在蝙蝠生物声纳中对多散点物体的距离-亚齐木斯歧视的生物学研究
Bioinspiration & biomimetics
|January 19, 2024
概括
这项研究引入了一种新的蝙蝠生物声纳模型 (BS-CNN),用于改进对象歧视. 在雷达和声纳应用中,BS-CNN的精度达到93.4%,超过了传统方法.
科学领域:
- 生物启发的计算是生物启发的
- 信号处理 信号处理
- 机器学习是机器学习.
背景情况:
- 蝙蝠生物声纳系统擅长区分复杂的环境.
- 传统的机器学习和CNN在处理多散点对象方面面临限制.
研究的目的:
- 开发一个生物蝙蝠生物声纳模型 (BS-CNN) 以提高距离-阿齐木斯差别.
- 提高蝙蝠生物声纳中的多散点物体的辨别能力.
- 为雷达和声纳目标分类提供一种新的方法.
主要方法:
- 开发了一个宽带干扰仪数学模型来模拟蝙蝠生物声纳信号.
- 利用里叶变换用于信号预处理和特征提取.
- 构建了一个卷积神经网络 (BS-CNN),结合了混合数据增强,联合功能和混合状卷积模块.
主要成果:
- 该BS-CNN模型实现了总体歧视准确率为93.4%.
- BS-CNN的表现超过了传统的CNN网络和机器学习方法至少5.9%.
- 该模型有效地模拟蝙蝠大脑的感知神经,用于距离-阿齐木斯区分.
结论:
- 拟议的BS-CNN生物模型显著提高了蝙蝠生物声纳的区分精度.
- BS-CNN方法为雷达和声纳目标分类提供了宝贵的参考.
- 这项研究证实了生物灵感深度学习在复杂的信号处理任务中的有效性.
