表面和水下声学目标识别仅使用两个基于机器学习的水声机.

科学领域:

• 海洋声学 海洋声学
• 信号处理 信号处理
• 机器学习是机器学习.

背景情况:

• 由于噪音干扰,区分水面和水下声学目标具有挑战性.
• 之前用于被动声纳目标识别的单一液晶电话方法的准确性有限.

研究的目的:

• 开发一种用于水面和水下 (S/U) 声学目标识别的准确方法.
• 为了研究使用两个带有梯度提升决策树的水声机来改善目标识别的有效性.

主要方法:

• 一个渐变增强决策树模型被用于S/U声学目标识别.
• 使用KRAKEN声学模型生成了大量的训练数据集.
• 使用垂直线性阵列特征提取来同化异质模拟和实验数据.

主要成果:

• 拟议的双声系统使用SACLANT 1993数据实现了100%的表面目标准确度和0.9384的水下目标准确度.
• 单个水筒声识别精度明显较低,在地表目标上为0.4715,在水下目标上为0.5620.
• 该模型成功地利用了通道信息以及源频谱信息用于识别.

结论:

• 在S/U声学目标识别方面,双声系统的方法明显优于单个声系统.
• 声学建模,特征提取和机器学习的整合为被动声纳应用提供了强大的解决方案.
• 这种方法为准确的水下声学目标识别提供了有希望的进步.