水下目标分类基于海豚点击列车和卷积神经网络的组合

科学领域:

• 海洋生物声学 海洋生物声学
• 在水下声学中的人工智能.

背景情况:

• 声纳技术对于水下目标检测和区分至关重要.
• 解释回声信号是声纳性能的关键.

研究的目的:

• 调查宽带海豚点击对于水下目标检测和分类的有效性.
• 评估点击列车长度对分类准确性的影响.
• 将卷积神经网络 (CNN) 与传统的回声分类方法进行比较.

主要方法:

• 从海豚点击的回声谱中编码的峰值和隙特征.
• 使用点击列车获得的回声,点击次数各不相同 (从1到50).
• 使用CNN的机密目标解释.

主要成果:

• 增加火车内点击次数 (最多50次) 逐步提高了目标分类率.
• 一个50点击列车实现了95.2%的平均分类精度,优于其他点击列车.
• 在各种信号与噪声比率上,CNN的准确性比最近邻近方法高10.3%.

结论:

• 海豚点击与基于CNN的回声编码相结合,提供了一种有效的方法来增强水下目标分类.
• 这种方法为未来的水下目标检测系统提供了宝贵的见解.