公开(公告)号：CN117786448A

公开(公告)日：2024-03-29

申请号：CN202310463013.1

申请日：2023-04-26

Applicant: 杭州电子科技大学

Inventor： 孔万增 ,  王海啸 ,  白植权 ,  朱仪迪

IPC: G06F18/24 ,  G10L15/08 ,  G06F18/214 ,  G06F18/213 ,  G01S7/52

Abstract: 本发明公开了一种基于类别增量学习的一维声呐数据识别方法。传统的声呐目标识别方法主要基于特征工程，通过手工设计特征提取器来提取目标的特征，然后使用分类器进行分类。本发明如下：一、将一维声呐目标数据首先经过切片和预处理，提取出MFCC特征向量，然后输入模型进行分类识别。二、模型采用动态可扩展表征策略进行类增量学习，以便在新类别出现时仅需更新模型的超特征提取器和分类器，从而实现高效的模型更新。三、本发明具有显著的优势，包括将类增量学习应用于水声问题处理、降低对大量标注数据的依赖、实现高性能的特征提取和分类能力，以及在实际应用中应对多样化声呐数据的能力。

公开(公告)号：CN117807502A

公开(公告)日：2024-04-02

申请号：CN202311854172.0

申请日：2023-12-29

Applicant: 杭州电子科技大学

Inventor： 孔万增 ,  白植权 ,  朱仪迪 ,  李欣敖

IPC: G06F18/241 ,  G06F18/15 ,  G06N3/0442 ,  G06F18/214 ,  G06N3/0464 ,  G06F18/213 ,  G10L25/51 ,  G10L25/30

Abstract: 本发明公开了一种基于RNN结构和差异学习率重训练的水声目标识别方法，其专门针对舰船水声目标的识别与分类问题。具体实现步骤包括：一、对舰船水声信号进行预处理；二、基于预训练模型构建水声目标识别深度模型；三、重训练配置；四、对模型进行重训练，以实现往目标域的迁移；五、训练得到针对水声目标识别的高性能分类模型。本发明中的模型结构采用预训练模型与新增的循环神经网络结构和分类层结合，使得重训练后的模型能够更准确地识别水声目标。经过若干实验模拟与应用情况可证明本发明具备优秀的实时性和稳定性，适用于复杂多变的水下环境中舰船目标的快速准确识别，其对提升水下声纳系统的性能具有重要意义。

公开(公告)号：CN117648851A

公开(公告)日：2024-03-05

申请号：CN202311391738.0

申请日：2023-10-25

Applicant: 杭州电子科技大学

Inventor： 孔万增 ,  朱仪迪 ,  王海啸 ,  白植权

IPC: G06F30/27 ,  G06N3/0475 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/084 ,  G06N3/082 ,  G06F18/213 ,  G06F18/22

Abstract: 本发明公开了一种基于生成对抗网络的声纳数据仿真生成方法。本发明如下：1、对原始声纳音频数据进行切片处理，获得包括多个声纳切片数据的训练集。2、将声纳切片数据转化为梅尔频谱图。3、构建生成对抗网络模型。4、对生成对抗网络进行训练：5、基于取生成对抗网络的生成器在不同轮次的输出，获得多个不同的合并声纳音频仿真数据。本发明将深度学习技术融入到声纳数据仿真中，用到了生成对抗网络；将音频转换为梅尔频谱图图像再通过生成对抗网络模型进行仿真，从而生成仿真音频数据。并且找到合理有效的评估方法对仿真音频数据的效果进行量化评估。本发明可以生成高质量一维声纳音频并且有合理量化评估仿真声纳音频方法。