导读:本文包含了被动识别论文开题报告文献综述及选题提纲参考文献，主要关键词:深度学习,目标识别,被动声纳信号处理
被动识别论文文献综述
徐及,黄兆琼,李琛,颜永红[1]（2019）在《深度学习在水下目标被动识别中的应用进展》一文中研究指出近年来,随着深度学习方法在理论上取得一系列突破性进展,其展现出相对于传统机器学习方法的明显优势。在实际应用方面,深度学习借助其出色的特征学习能力,首先在语音和图像领域取得巨大成功,并迅速引起其他领域研究者们的重点关注。本文对现阶段深度学习在水下目标被动识别领域中的国内外研究进展和应用情况进行梳理总结,包括水下目标被动识别中常用的深度神经网络结构、深度学习对特征提取环节产生的影响以及数据匮乏条件下的建模方法。针对实际应用场景所面临的挑战,本文对未来一些可能的研究方向进行了展望,供广大研究人员参考借鉴。(本文来源于《信号处理》期刊2019年09期）
黄汉英,杨咏文,李路,赵思明,熊善柏[2]（2019）在《基于被动水声信号的淡水鱼混合比例识别》一文中研究指出针对淡水鱼混合比例识别问题,以鳊鱼和鲫鱼为研究对象,通过水听器采集不同混合比例下的淡水鱼被动水声信号,利用butter函数进行信号预处理,分别提取短时平均能量、短时平均过零率、4层小波包分解频段能量、平均Mel频率倒谱系数、基于功率谱的主峰频率和主峰值等特征,构建特征向量,建立了基于主成分分析的支持向量机混合比例识别模型。分析了不同混合比例的淡水鱼水声信号之间的显着性差异,研究了主成分个数对模型识别率的影响。结果表明,平均Mel频率倒谱系数对淡水鱼混合比例识别效果最优,主成分个数为19时,平均识别正确率为96. 43%,Kappa系数为0. 96。(本文来源于《农业机械学报》期刊2019年10期）
杨宏晖,徐光辉,李俊豪,申升,姚晓辉[3]（2019）在《被动水下目标识别研究进展综述》一文中研究指出由于海洋环境的复杂性和舰船声隐身技术的发展,被动水下目标识别面临巨大的挑战,是各国水声信号处理领域研究的焦点。首先在介绍基于机器学习的水下目标识别(UATR)技术的基础上,重点分析与总结了水下目标特征提取(时域波形结构特征提取、频域谱特征提取、时频分析特征提取、听觉感知特征提取)、特征选择、分类器设计等方面的研究现状,然后阐述了在人工智能快速发展背景下的UATR技术发展的现状,最后,论述了UATR智能化发展中依然存在的问题及未来发展趋势。综述表明,在水下目标识别领域,基于舰船辐射噪声的水下目标识别依然面临着诸多困难和挑战,构建智能水下目标识别系统,还需要更多的思考和实践。(本文来源于《无人系统技术》期刊2019年04期）
程玉胜,邱家兴,刘振,李海涛[4]（2019）在《水声被动目标识别技术挑战与展望》一文中研究指出低频水声探测和船舶减振降噪技术发展,使得传统水声目标识别技术性能逐渐下降。该文分析了声呐工作带宽、探测频率、船舶减振降噪给识别技术带来的挑战。针对低频声呐广泛使用的低频线谱识别,研究了低频线谱的识别能力问题;针对智能识别技术发展,研究了深度学习技术在船舶辐射噪声识别中的应用问题,并给出了数据试验结果,文章最后指出了水声被动目标识别技术亟需开展的研究内容和方向。(本文来源于《应用声学》期刊2019年04期）
张啸[5]（2019）在《基于被动感知的情绪识别机制研究》一文中研究指出随着科学技术的进步和社会的飞速发展,情绪识别的研究越来越受到研究人员的关注。情绪来源于某种心理或生理过程,该过程是由某个与人的心理状态或特征相关的事件或对象所激发的。所以,情绪与人的心理健康状态息息相关。情绪识别的研究可以帮助人们管理情绪,发现潜在的心理问题并提前预防。同时随着人工智能时代的到来,情绪识别是智能机器人与人类交互中的一项关键技术。若机器人可以理解或识别人类情绪并做出适当的反应则可以更智能更人性化。情绪识别通常有主动感知和被动感知两种方式。基于主动感知的情绪识别需要依赖于昂贵的专用设备或者专门部署,代价较为昂贵;同时需要参与者的积极参与,时间成本高同时所获取的样本数据量是极其有限的。被动感知以其低成本、大规模、非侵入性等优点获得了研究人员的青睐。所以,我们采用了基于被动感知的情绪识别方式。本文将围绕基于被动感知的情绪识别机制展开研究,以两种常用的被动感知方式:在线社交网络感知和智能手机感知为脉络,通过对感知数据的处理以及机器学习模型的构建,深入探讨了基于被动感知的情绪识别的可行性,并进一步发掘了在不同被动感知方式下的情绪识别的应用场景。在基于在线社交网络被动感知的情绪识别方面,由于大多数现有工作都只考虑单一情绪检测问题而忽略了多种情绪的共存。所以,我们提出了在线社交网络中的多重情绪检测问题并将其形式化为了多标签学习的问题。同时提出一个幸福度研究的框架来量化幸福度及影响力并挖掘出高影响力的用户。在基于智能手机被动感知的情绪识别方面,尝试使用智能手机感知数据进行复合情绪检测,复合情绪指的是用户在一段时间内呈现得具有多个维度多个等级的情绪向量。同时我们还创新性地提出了智能手机传感环境中的情绪稳态检测问题并尝试提出了一个多视图分类模型解决该问题。本文的主要内容和贡献如下:首先,针对在线社交网络中用户的情绪识别问题,提出了一种基于多标签学习的用户情绪识别模型。通过对标注的Twitter数据集进行分析,发现了标签相关性、时序相关性和社交相关性,其分别指的是同个用户在相同时段不同情绪标签是相互关联的、同个用户同个情绪标签在时序上是相互关联的、不同用户在相同时段的同个情绪标签是相互关联的。为将情绪标签相关性,社交相关性和时序相关性融合到情绪识别模型中,设计了一个基于因子图的多标签学习算法解决在线社交网络中多重情绪识别问题。性能评估表明,所提出的因子图模型优于其它基准算法。其次,针对在线社交网络中用户幸福度量化及好友之间幸福度影响力的问题,提出了一个幸福度研究的统一框架。根据在线社交网络中用户的日常发布文本对其幸福度进行了定量分析,并利用个性化多元线性回归模型量化了在线社交网络中用户与其好友之间幸福度的影响力。由于每个人的影响力是不同的,我们提出了一个具有多项式时间的贪心算法来检测一组高影响力的情绪代表,检测到的情绪代表的幸福度分数可以作为特征来预测整个在线社交网络中其他用户的幸福度分数。再次,针对智能手机感知环境中的情绪识别问题,开发实现了 MoodEx-plorer系统并提出一个基于多标签学习的复合情绪识别模型。首先利用运行在安卓平台的APP从30名学生志愿者智能手机中收集数据。基于数据分析,发现用户的复合情绪与其智能手机使用模式和感知数据高度相关。我们设计了一个特征提取和特征选择算法来找到最显着的特征,并进一步采用因子图模型来处理特征与情绪标签之间的相关性以及情绪标签相互之间的相关性。大量实验表明,MoodExplorer可以识别用户的复合情绪平均可达到76.0%的精确匹配率。最后,针对智能手机感知环境中的情绪稳态检测的问题,提出了一个机器学习模型框架以实现基于被动感知的自动情绪稳态检测。首先从68名志愿者的智能手机中收集到了情绪数据和感知数据。然后我们时间序列化情绪数据对情绪稳态进行了量化。基于感知数据,我们引入了时序敏感的特征提取方法,构建了一个两层的长短期记忆(LSTM)网络提取特征以获取复杂的时序依赖性。最后,提出了一种基于注意力机制的多视图学习分类模型,以结合来自不同传感器的跨域知识来优化学习性能。大量实验表明,与所选基准分类器相比,所提出的多视图学习模型性能最优。(本文来源于《南京大学》期刊2019-05-25）
葛奇鑫[6]（2019）在《基于逆时成像的被动源定位与识别方法研究》一文中研究指出被动源勘探方法省去了人工激发震源的步骤,相比主动源勘探方法,其成本更低、对复杂地形的适应性更好。根据震源能量在时间轴上的分布情况,被动源通常可以分为微震(瞬态源)和噪声源。前者能量集中在某一时刻,而后者的能量则在一段时间范围内均匀分布。被动源勘探在地下介质的各方面情况的监测中具有广泛应用,其中震源的空间坐标和激发时间是最值得关注的信息。被动源定位所用到的数据为到时(走时)或者记录(波场),所用到的方法为逆时成像或者反演。走时反演的效率最高,目前应用也最广泛,但该方法要求识别微震事件并拾取记录中的到时信息,这通常不易做到,且在噪声源定位中无法使用;由于使用反演拟合,因此有陷入局部极小的风险;另一方面,由于震源数量未知,反演过程中,震源数量属于超参数,无法通过反演求得,因此并不适用于多震源同时定位。基于波场的逆时成像方法无需进行到时拾取,对于微震和噪声源都有效;得到成像结果能够对模型空间进行整体把握,但成像结果中的假象会对震源位置的识别造成干扰。基于波场的反演与走时反演所使用的算法相类似,但需要预先获得子波信息,这通常很难办到;另外,该方法也有不适用于多震源同时定位的缺点。本文提出了叁类方法和策略,来优化和改善不同的被动源定位方法的若干环节。第一类针对微震定位中的基于波场的逆时成像的假象问题,将震源识别的判断标准由空间域(模型域)扩展到了空间-时间域,根据微震信号能量聚焦的特点建立了识别的条件,能够有效地压制成像结果中的假象。第二类针对噪声源定位中的基于波场的逆时成像的假象问题,根据波场传播的特征,对于某一成像点,使用了周围若干点的波场值来进行成像,该结果与常规结果的假象分布有所不同,两者结合能够有效压制成像结果中的假象。第叁类针对走时反演的局部极小和震源数量问题,将逆时成像和走时进行了结合,即利用走时信息进行成像,实现了高效率和对模型整体把握的结合,杜绝了局部极小问题。本文提出的主要方法及取得的主要成果可以概括如下:(1)对于基于波场的逆时成像方法,研究了微震事件的波场在正反传过程中的特点,以及成像结果中假象产生的原因。使用图像处理方法对成像结果中代表震源的成像值进行突出,均衡了强弱震源之间成像值的差距。提出将时间轴纳入到震源识别与判断的标准中来,建立了量化时间序列的能量集中程度的流程与公式。结合阈值,构造了筛选模型用于压制成像结果中的假象。由于公式涉及整个时间序列,因此,若考虑节约时间,可以将整个反传过程的波场快照全波保存,再进行统一处理;本文则考虑节约空间,将适用于数据体的处理方法转换成适用于数据流的处理方法,此时无需存储全体波场快照,但计算时间有所增加。(2)基于波场的逆时成像方法对噪声源仍然有效,但假象问题相比微震更为严重。噪声源记录无法进行到时拾取,也无法利用震源波场能量在时间轴上的分布来判断震源的存在。对此,研究了逆时成像的理论依据,即逆时不变性以及地震干涉,讨论了波场反传过程中干涉发生的情况,并据此提出了利用成像点周围点的反传波场时间序列进行成像的方法。该方法与震源性质无关,因此同样适用于微震定位。相比于常规方法,该方法会遭受更严重的假象问题,但假象分布范围有所不同,二者通过结合可以压制成像结果中的假象。在选取成像点周围点的过程中需要计算成像点周围的走时场,为减少此步骤的耗时,仅对常规成像结果中的极值点进行二次成像值计算。对不同步骤的成像结果中的成像值进行统计,通过对统计结果的分析,确定了阈值选择的方法,用以滤除非震源点。(3)根据被动源定位所使用的数据和方法,综合研究了定位方法的发展规律。根据被动源定位所使用的数据(走时或波场)和方法(逆时成像或反演)的特点,将走时与逆时成像进行了结合,同时实现了走时的高效率和逆时成像的整体性。根据波场传播的逆时不变性,提出了逆向计算走时场的方法,能够以极高的效率完成所有成像点到所有检波点的走时计算。震源点成像的成像条件并不需要有明确的动力学意义,而仅需要指示震源点的位置即可。本文根据震源波场的走时与记录中拾取的到时之间的关系,建立了可以用于走时成像的成像条件。根据成像条件的特点提出了一种基于统计的阈值选择方法,用以提取成像结果中的震源位置。该方法需要拾取到时,因此只适用于微震定位,但无需在拾取时识别微震事件的数量或者到时与微震事件之间的对应关系,因此适用于多震源定位。(本文来源于《吉林大学》期刊2019-05-01）
朱宗斌,陶剑锋,葛辉良,郑佳[7]（2019）在《基于BPSO-KNN算法的被动声呐目标分类识别技术研究》一文中研究指出以提取得到的被动声呐目标功率谱特征为基础,采用二进制粒子群(Binary Particle Swarm Optimization, BPSO)优化算法和k最近邻(k-Nearest Neighbor, KNN)分类算法相结合的BPSO-KNN算法进行特征选择和参数优化,分别用KNN分类算法和BPSO-KNN分类算法对实际得到的四类海上被动声呐目标进行分类识别。结果表明,BPSO-KNN算法可对提取的功率谱特征进行特征优化选择,并对KNN分类器进行参数优化,提高了对四类目标的分类精度。该算法在被动声呐目标分类识别方面有参考价值。(本文来源于《声学技术》期刊2019年02期）
刘国彬,刘朋,王永海,贺方君[8]（2019）在《极化识别被动雷达导引头抗诱偏效果分析》一文中研究指出为提高被动雷达导引头抗诱偏性能,可采用极化识别技术提高其抗诱偏能力。首先分析了有源诱偏系统对常规被动雷达导引头的诱偏效果。其次分析了极化空域联合估计算法及极化识别抗诱偏技术,并采用试验方法分析了极化识别被动雷达导引头的抗诱偏效果。由理论分析和试验结果可知,极化识别是一种可行的抗诱偏技术。(本文来源于《电子信息对抗技术》期刊2019年02期）
孙敏杰[9]（2019）在《基于被动波动方法的足尺拉索断丝识别研究》一文中研究指出拉索,包括钢绞线索和钢丝束索,是大跨度缆索支撑桥梁结构的主要连接和承重构件。拉索在车辆荷载、气候因素等复杂外界环境下,易产生各类损伤和损伤扩展,并且一旦发生损坏,将会产生严重的桥梁安全问题,甚至引发安全事故。关于拉索的损伤识别,有多种检测和监测方法,比如人工检测、漏磁检测、超声检测、光纤光栅监测、声发射监测等;其中声发射技术属于被动监测,相对其他常规无损检测方法有着明显的优势,比如具有高灵敏度、整体性、动态检验、适应性强、操作简单等优点。以往有关拉索的声发射监测试验,多用缩尺模型,研究方法主要依赖传统的声发射参数分析方法。和传统拉索声发射监测相比,本文有如下创新点:1)本文的研究对象为60m的足尺拉索,更加接近实际情况;2)本文以波动方法为理论基础,利用小波变化对信号进行时频分析。本文的主要研究内容有:(1)将钢绞线索和钢丝束索看作螺旋杆和圆柱体的组合。理论和数值分析了螺旋钢绞线单丝、单直钢丝和平行钢丝束中弹性波传播特征。计算得到单根钢丝中的导波频散曲线,通过模拟对比直钢丝和螺旋钢丝中弹性波传播模态的不同。(2)短拉索模拟断丝信号特性研究。研究内容包括短拉索和单根钢丝的激光超声试验。利用激光超声模拟断丝信号,研究弹性波在短拉索上的传播特性,研究发现,缩尺模型上的弹性波波速接近理论波速;波动信号通过护套后,能量衰减,高频成分衰减较快;传感器在钢丝束索的环向位置不影响监测效果。(3)足尺拉索断丝信号特性研究。首先对足尺拉索敲击试验,研究弹性波在足尺拉索中的信号特征和衰减规律,得到波动信号的能量衰减曲线。电化学腐蚀后,足尺拉索进行张拉破坏试验,研究发现:平行钢丝束索,钢丝和护套上断丝波动信号都符合指数衰减规律,当波动信号通过护套时,能量衰减,频率略有降低,信号高频成分衰减较大;传感器环向布置不影响监测效果;锚具上波动信号和索体上幅值频率相同,波形差异较大。钢绞线索,研究发现,护套对于钢绞线索的波动信号影响较大,当传感器布置在钢丝上时,波动信号没有明显衰减,而布置在护套上时,信号符合指数衰减规律;和钢丝束索一样,锚具上波动信号和索体上幅值频率相同,波形差异较大。(本文来源于《哈尔滨工业大学》期刊2019-01-01）
程锦盛,杜选民,周胜增,曾赛[10]（2018）在《基于目标MFCC特征的监督学习方法在被动声呐目标识别中的应用研究》一文中研究指出以机器学习为代表的智能技术迅猛发展,也为被动声呐目标识别提供了新的思路。利用机器学习算法挖掘水声目标信号深层特征,实现目标自动识别、辅助识别,成为被动声呐目标识别的新发展方向。本文针对水下噪声目标的信号特性,结合人耳在低信噪比、多目标环境下的优异识别性能,提取被动声呐目标经典听觉感知特征——梅尔倒谱(MFCC),并引入KNN、SVM、CNN和DBN四种机器学习算法对两类水声目标进行监督学习和识别分析。试验结果表明,监督学习方法应用于被动声呐目标识别具有可行性,且其中DBN方法对目标MFCC特征的识别性能最佳。(本文来源于《舰船科学技术》期刊2018年17期）
被动识别论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对淡水鱼混合比例识别问题,以鳊鱼和鲫鱼为研究对象,通过水听器采集不同混合比例下的淡水鱼被动水声信号,利用butter函数进行信号预处理,分别提取短时平均能量、短时平均过零率、4层小波包分解频段能量、平均Mel频率倒谱系数、基于功率谱的主峰频率和主峰值等特征,构建特征向量,建立了基于主成分分析的支持向量机混合比例识别模型。分析了不同混合比例的淡水鱼水声信号之间的显着性差异,研究了主成分个数对模型识别率的影响。结果表明,平均Mel频率倒谱系数对淡水鱼混合比例识别效果最优,主成分个数为19时,平均识别正确率为96. 43%,Kappa系数为0. 96。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
被动识别论文参考文献
[1].徐及,黄兆琼,李琛,颜永红.深度学习在水下目标被动识别中的应用进展[J].信号处理.2019
[2].黄汉英,杨咏文,李路,赵思明,熊善柏.基于被动水声信号的淡水鱼混合比例识别[J].农业机械学报.2019
[3].杨宏晖,徐光辉,李俊豪,申升,姚晓辉.被动水下目标识别研究进展综述[J].无人系统技术.2019
[4].程玉胜,邱家兴,刘振,李海涛.水声被动目标识别技术挑战与展望[J].应用声学.2019
[5].张啸.基于被动感知的情绪识别机制研究[D].南京大学.2019
[6].葛奇鑫.基于逆时成像的被动源定位与识别方法研究[D].吉林大学.2019
[7].朱宗斌,陶剑锋,葛辉良,郑佳.基于BPSO-KNN算法的被动声呐目标分类识别技术研究[J].声学技术.2019
[8].刘国彬,刘朋,王永海,贺方君.极化识别被动雷达导引头抗诱偏效果分析[J].电子信息对抗技术.2019
[9].孙敏杰.基于被动波动方法的足尺拉索断丝识别研究[D].哈尔滨工业大学.2019
[10].程锦盛,杜选民,周胜增,曾赛.基于目标MFCC特征的监督学习方法在被动声呐目标识别中的应用研究[J].舰船科学技术.2018