一种基于深度学习的水下声信号目标分类识别方法.pdf
努力****妙风
亲,该文档总共22页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
一种基于深度学习的水下声信号目标分类识别方法.pdf
本发明属于水下声信号处理技术领域,具体涉及一种基于深度学习的水下声信号目标分类识别方法。本发明包括以下步骤:(1)原始水下声信号通过Gammatone滤波倒谱系数GFCC算法进行特征提取;(2)提出利用改进经验模态分解MEMD算法提取瞬时能量以及瞬时频率,并与GFCC算法提取的特征值进行融合,构建特征矩阵;(3)建立高斯混合模型GMM,保留水下声信号目标的个性特征;(4)利用深度神经网络DNN完成水下目标分类识别。本发明可以解决传统水下声信号目标分类识别方法特征提取单一,抗噪能力差的问题,并且能有效的提高
一种基于集成深度学习的信号识别方法.pdf
本发明公开了一种基于集成深度学习的信号识别方法,包括以下步骤:根据具体的信号识别任务确定适合的特征图像集,将采集的信号数据转化为信号特征图像;将信号特征图像进行类别标注,得到包含标注信息的训练集,并利用数据增强技术扩充训练集;构建基于深度神经网络的信号识别模型;将训练集输入深度神经网络对信号识别模型进行训练;基于集成学习算法提升信号识别模型性能;利用训练后的模型对信号进行识别。本发明在深度学习的基础上加入了集成学习算法,二者使得模型的信号识别能力得到进一步提升,且在集成学习过程中,用户可根据需求选择不同类
一种基于双频回波信号特征的水下目标识别方法及系统.pdf
本发明公开了一种基于双频回波信号特征的水下目标识别方法及系统。所述方法包括:对获取的不同频段的水声目标回波信号数据样本,提取每一个样本的时频特征;将相同目标回波的两个频段的时频特征图分别放入两个通道进行组合,形成双频回波信号的时频特征图;以每一个样本的时频特征作为样本数据,相同目标的水声回波数据样本标注相同的标签,不同目标的水声回波数据样本标注不同标签,形成训练集;以训练集作为卷积神经网络的输入,进行训练,得到基于卷积神经网络的识别模型;利用训练好的识别模型,对经过特征提取的水声回波数据进行目标识别。本发
一种基于深度学习的制动噪声分类识别方法.pdf
本发明涉及一种基于深度学习的制动噪声分类识别方法,该方法包括以下步骤:1)通过声音采集装置获取原始声音信号并进行分类标注;2)对标注后的原始声音信号提取相应的时频特征图;3)构建深度学习分类模型并进行训练;4)将待识别声音信号的时频特征图输入已训练好的深度学习分类模型中得到识别结果。与现有技术相比,本发明利用深度学习的方法对制动噪声进行分类识别,用于制动噪声试验数据处理,能够代替人耳识别制动噪声的类型,节省大量的人力和时间成本,缩短开发周期和资金投入,且识别的准确性和稳定性更高。
基于深度迁移学习的雷达有源干扰信号识别方法.pdf
一种基于深度迁移学习的雷达有源干扰信号识别方法,其步骤包括:1、生成雷达有源干扰信号数据集,2、构建雷达有源干扰信号时频图像训练集、验证集和测试集,3、搭建深度迁移学习网络,4、对深度迁移学习网络进行第一次训练,5、对第一次训练后的深度迁移学习网络进行第二次训练,6、利用深度迁移学习网络预测测试集。本发明能够在雷达有源干扰信号样本数量不充足、不易获取雷达有源干扰信号的条件下实现雷达有源干扰信号的准确分类,加快网络训练时的收敛速度,提高雷达有源干扰信号识别的效率,有利于及时选取有效的抗干扰措施,提升雷达的生