàn)證了包括樸素貝葉斯、支持向量機(jī)、隨機(jī)森林、BP神經(jīng)網(wǎng)絡(luò)四種模型,采用交叉驗(yàn)證方法得到了平均識(shí)別正確率。本論文研究使用深度學(xué)習(xí)理論,從原始信號(hào)時(shí)頻圖像樣本集出發(fā),設(shè)計(jì)深度學(xué)習(xí)模型對(duì)信號(hào)的時(shí)頻圖像進(jìn)行自動(dòng)地特征提取,省去了機(jī)器學(xué)習(xí)識(shí)別方法中人工設(shè)計(jì)特征提取的步驟。利用不同類別信號(hào)時(shí)頻分布灰度圖,訓(xùn)練了三大類深度學(xué)習(xí)模型,包括深度神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò),對(duì)比模型的分類識(shí)別結(jié)果。結(jié)合卷積神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力和支持向量機(jī)優(yōu)異的分類性能,利用原始樣本數(shù)據(jù)訓(xùn)練一個(gè)CNN模型作為特征提取器獲得時(shí)頻分布圖的特征數(shù)據(jù),然后利用支持向量機(jī)模型對(duì)該特征數(shù)據(jù)進(jìn)行學(xué)習(xí)。與此同時(shí)研究輸入和網(wǎng)絡(luò)結(jié)構(gòu)更為簡(jiǎn)單的模型,針對(duì)信號(hào)識(shí)別分類課題提出利用信號(hào)的一維頻域序列,然后采用一維卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行信號(hào)分類識(shí)別的方法。仿真和實(shí)測(cè)數(shù)據(jù)表明,基于時(shí)頻分析信號(hào)處理技術(shù)和簡(jiǎn)單頻域序列處理技術(shù),結(jié)合深度學(xué)習(xí)理論的方法對(duì)于多類水聲脈沖信號(hào)的識(shí)別性能高于傳統(tǒng)的模式識(shí)別方法。因此,深度學(xué)習(xí)方法在水聲脈沖信號(hào)分類識(shí)別中具有高效性和可行性。
【學(xué)位授予單位】：哈爾濱工程大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TB56;TP181
【圖文】：

20 世紀(jì) 80 年代 逐漸與應(yīng)用結(jié)合。統(tǒng)計(jì)學(xué)習(xí)理論和符號(hào)學(xué)習(xí)技術(shù)開(kāi)始出現(xiàn)，神經(jīng)網(wǎng)絡(luò) BP 算法推廣。20 世紀(jì) 90 年代 Vapnik 將有限樣本統(tǒng)計(jì)理論推向世界，并提出了支持向量機(jī)（SVM）。弱可學(xué)習(xí)定理暗示了弱分類器的思想，奠定了集成學(xué)習(xí)方法的基礎(chǔ)。Y.LeCun 提出了卷積神經(jīng)網(wǎng)絡(luò)。21 世紀(jì)初 Hinton 提出了深度學(xué)習(xí)（Deep Learning）的概念，深度學(xué)習(xí)受到關(guān)注并快速發(fā)展。2010~至今 循環(huán)神經(jīng)網(wǎng)絡(luò)的提出，人臉識(shí)別成功超過(guò) 99%，Alpha-Go 利用卷積神經(jīng)網(wǎng)絡(luò)戰(zhàn)勝人類最高水平棋手，基于深度強(qiáng)化學(xué)習(xí)的Alpha-Zero 問(wèn)世，強(qiáng)化學(xué)習(xí)應(yīng)用在智能控制領(lǐng)域。本課題主要研究機(jī)器學(xué)習(xí)中監(jiān)督學(xué)習(xí)部分，機(jī)器學(xué)習(xí)理論一定程度上被稱為統(tǒng)計(jì)學(xué)習(xí)理論，使用統(tǒng)計(jì)模型從訓(xùn)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(shí)別分類器，所以模式識(shí)別的關(guān)鍵就是特征數(shù)據(jù)表達(dá)和統(tǒng)計(jì)學(xué)習(xí)算法�；谟�(jì)算機(jī)視覺(jué)和模式識(shí)別理論，以圖片識(shí)別分類為例，傳統(tǒng)模式識(shí)別任務(wù)可以用三部分說(shuō)明，分別是輸入、特征表達(dá)、統(tǒng)計(jì)學(xué)習(xí)算法。如圖 1.1 為識(shí)別手寫數(shù)字的模型。

第 2 章 常用水聲脈沖信號(hào)處理及時(shí)頻分析法實(shí)現(xiàn)簡(jiǎn)單高效且不會(huì)產(chǎn)生交叉項(xiàng)，但是 STFT 需要選擇合適分辨率間之間存在矛盾，信號(hào)時(shí)頻處理過(guò)程中常常有不同時(shí)間傅里葉變換無(wú)法適應(yīng)信號(hào)參數(shù)改變。如果采用高斯脈沖信號(hào)時(shí)頻分辨能力的影響，信號(hào) s (t )表達(dá)式為：2( )( ) - <ts t Ae t 號(hào)幅度， 代表了脈沖信號(hào)的陡峭程度，仿真信號(hào)含有四個(gè)高率的高斯脈沖信號(hào)組合而成的信號(hào)分布在兩個(gè)時(shí)間段內(nèi)，每個(gè) 15kHz 和 35kHz 的信號(hào)，信號(hào)總的持續(xù)時(shí)間為 20ms，信噪比設(shè)量高斯脈沖信號(hào)的時(shí)域波形，和該信號(hào)時(shí)頻分析時(shí)不同時(shí)間長(zhǎng)影響。漢明窗長(zhǎng)分別選 625、175、35。

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李兵;林文釗;羅崢尹;;基于機(jī)器學(xué)習(xí)的智慧農(nóng)業(yè)決策系統(tǒng)設(shè)計(jì)與實(shí)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(jī)器學(xué)習(xí)平臺(tái)與算法綜述[J];計(jì)算機(jī)科學(xué);2019年03期

3 劉傳會(huì);汪小亞;郭增輝;;機(jī)器學(xué)習(xí)在反洗錢領(lǐng)域的應(yīng)用與發(fā)展[J];清華金融評(píng)論;2019年04期

4 朱輝;;機(jī)器學(xué)習(xí)在企業(yè)級(jí)場(chǎng)景中的實(shí)踐與探討[J];中國(guó)建設(shè)信息化;2018年03期

5 彭傳意;;機(jī)器學(xué)習(xí)——我們?cè)撊绾闻c機(jī)器競(jìng)爭(zhēng)[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(jī)器學(xué)習(xí)的能力范圍及其對(duì)勞動(dòng)力的影響[J];世界科學(xué);2018年04期

7 趙長(zhǎng)林;;機(jī)器學(xué)習(xí)即服務(wù)[J];網(wǎng)絡(luò)安全和信息化;2017年10期

8 ;機(jī)器學(xué)習(xí)作用于信息安全的五大頂級(jí)案例[J];網(wǎng)絡(luò)安全和信息化;2018年01期

9 吳承楊;;2018年來(lái)說(shuō)說(shuō)機(jī)器學(xué)習(xí)[J];軟件和集成電路;2018年05期

10 宋雯博;;大數(shù)據(jù)下的機(jī)器學(xué)習(xí)的應(yīng)用趨勢(shì)[J];電腦迷;2018年09期

相關(guān)會(huì)議論文 前10條

1 王玨;;歸納機(jī)器學(xué)習(xí)[A];2001年中國(guó)智能自動(dòng)化會(huì)議論文集（上冊(cè)）[C];2001年

2 王衍魯;張利會(huì);張淑潔;石潔茹;王鵬;;大學(xué)新生學(xué)校適應(yīng)的個(gè)體與環(huán)境因素探究:基于機(jī)器學(xué)習(xí)的考察[A];第二十屆全國(guó)心理學(xué)學(xué)術(shù)會(huì)議--心理學(xué)與國(guó)民心理健康摘要集[C];2017年

3 張長(zhǎng)水;;大數(shù)據(jù)機(jī)器學(xué)習(xí)[A];2015年中國(guó)自動(dòng)化大會(huì)摘要集[C];2015年

4 何琳;侯漢清;;基于標(biāo)引經(jīng)驗(yàn)和機(jī)器學(xué)習(xí)相結(jié)合的多層自動(dòng)分類[A];2005年中國(guó)索引學(xué)會(huì)年會(huì)暨學(xué)術(shù)研討會(huì)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(jī)器學(xué)習(xí)法相結(jié)合的蛋白質(zhì)名識(shí)別[A];大連理工大學(xué)生物醫(yī)學(xué)工程學(xué)術(shù)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(jī)器學(xué)習(xí)在中醫(yī)計(jì)算機(jī)診斷識(shí)別系統(tǒng)中的應(yīng)用思考[A];第一屆全國(guó)中西醫(yī)結(jié)合診斷學(xué)術(shù)會(huì)議論文選集[C];2006年

7 吳滄浦;;智能系統(tǒng)與機(jī)器學(xué)習(xí)的新領(lǐng)域[A];西部大開(kāi)發(fā) 科教先行與可持續(xù)發(fā)展——中國(guó)科協(xié)2000年學(xué)術(shù)年會(huì)文集[C];2000年

8 蔡健平;林世平;;基于機(jī)器學(xué)習(xí)的詞語(yǔ)和句子極性分析[A];第三屆全國(guó)信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議論文集[C];2007年

9 吳娜;刁聯(lián)旺;;基于機(jī)器學(xué)習(xí)的博弈對(duì)抗模型優(yōu)化框架軟件系統(tǒng)設(shè)計(jì)[A];第六屆中國(guó)指揮控制大會(huì)論文集（上冊(cè)）[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(yīng)統(tǒng)計(jì)特征和機(jī)器學(xué)習(xí)的橋梁損傷識(shí)別方法研究[A];2018年全國(guó)固體力學(xué)學(xué)術(shù)會(huì)議摘要集（下）[C];2018年

相關(guān)重要報(bào)紙文章 前10條

1 趙熙熙;機(jī)器學(xué)習(xí)有望找到致命病毒宿主[N];中國(guó)科學(xué)報(bào);2018年

2 CIO.com資深作家 Clint Boulton 編譯 Charles;領(lǐng)先一步:機(jī)器學(xué)習(xí)的10個(gè)成功案例[N];計(jì)算機(jī)世界;2018年

3 Bob Violino 編譯 Charles;盲目冒進(jìn):機(jī)器學(xué)習(xí)的5個(gè)失敗案例[N];計(jì)算機(jī)世界;2018年

4 本報(bào)駐波士頓記者 侯麗;深入挖掘機(jī)器學(xué)習(xí)潛力[N];中國(guó)社會(huì)科學(xué)報(bào);2019年

5 王方 編譯;菌自何方 機(jī)器學(xué)習(xí)早知道[N];中國(guó)科學(xué)報(bào);2019年

6 Matt Asay 編譯 Monkey King;為什么機(jī)器學(xué)習(xí)沒(méi)有捷徑可循？[N];計(jì)算機(jī)世界;2019年

7 本報(bào)記者 操秀英;當(dāng)量子計(jì)算遇到機(jī)器學(xué)習(xí)會(huì)碰撞出什么火花？[N];科技日?qǐng)?bào);2019年

8 彭博企業(yè)數(shù)據(jù)業(yè)務(wù)全球負(fù)責(zé)人 Gerard Francis;金融數(shù)據(jù)質(zhì)量決定機(jī)器學(xué)習(xí)時(shí)代的投資回報(bào)[N];計(jì)算機(jī)世界;2019年

9 Isaac Sacolick 編譯 Charles;關(guān)于機(jī)器學(xué)習(xí)的5個(gè)要點(diǎn)[N];計(jì)算機(jī)世界;2019年

10 記者 張夢(mèng)然;全新算法助機(jī)器學(xué)習(xí)抵抗干擾[N];科技日?qǐng)?bào);2019年

相關(guān)博士學(xué)位論文 前10條

1 梁霄;機(jī)器學(xué)習(xí)在量子物理學(xué)中的應(yīng)用[D];中國(guó)科學(xué)技術(shù)大學(xué);2019年

2 陳明哲;未來(lái)蜂窩網(wǎng)絡(luò)中基于機(jī)器學(xué)習(xí)的資源管理技術(shù)研究[D];北京郵電大學(xué);2019年

3 王磊;基于機(jī)器學(xué)習(xí)的藥物—靶標(biāo)相互作用預(yù)測(cè)研究[D];中國(guó)礦業(yè)大學(xué);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(xué);2018年

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

6 郝小可;基于機(jī)器學(xué)習(xí)的影像遺傳學(xué)分析及其應(yīng)用研究[D];南京航空航天大學(xué);2017年

7 施建明;基于機(jī)器學(xué)習(xí)的產(chǎn)品剩余壽命預(yù)測(cè)方法研究[D];中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院遙感與數(shù)字地球研究所);2018年

8 陳再毅;機(jī)器學(xué)習(xí)中的一階優(yōu)化算法收斂性研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2018年

9 陸海進(jìn);Zr合金熱動(dòng)力學(xué)研究及機(jī)器學(xué)習(xí)[D];上海大學(xué);2018年

10 戴望州;一階邏輯領(lǐng)域知識(shí)與機(jī)器學(xué)習(xí)的結(jié)合研究[D];南京大學(xué);2019年

相關(guān)碩士學(xué)位論文 前10條

1 杜宇梅;政策不確定性與公司長(zhǎng)期投資[D];廈門大學(xué);2017年

2 樓麗琪;基于機(jī)器學(xué)習(xí)的光網(wǎng)絡(luò)告警智能分析技術(shù)研究[D];北京郵電大學(xué);2019年

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

4 戎宇;基于機(jī)器學(xué)習(xí)的二進(jìn)制軟件漏洞挖掘技術(shù)研究[D];北京郵電大學(xué);2019年

5 黃濤;基于機(jī)器學(xué)習(xí)的新聞分類系統(tǒng)研究與實(shí)現(xiàn)[D];北京郵電大學(xué);2019年

6 彭丹蕾;商品評(píng)論情感分析系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];北京郵電大學(xué);2019年

7 邱啟哲;基于機(jī)器學(xué)習(xí)的安全異常發(fā)現(xiàn)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];北京郵電大學(xué);2019年

8 劉琦凱;基于機(jī)器學(xué)習(xí)的量化投資系統(tǒng)[D];北京郵電大學(xué);2019年

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

10 程翔龍;基于機(jī)器學(xué)習(xí)的威脅情報(bào)可信分析系統(tǒng)的研究[D];北京郵電大學(xué);2019年

本文編號(hào)：2734595