-
题名改进NMF优化的水声目标信号增强算法
被引量：3
- 1
-
-
作者
刘贤忠
吴明辉
郑晓庆
李大卫
-
机构
海军航空大学航空作战勤务学院
杭州声学应用研究所
-
出处
《电光与控制》
CSCD
北大核心
2021年第9期6-9,53,共5页
-
基金
国家自然科学基金(61271444)。
-
文摘
水声目标的特征相似和海洋环境噪声的多变,使得非负矩阵分解(NMF)算法的信号增强效果不佳。为此,提出基于改进NMF的增强算法,该算法一方面使用实际海洋环境噪声实时更新背景噪声基矩阵,以增强基向量的匹配性,另一方面对特征基矩阵进行相似检测去冗余,以消除系数分散造成的基向量丢失,最后构建增强滤波器实现目标信号的重构增强。实验结果表明,相比于正则化NMF算法、改进正交匹配追踪方法,所提算法取得最优的信号增强效果,并通过实测数据轴频提取实验结果进一步验证了所提算法的有效性。
-
关键词
水下目标识别
辐射噪声
信号增强
改进非负矩阵分解
余弦相似性
实时噪声基矩阵更新
-
Keywords
underwater target recognition
radiation noise
signal enhancement
improved nonnegative matrix factorization
cosine similarity
real-time noise basis matrix update
-
分类号
TN911.7
[电子电信—通信与信息系统]
-
-
题名核极限学习机的在线状态预测方法综述
被引量：1
- 2
-
-
作者
戴金玲
吴明辉
刘星
李睿峰
-
机构
海军航空大学
杭州声学应用研究所
中国人民解放军
-
出处
《兵器装备工程学报》
CSCD
北大核心
2021年第6期12-19,共8页
-
基金
军队预研基金项目资助项目(3020202090302)。
-
文摘
对非平稳混沌时间序列进行在线预测是当前科学和工程领域中的一个重要研究方向,核极限学习机(kernel extreme learning machine,KELM)为其提供了一种有效的数学模型。由于学习速度快、泛化性能好,在线贯序核极限学习机(online sequential KELM,OSKELM)在状态预测中得到了广泛的研究与扩展。首先,描述了问题并介绍了OSKELM的数学模型;然后,以混沌时间序列为应用背景,对基于OSKELM的各种改进方法进行了分类综述,包括基于数据增量的OSKELM、基于稀疏字典的OSKELM、基于参数寻优和遗忘因子的OSKELM以及其他方法,并对算法性能进行比较和分析;最后总结并讨论了该方法的未来研究方向。
-
关键词
核极限学习机
状态预测
遗忘因子
时变正则化因子
稀疏字典
-
Keywords
kernel extreme learning machine
state prediction
forgetting factor
time-varying regularization factor
sparse dictionary
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
