共被期刊论文引用了2次
您的检索式：您选中1篇文献正在查看引证文献汇总
|
|
|
题名
|
作者
|
年代
|
出处
|
被引量
|
| 1 | 基于深度学习的深海会聚区目标分类方法显示文摘由于声在海洋中传播会向声道轴偏转,往往使主动声呐难以区分水面目标、水下目标和海底杂波。传统的匹配场类方法对海洋环境参数较为敏感,常因环境的失配而定深失败。为此,文章通过改进深度学习领域中经典的50层残差神经网络(ResNet-50),使其能从一维回波频谱中挖掘目标的深度信息,从而实现在不确定海洋环境中对会聚区目标进行深度分类。仿真结果表明,在不确定参数的随机声场中,改进的ResNet-50分类准确率比传统的匹配场处理提高17%以上。 | 李思聪 李然威 | 2023 | 声学与电子工程2023，，1： | 0 |
| 2 | 利用深层卷积网络自适应增强学习的水声目标线谱提取方法显示文摘提出了一种使用自适应增强学习的深层卷积神经网络方法对水声目标线谱进行提取。该方法利用构造的多尺度ConvNeXt算子建立滑动窗深层卷积神经网络模型(SwDCNN),设计涵盖损失函数、学习率更新和模型迭代优化的自适应增强学习准则并用于模型训练。仿真和海试数据验证结果表明,所提方法有以下优点:(1)卷积算子和模型结构参数按线谱提取需求配置,可以增强LOFAR谱图特征高性能多分辨力挖掘能力;(2)大规模数据下的模型训练可实现渐进式精确拟合,有助于提升模型收敛效果;(3)模型可有效提取低信噪比、中断、弯曲漂移、粗细不均、邻近成簇、密集分布等复杂情况下的线谱,在查全率、查准率、虚警率、线谱位置精度(LLA)和线谱幅值精度(LAA)等指标上均优于文中其他深度神经网络方法;(4)和传统及其他文中所用的深度神经网络方法相比,线谱最小可检测信噪比分别降低超过5 dB和2 dB,实际复杂场景线谱提取能力更强,综合效果更好。 | 杜栓平 陈越超 罗兆瑞 | 2023 | 声学学报2023，48，4： | 0 |
您所在的机构暂未开通此部分的功能，请联系管理员