-
题名具身认知声呐探测技术研究
- 1
-
-
作者
潘悦
吴玺宏
王强
曹怀刚
曲天书
-
机构
杭州应用声学研究所体系论证研究中心
北京大学智能学院
-
出处
《声学技术》
北大核心
2025年第1期1-12,共12页
-
文摘
文章针对智能声呐探测中面临的水声数据有效样本稀疏和探测结果可解释性差等基础性问题,揭示了壳体声呐能够利用“身体”增强感知的机理,给出了闭环自学习的水声智能探测通用范式,为声呐设计提供新原理、新方法支撑。相较于传统声呐,文章所提出的具身认知声呐探测技术具有增强感知和自学习能力。通过实际试验数据验证,以物理模型为驱动构建的具身认知模型在检测、测向和定位等任务中均体现出显著优势。新方法对水声数据量的需求小且能够显著提高目标探测能力,为解决当前人工智能方法在声呐应用中遇到的问题奠定了基础,可广泛应用于壳体声呐。
-
关键词
壳体声呐
具身认知
目标探测
阵列信号处理
-
Keywords
hull-mounted sonar
embodied cognition
target detection
array signal processing
-
分类号
TB566
[交通运输工程—水声工程]
-
-
题名水下弱目标跟踪的深度学习方法研究
被引量：3
- 2
-
-
作者
杨家铭
潘悦
王强
曹怀刚
高荪培
-
机构
杭州应用声学研究所体系论证研究中心
北京大学智能学院
-
出处
《兵工学报》
EI
CAS
CSCD
北大核心
2024年第2期385-394,共10页
-
基金
浙江省“万人计划”科技创新领军人才项目(2019R52044)。
-
文摘
针对水下弱目标跟踪受干扰和噪声影响容易出现量测丢失或偏差,导致传统Kalman滤波方法跟踪误差显著增加甚至出现发散的问题,为此提出一种基于神经网络的目标跟踪方法,利用深度神经网络解决不同运动模式下目标方位跟踪的问题。水下目标跟踪的神经网路模型可通过运动模型生成大量量测数据进行充分训练,有效解决水声目标数据少、标记样本不足的问题;在量测不连续条件下,提出一种新的损失函数用于增强目标跟踪模型的稳健性;对未学习的仿真数据及实测海试数据进行测试。研究结果表明:构建的卷积神经网络(Convolutional Neural Network,CNN)模型适用于3种不同运动模式下的目标,能在平台静止和运动两种情况下稳定跟踪目标;CNN模型较传统Kalman滤波方法跟踪误差分别降低了7.75°和1.41°,验证了该模型的稳健性和可推广性。
-
关键词
水下目标跟踪
深度学习
弱目标跟踪
纯方位跟踪
-
Keywords
underwater target tracking
deep learning
weak target tracking
bearings-only tracking
-
分类号
TB566
[交通运输工程—水声工程]
-
