基于白鱼优化-斜坡透和一维卷积神经网络的海洋状态信号识别研究

科学领域:

• 海洋声学 海洋声学
• 信号处理 信号处理
• 人工智能的人工智能是人工智能.

背景情况:

• 在复杂的海洋环境中识别海洋状态信号 (SSS) 是一个挑战.
• 现有的水下声信号识别方法需要提高准确性和稳定性.

研究的目的:

• 引入一种新的非线性动态分析方法,白优化斜率 (BWO-SlEn),用于SSS识别.
• 提出一种水下声信号识别方法,将BWO-SlEn与一维卷积神经网络 (1D-CNN) 集成在一起.

主要方法:

• 使用BWO-SlEn,粒子群优化斜率 (PSO-SlEn) 和哈里斯优化斜率 (HHO-SlEn) 的特征提取.
• 使用模糊 (FE),样本 (SE),排列 (PE) 和分散 (DE) 的信号特征提取.
• 使用一维卷积神经网络 (1D-CNN) 进行分类.

主要成果:

• 与PSO-SlEn和HHO-SlEn相比,BWO-SlEn在SSS识别方面表现出优越的特征提取性能.
• BWO-SlEn和1D-CNN的组合在经过测试的方法 (FE,SE,PE,DE) 中实现了最高的识别率.
• 与其他六种方法相比,拟议的BWO-SlEn和1D-CNN方法分别显示了至少6%和4.75%的噪声和SSS识别率.

结论:

• 在水下声信号识别中,BWO-SlEn方法是有效的特征提取方法.
• 将BWO-SlEn与1D-CNN集成,为海状态信号识别提供了一个高度有效的方法.
• 这种新的方法在具有挑战性的海洋环境中为SSS识别应用提供了重大进步.