目標(biāo)分類識別

基于水聲目標(biāo)特征的分類識別方法可主要有統(tǒng)計(jì)分類、模型匹配、神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)等方法。

統(tǒng)計(jì)分類識別

統(tǒng)計(jì)分類識別是應(yīng)用最廣泛的一類分類器，該類方法主要利用目標(biāo)特征的統(tǒng)計(jì)分布，依賴于對已有樣本數(shù)據(jù)的統(tǒng)計(jì)分析和基于距離度量的模式匹配。水聽器陣列數(shù)據(jù)經(jīng)過特征提取得到目標(biāo)特征向量。通過與參考模式進(jìn)行比較，結(jié)果得到此樣本向量被判定為各個(gè)參考模式的一組概率，常用的基于統(tǒng)計(jì)分布的分類器如貝葉斯分類器、支持向量機(jī)（SVM）等。該類分類器的優(yōu)點(diǎn)是算法簡單、分類速度快，但得到的匹配模板是固定的，適于高質(zhì)量的特征樣本和較高信噪比要求，難以適應(yīng)數(shù)據(jù)的劇烈變化，泛化率低。

模型分類識別

基于模型的分類方法，它先將樣本空間模型化，通過模型的分解和參量化表達(dá)出有意義的子空間。需要目標(biāo)模型、背景模型、環(huán)境模型等實(shí)現(xiàn)模式的最佳匹配。該分類器算法簡單，但因水聲目標(biāo)信號機(jī)理復(fù)雜，精確建模難度較大，適應(yīng)性仍需提高。

神經(jīng)網(wǎng)絡(luò)的分類識別

基于神經(jīng)網(wǎng)絡(luò)的分類方法，神經(jīng)網(wǎng)絡(luò)是由大量非線性處理單元廣泛互聯(lián)而成的網(wǎng)絡(luò)，它具有大規(guī)模并行處理、分布式信息存儲、非線性動(dòng)力學(xué)和網(wǎng)絡(luò)全局作用等特性。神經(jīng)網(wǎng)絡(luò)方法通過網(wǎng)絡(luò)本身的學(xué)習(xí)獲取知識，構(gòu)成權(quán)系數(shù)，實(shí)現(xiàn)訓(xùn)練樣本空間的較好類別劃分，并對新樣本進(jìn)行運(yùn)算判決。這類系統(tǒng)在樣本空間較完備時(shí)分類準(zhǔn)確度高，具有很強(qiáng)的自適應(yīng)和學(xué)習(xí)能力，能充分逼近復(fù)雜的非線性關(guān)系。但需要完備的訓(xùn)練樣本數(shù)據(jù)，對水聲目標(biāo)難度較大，同時(shí)不能觀測中間的學(xué)習(xí)過程，物理意義不明確。

專家系統(tǒng)識別方法

為了降低目標(biāo)識別性能對樣本數(shù)量的依賴，水聲目標(biāo)識別還利用了專家系統(tǒng)識別方法。專家系統(tǒng)識別方法是基于領(lǐng)域?qū)＜业慕?jīng)驗(yàn)知識建立的推理識別系統(tǒng)，構(gòu)建的知識庫具有一定的普遍性和代表性，因此具有對樣本依賴性小的優(yōu)點(diǎn)。在這種識別系統(tǒng)中，傳感器數(shù)據(jù)經(jīng)過特征提取得到的目標(biāo)特征送入推理機(jī)中，推理機(jī)分析并與知識庫中的條件進(jìn)行對比從而得出識別結(jié)果。

相關(guān)文章