科研之友
微信
新浪微博
Facebook
分享链接
摘要
舰船尾流检测是当今水下航行器检测及跟踪水面舰船的有效途径之一。然而,基于时域特征的传统尾流检测方法受限于主观经验及复杂多变的海洋环境,在舰船尾流智能检测方面具有一定的局限性。针对复杂环境下传统尾流检测方法精度和适应性不足的问题,引入深度学习理论提升模型的自主学习和环境适应能力,且考虑到舰船尾流样本获取困难,提出了一种基于时频分析和迁移学习的舰船尾流检测方法。该方法首先利用短时傅里叶变换提取尾流信号的时频域特征,然后采用参数冻结和微调的策略,完成预训练卷积神经网络的模型迁移,最终实现了小样本下舰船尾流的有效检测。结合实航数据的尾流检测试验,结果表明:相比于传统尾流检测算法,基于时频分析和迁移学习的尾流检测方法正确率提升了10%左右,最高可以达到97.49%,兼具了时间成本低、样本需求少和识别性能高的特点,具有明显优势。
