针对主动声呐在水下环境对目标方位估计受低信噪比影响的问题,提出了一种基于分数阶傅里叶变换(Fractional Fourier Transform,FrFT)改进迭代自适应法的波达方向(Direction of Arrival,DOA)估计多波束声呐成像方法。首先对水听器收到的...针对主动声呐在水下环境对目标方位估计受低信噪比影响的问题,提出了一种基于分数阶傅里叶变换(Fractional Fourier Transform,FrFT)改进迭代自适应法的波达方向(Direction of Arrival,DOA)估计多波束声呐成像方法。首先对水听器收到的回波信号进行FrFT,通过FrFT预处理将宽带线性调频(Linear Frequency Modulation,LFM)信号变换为分数域的窄带信号,避免了交叉干扰项的影响;然后在FrFT域对LFM信号进行聚焦并对噪声进行抑制;最后在FrFT域内实现迭代自适应法,同时优化了功率谱估计方法以精确进行DOA估计。所提方法在低信噪比且不增加传感器阵元的情况下,相较于传统的DOA估计方法具有更好的估计精度与更小的均方根误差,可以显著提高成像效果。仿真结果表明,距离向的峰值旁瓣比可达到-13.364 dB,积分旁瓣比可达到-9.723 dB,方位向的峰值旁瓣比可达到-13.874 dB,积分旁瓣比可达到-10.034 dB。展开更多
针对传统目标识别网络中特征局部通道信息未被充分利用的问题,本文提出了一种特征通道分组注意力机制,与残差卷积神经网络组成有效的特征提取网络。首先,对特征沿通道维度分割形成多个子特征,在子特征中关注通道的重要性并赋予权重,进...针对传统目标识别网络中特征局部通道信息未被充分利用的问题,本文提出了一种特征通道分组注意力机制,与残差卷积神经网络组成有效的特征提取网络。首先,对特征沿通道维度分割形成多个子特征,在子特征中关注通道的重要性并赋予权重,进行通道重排得到信息的子特征分组并重复加权过程,在特征整体通道上进行信息交流。随后,取子特征的平均池化特征图作为代表,进行子特征之间的信息交流,实现特征整体与局部通道信息的增强与结合。最后,为进一步提高网络的识别性能,本文以水声目标辐射噪声的低频分析与记录谱(Low Frequency Analysis And Recording,LOFAR)和Mel谱两种特征作为网络模型的输入,构建了加入自编码器实现不同特征间信息交流的特征融合网络,将输入的两种信号时频特征进行深度融合,提高特征对信号携带信息的表征能力。基于ShipsEar数据集的实验验证表明,本文所提出的改进注意力机制,相较于常用的通道注意力机制在识别准确率上提高了1.38%以上。融合两种特征进行识别相较于单独应用LOFAR和Mel谱在识别准确率上分别提高了6.17%和1.2%。展开更多
文摘针对传统目标识别网络中特征局部通道信息未被充分利用的问题,本文提出了一种特征通道分组注意力机制,与残差卷积神经网络组成有效的特征提取网络。首先,对特征沿通道维度分割形成多个子特征,在子特征中关注通道的重要性并赋予权重,进行通道重排得到信息的子特征分组并重复加权过程,在特征整体通道上进行信息交流。随后,取子特征的平均池化特征图作为代表,进行子特征之间的信息交流,实现特征整体与局部通道信息的增强与结合。最后,为进一步提高网络的识别性能,本文以水声目标辐射噪声的低频分析与记录谱(Low Frequency Analysis And Recording,LOFAR)和Mel谱两种特征作为网络模型的输入,构建了加入自编码器实现不同特征间信息交流的特征融合网络,将输入的两种信号时频特征进行深度融合,提高特征对信号携带信息的表征能力。基于ShipsEar数据集的实验验证表明,本文所提出的改进注意力机制,相较于常用的通道注意力机制在识别准确率上提高了1.38%以上。融合两种特征进行识别相较于单独应用LOFAR和Mel谱在识别准确率上分别提高了6.17%和1.2%。
