删除或更新信息,请邮件至freekaoyan#163.com(#换成@)

基于广义回归神经网络的强干扰下垂直阵 目标距离估计方法*

本站小编 Free考研考试/2022-01-02

-->
姚琦海,汪勇,黎佳艺,杨益新.基于广义回归神经网络的强干扰下垂直阵 目标距离估计方法*[J].,2021,40(5):723-730
基于广义回归神经网络的强干扰下垂直阵 目标距离估计方法*
Source range estimation method of vertical array under strong interference based on GRNN
投稿时间:2020-11-13修订日期:2021-09-04
中文摘要:
以声压场采样协方差矩阵为特征,基于广义回归神经网络(Generalized Regression Neural Network,GRNN)研究强干扰下的水下声源测距问题,提出了优化扩展因子的方法以提高神经网络定位性能。本文利用仅有一个网络参数的GRNN,使用SWellEX-96实验S59航次的垂直阵数据,比较了以传统匹配场处理(Matched Field Processing,MFP)为代表的模型驱动方法和以CNN(Convolutional Neural Networks,CNN)、GRNN为代表的数据驱动方法在强干扰下的水下目标被动定位性能。结果表明,基于优化扩展因子的GRNN网络在强干扰下可以有效实现距离估计。
英文摘要:
The sample covariance matrix of sound pressure field is made as the feature.The research on underwater sound source ranging under strong interference based on generalized regression neural network,which has only one network parameter,extension factor.It proposes a method of optimizing the extension factor to improve the localization performance of neural network.The research uses the VLA data from event S59 of the SWellEx-96 experiment,comparing the passive positioning performance of underwater targets under strong interference of model-driven traditional matched field processing,data-driven convolutional neural networks and GRNN.The results show that GRNN based on the optimized extension factor can effectively realize the estimation of range under strong interference.
DOI:10.11684/j.issn.1000-310X.2021.05.010
中文关键词:被动定位强干扰垂直阵GRNN
英文关键词:passive positioningstrong interferenceVLAGRNN
基金项目:(11974286,61971353),国家自然科学基金项目(面上项目)
作者单位E-mail
姚琦海西北工业大学航海学院 西安927565845@qq.com
汪勇西北工业大学航海学院 西安yongwang@nwpu.edu.cn
黎佳艺西北工业大学航海学院 西安759387517@qqcom
杨益新西北工业大学航海学院 西安yxyang@nwpu.edu.cn
摘要点击次数:285
全文下载次数:195
查看全文查看/发表评论下载PDF阅读器
相关附件:修改说明1修改说明1附件1附件1
关闭








PDF全文下载地址:

http://yysx.cnjournals.cn/ch/reader/create_pdf.aspx?file_no=20234&flag=1&journal_id=yysx&year_id=2021
相关话题/航海 西北工业大学 干扰 数据 中文

  • 领限时大额优惠券,享本站正版考研考试资料!
    大额优惠券
    优惠券领取后72小时内有效,10万种最新考研考试考证类电子打印资料任你选。涵盖全国500余所院校考研专业课、200多种职业资格考试、1100多种经典教材,产品类型包含电子书、题库、全套资料以及视频,无论您是考研复习、考证刷题,还是考前冲刺等,不同类型的产品可满足您学习上的不同需求。 ...
    本站小编 Free壹佰分学习网 2022-09-19
  • 温盐深剖面仪与Argo数据的冬季印度洋 声速剖面分析*
    李宏琳,李倩倩,周康颖,严娴,曹守莲,马志川.温盐深剖面仪与Argo数据的冬季印度洋声速剖面分析*[J].,2021,40(5):738-744温盐深剖面仪与Argo数据的冬季印度洋声速剖面分析*IndianOceanSoundvelocityprofileanalysisofCTDandArgod ...
    本站小编 Free考研考试 2022-01-02
  • 时频谱图和数据增强的水声信号深度学习目标识别方法*
    刘峰,罗再磊,沈同圣,赵德鑫.时频谱图和数据增强的水声信号深度学习目标识别方法*[J].,2021,40(4):518-524时频谱图和数据增强的水声信号深度学习目标识别方法*Deeplearningtargetrecognitionmethodofunderwateracousticsignalb ...
    本站小编 Free考研考试 2022-01-02
  • SE-MCNN-CTC的中文语音识别声学模型
    张威,翟明浩,黄子龙,李巍,曹毅.SE-MCNN-CTC的中文语音识别声学模型[J].,2020,39(2):231-235SE-MCNN-CTC的中文语音识别声学模型Towardsend-to-endspeechrecognitionforChinesemandarinusingSE-MCNN-C ...
    本站小编 Free考研考试 2022-01-02
  • 多子阵组合的短基线声学定位系统数据优化方法*
    程谦,王英民,诸国磊.多子阵组合的短基线声学定位系统数据优化方法*[J].,2019,38(4):742-749多子阵组合的短基线声学定位系统数据优化方法*Dataoptimizationmethodofshortbaselineacousticpositioningsystembasedonmul ...
    本站小编 Free考研考试 2022-01-02
  • 利用气枪声源数据的地声参数反演*
    李佳蔚,贾雨晴,鹿力成,郭圣明,马力.利用气枪声源数据的地声参数反演*[J].,2019,38(3):440-447利用气枪声源数据的地声参数反演*Inversionofgeoacousticsparametersusingair-gundata投稿时间:2018-09-28修订日期:2019-04 ...
    本站小编 Free考研考试 2022-01-02
  • 基于数据融合的风电机组噪声预测
    张智勇,余金,常鹏,徐其丹,李阳.基于数据融合的风电机组噪声预测[J].,2018,37(6):956-962基于数据融合的风电机组噪声预测Windturbinesnoisepredictionbasedondatafusion投稿时间:2018-01-27修订日期:2018-10-22中文摘要:根 ...
    本站小编 Free考研考试 2022-01-02
  • 《应用声学》再次入编《中文核心期刊要目总览》
    《应用声学》编辑部.《应用声学》再次入编《中文核心期刊要目总览》[J].,2018,37(5):750《应用声学》再次入编《中文核心期刊要目总览》《应用声学》再次入编《中文核心期刊要目总览》投稿时间:2018-09-07修订日期:2018-09-07中文摘要:《应用声学》再次入编《中文核心期刊要目总 ...
    本站小编 Free考研考试 2022-01-02
  • 螺纹边界法对圆柱超声缓冲杆尾随脉冲干扰的抑制*
    王少纯,甘芳吉,张轶茗,廖俊必.螺纹边界法对圆柱超声缓冲杆尾随脉冲干扰的抑制*[J].,2018,37(3):324-329螺纹边界法对圆柱超声缓冲杆尾随脉冲干扰的抑制*Restrainingtheultrasonictailpulsesincylinderwaveguiderodwiththeth ...
    本站小编 Free考研考试 2022-01-02
  • 高频噪声干扰器对抗声自导鱼雷效果分析*
    徐海珠,袁延艺,余赟,刘雄厚.高频噪声干扰器对抗声自导鱼雷效果分析*[J].,2018,37(3):433-437高频噪声干扰器对抗声自导鱼雷效果分析*Effectanalysisofhighfrequencynoisejammerofcounteringacoustichomingtorpedo投 ...
    本站小编 Free考研考试 2022-01-02
  • 中意美三国研究人员合作提出稀疏学习类噪声干扰检测方法
    类噪声干扰(Noise-Like Jammers, NLJs)是声纳在实际工作中经常面临的有源人工干扰之一,它主要通过增加接收机中的类噪声信号来产生强噪声环境,以达到掩盖真实目标信息、干扰雷达和声纳自动检测的目的。  以往研究曾提出旁瓣对消、协方差矩阵秩一修正、二阶自适应检测结构等抗干扰方法,从信号 ...
    本站小编 Free考研考试 2022-01-02