文摘

船舶辐射噪声是一个重要的信息来源的水声目标,并对船舶识别和分类具有重要意义的目标。然而,有很多干扰噪音在水中,导致减少模型的识别率。因此,识别目标辐射噪声严重影响的结果。本文提出一种机器学习Dempster-Shafer (ML-DS)决策融合方法。机器学习的算法结合了识别结果和深度的学习。它使用循证决策理论来实现功能融合在不同的神经网络分类器,提高判断的准确性。首先,深入学习算法用于二维谱图特征进行分类和一维振幅特性提取CNN和LSTM网络。支持向量机的机器学习算法用于辐射噪声的色度特征进行分类。然后,根据不同的分类器的分类结果,基本概率分配模型(BPA)旨在融合分类器的识别结果。最后,根据机器学习的分类特征和深刻的学习,结合不同时期的d - s证据理论的决策,决策融合实现辐射噪声。 The results of the experiment show that the two fusions of deep learning combined with one fusion of machine learning can significantly improve the recognition results of low signal-to-noise ratio (SNR) datasets. The lowest fusion recognition result can reach 76.01%, and the average fusion recognition rate can reach 94.92%. Compared with the traditional single feature recognition algorithm, the recognition accuracy is greatly improved. Compared with the traditional one-step fusion algorithm, it can effectively integrate the recognition results of heterogeneous data and heterogeneous networks. The identification method based on ML-DS proposed in this paper can be applied in the field of ship radiated noise identification.

1。介绍

辐射噪声是水声目标识别的一个重要的信息来源。近年来,对辐射噪声的研究一直是一个热门话题。许多国家已经推出了研究,这对国家安全具有重要的指导意义,运输和交通管理和海洋生态保护1,2]。辐射噪声通常由机械噪声、螺旋桨推进噪音,发动机噪音,等等。低频率的特征,强烈的干扰,和高噪音。这些特征可以描述不变的物理特性和空间定位信息的船只(3- - - - - -6]。因此,提高识别的准确性和效率吸引了广泛关注船舶目标识别(7]。

目前,目标识别的辐射噪声包括两个模块:特征提取和分类识别。特征提取是一个过程,从辐射噪声信号中提取各种特性。MFCC (8- - - - - -10),小波的特性(11- - - - - -13],希尔伯特黄特性(14- - - - - -16)中经常使用传统的辐射噪声特征提取。如何提取特征和特征提取适合辐射噪声的识别和分类一直是研究人员的研究的话题。系统需要在有限的资源条件下存储和处理数据。降低计算成本和沟通成本也常常需要考虑的问题在识别过程中(17- - - - - -19]。然而,不同的环境适合提取不同的特征;本文的背景是使用与相对较低的传统特征识别率和深度学习提取特性来提高不同环境背景下的辐射噪声的识别效果。

梅尔倒谱系数MFCC和能源的传统方法提取的音频特征辐射噪声。梅尔·过滤器银行提取信息并成为大多数语音识别技术的基础。目前广泛应用于辐射噪声识别领域。在[7),甄首先证明了MFCC特征表明,水下声信号是有效的。在[20.),陈等人使用机器学习算法发现DBN方法最好的MFCC特征被动声纳目标识别性能。由于其良好的稳定性和高识别率,本文认为使用传统Chroma_STFT特性与相对较低的识别率为研究融合后提高识别精度。色度特征向量和chromagram浓度的总称。包含12个元素的浓度向量是一个矢量。每一个元素代表了能量在12节水平随着时间的推移,如一个框架。相同音高的能量水平与不同的八度会积累,和色度的色度图是一个序列向量(21]。

识别未知信号的认知的过程,这需要一定程度的训练来达到效果。因此,传统的特征提取方法通常是结合传统分类器分类和识别。提取的信号特征识别在决策树、聚类、和支持向量机模型,有良好的结果。在[22),江泽民等人提出,多尺度谱特征提取功能可以有效改善动态目标识别的准确性。在[23),谢等人提出了一个新颖的方法,利用改进的变分模态分解(IVMD),归一化系数最大的信息,和排列熵基于粒子群优化(PE)。支持向量机的分类实现multiclassifier。

随着深度学习的发展水下声学领域的深度学习算法通常用于水声目标的认识和探索。在[24),江泽民等人利用CNN网络检测和分类的虎鲸的呢喃和长鳍领航鲸,取得了良好的识别结果。在[25),金等人使用氮化镓LOFAR的网络来提取特征,有效地提高了识别效果的水声目标。在[26],易卜拉欣等人用款提取特征的声音识别石斑鱼种类,及其结果明显优于早期的方法。与机器学习模型相比,深度学习算法可以大大提高模型的识别精度。与此同时,由于款的强鲁棒性,它可以识别水声信号噪声条件下。

本文提出了一种改进的基于融合特征融合ML-DS算法不同的特性相同的特征提取方法提出的Zhang et al。27]。它结合了多维的特点和multiclassifier融合识别目标辐射噪声,解决了单一特征识别精度的限制,结合深度学习和机器学习的结果。

剩下的纸是组织如下:部分2介绍了特征提取和识别,网络部分3论述了multifeature ML-DS决策融合算法和部分4介绍了实验结果和分析。最后,部分5总结了这项工作。

2。特征提取

这种方法使用短时傅里叶变换(STFT)的色度特性在传统方法获取机器学习分类器的分类结果。在深度学习方法中,CNN网络用于提取二维LOFAR的形象特征和分类得到识别结果。LSTM网络用于提取连续信号的振幅特性分类,得到识别结果。机器学习方法的识别和分类结果和深度学习方法设计的双酚a融合模型。融合不同的分类器是通过两个d - s证据理论实现决策水平。最后,实现多维特性和multiclassifiers的融合,有效地提高了识别精度。与此同时,它可以有效地减少复杂的时间特征融合特征提取和提高识别性能。添加20 dB−−10 dB, 0分贝,和10 dB的辐射噪声数据集包含四种类型的9商船的船只,货船、渔船,油轮来构造一个包含噪声的数据集。识别结果表明,该方法具有良好的识别效果,具有重要的理论意义和实用价值。

2.1。CNN提取图像特征

LOFAR的光谱是连续时间域水声目标信号的采样和时变STFT获得的信息。这是投射到时间和频率平面上形成一个三维的地图。它通常是用于水声目标识别领域的(25,28- - - - - -30.]。跟踪目标的任务是通过识别的线特征LOFAR的频谱图像。图1显示了一个示例LOFAR的光谱图像样本的船舶辐射噪声。

首先,本文进行预处理原始辐射噪声信号和估计这些信号得到更好的频谱。其次,当使用LOFAR的光谱时,原始音频文件转换为光谱文件通过STFT操作。STFT的分析窗口功能使它稳定在不同的有限的时间间隔,以不同功率谱计算时间28]: 在哪里是信号进入分析,频率极限的效果,是时间限制的效果。

最后,根据颜色的强度,能量频带判断,和关键特性的属性能量行LOFAR的强调。卷积神经网络用于频率能量线特征进行分类。

CNN模型通常是用于图像特征进行分类。它是最受欢迎的和广泛使用的模型近年来深度学习。可以获得有效的表征直接从原始数据通过交替使用卷积层和汇聚层,自动提取图像的地方特色,并建立一个密集的和完整的特征向量(31日]。本文研究使用融合技术融合不同类型的特征提取,并融合不同的分类器使用CNN提取LOFAR图像辐射噪声的特点,分类和识别LOFAR的图像特征,然后决定了识别结果的融合。图2显示了一个示意图的卷积神经网络结构。

卷积层由多个特征图。一定规模的卷积层执行卷积操作和原始输入图像卷积的内核。它获得特征映射后下一层的激活函数。特性的卷积地图层中的每个神经元连接到当地的特色的地图上一层通过一组权重,和像素进行加权求和。局部加权和被传递到一个非线性激活函数获得堆栈中的每个神经元的价值。特性的计算公式如下: 在哪里代表特征的地图层,代表了激活函数,代表特征的地图层,代表卷积操作,卷积核,代表了偏见。

自卷积操作输入之间的线性关系矩阵和卷积核矩阵,激活层必须执行非线性映射。激活层可以解决线性模型不能解决的问题。非线性激活函数是基于卷积的输出结果嵌套层激活特性提取的卷积层。本文的网络结构采用ReLU激活函数。与乙状结肠和双曲正切函数相比,它具有更快的收敛速度和缓和梯度消失的问题。

池层是用来提取该地区最具代表性的特征,可有效减少输出特性图的大小,减少网络模型的计算量,提高网络的准确性的输入图像的特征提取。通常公共池方法提取最大或平均像素值的区域池层中的神经元的价值。本文中所有网络使用的最大池方法。

完全连接层位于卷积后层和池层和总结提取的特征。它连接在前一层神经元与神经元和集成特性从卷积中提取层或池层。最后,它返回与输出层的分类结果。

CNN的快速发展,它有一个良好的效果和速度快在提取目标特征。逐渐取代了基于手动功能和目标检测方法成为当前的目标识别和检测领域的主流。

2.2。LSTM提取信号特征

STM模型是常用的音频领域的认可。它有一个更好的识别和对时间序列信号处理的影响。它可以存储长期信息,它可以防止训练过程被外界打扰。LSTM模型由一系列定时模块,一般来说,包括输入盖茨,忘了盖茨,盖茨和输出。门控制机制用于控制信息的流动在内存块,长期和短期记忆能力(32- - - - - -34]。图3显示了图结构的操作LSTM原则。

假设x输入数据的定时信号,向前传播公式可以表示为35] 在哪里是输入,是忘记门,是状态的细胞单元经过输入门和忘记门,的细胞状态输出门,是所有LSTM单元的输出状态,乙状结肠的激活函数, 体重LSTM隐式状态矩阵, 的偏移量。

LSTM培训可以分为四个步骤:第一步:向前传播,计算网络输出值;步骤2:向后传播,计算时间和网络错误;步骤3:计算梯度值;步骤4:更新权重系数。

2.3。支持向量机分类器设计

支持向量机是基于传统的学习理论和结构风险最小化的原则。它将非线性变换映射到高维空间和线性分离样本在高维特征空间36]。

假设一个超平面 在一个二维空间, 是一个样本点,是特征变量,然后点到超平面的距离

其中,是一种常态的超平面。如果确定超平面,找到所有的支持向量,然后计算区间保证金。最后,相对应的超平面的最大价值在所有的利润。

它是必要的,以确定和最大化利润,所以优化问题的目标函数可以写成 。自和按比例放大的结果吗不变,所以它可以简化

取代 与目标函数等价的。它转化为一个约束优化问题,通过拉格朗日乘数法来解决。

找到的偏导数l得到 和简化

因此,最后化为目标函数:

本文采用线性内核 和找到所有支持向量来确定 。然后,通过计算数据点到超平面的距离,确定数据点的类别特征。

2.4。分类器识别结果

2.4.1。LOFAR的谱图在CNN的识别率

我们添加20 dB−−10 dB, 0分贝,10分贝噪声原始辐射噪声,然后利用STFT算法提取的特征LOFAR的辐射噪声的频谱并保存图像。由于有限的计算机硬件的需求,有必要对图像进行放大和作物LOFAR的声谱图的大小,将其保存为一个3232尺寸图像,并利用CNN网络提取LOFAR的光谱图的特征和识别和分类。CNN网络被设计为一个两层的卷积层,其中包括64卷积核的大小33、完全连接池层和一层512个元素,并输出判断结果四种类型的船舶。设置学习速率为0.0001,损失函数使用叉损失函数,优化器选择亚当。100次迭代之后,四组的结果最终得到训练模型。模型的识别精度10 dB辐射噪声可以达到97.27%。表1显示了最终的识别结果。

2.4.2。在LSTM辐射噪声信号的识别率

我们添加20 dB−−10 dB, 0分贝,10分贝噪声原始辐射噪声。LSTM具有良好的识别时间序列信号的特征提取原始数据振幅特性数据和识别分类。在实验中,数据输入的结构特性是改变了49个维度;45设置步骤,最后放入分类器模型的训练和测试。模型选择1-layer 64 LSTM单位和远离火源32-unit LSTM网络结构达到最优的情况。60后的迭代,最终损失的实验结果往往是平的,和四组的训练模型的结果在不同的信噪比。模型的识别精度10 dB辐射噪声可以达到95.68%。最后的识别结果如表所示2。

2.4.3。在SVM Chroma_STFT特征识别率

我们添加20 dB−−10 dB, 0分贝,10分贝噪声原始辐射噪声。然后,我们使用Librosa工具箱来提取原始信号的色度特性(Chroma_STFT)和重塑特性数组结构来匹配输入支持向量机的结构。最后,提取的特征是放入SVM分类器进行分类的特性,因为实验考虑分类器的识别结果的融合识别率较低,提高识别效果。因此,线性核函数支持向量机选择一个相对较低的识别率识别和分类功能。模型的识别精度10 dB辐射噪声可以达到88.64%。表3显示了最终的识别结果。图4显示了不同模型的分类和识别精度不同信噪比条件下。

3所示。Multifeature ML-DS决策融合算法

决策融合的过程进行二次分类器的识别结果的判断。研究人员经常使用d - s证据理论的多传感器融合理论融合识别结果。它与不确定性推理和数学算法有较弱的条件比其他方法直接表达信息冲突的能力37]。图5显示了一个流程图的决策融合不同类型的数据。

3.1。适应度函数的设计和双酚a

根据本文的研究背景,抽象的识别框架 。在实践中,不需要充分考虑所有的组合 ,因此本文只考虑四分类的概率模型。

基本的概率分布函数 。根据d - s理论,质量函数可以表示为在当前识别框架 和 。

根据上面的公式,得到合成规则 ,我们第一次获得归一化系数的值 。基于本文的研究背景,只有一个目标识别,所以的十字路口一个,B,C,D都是空的:

第一步是计算冲突因素K:

第二步是计算结合BPA的四种类型的船舶识别结果根据证据规则。

的质量函数值一个组合是由

的质量函数值B组合是由

的质量函数值C组合是由

的质量函数值D组合是由

因此,结合功能是获得。由法官根据质量函数合成,结合质量函数的可靠性函数和似然函数为每个类型的船分类也可以计算。一个,B,C,D,分别代表四种类型的目标的识别现状船只在坦克。

在第三步中,模型使用概率分布函数的组合来找到信任函数和似然函数发现根据命题的信任程度不是假的。最后,它可以找到准确的决策融合表的概率4显示缩写和符号的符号。

3.2。具体实现步骤

本文的重点是识别和融合不同类型的船舶在不同维特性的条件。CNN网络用于提取LOFAR的二维图像的谱图特征。LSTM网络用于提取一维时域信号振幅的特点,支持向量机分类器是用于提取STFT色度特性。预测结果融合决策融合特性不同的尺寸和不同的分类器的识别结果。它可以丰富类型的识别,扩大范围的融合功能类型,并提供新想法在水下声辐射噪声识别特征选择的研究。同时,分类的结果低识别率模型和高识别率模型可以合并改善模型的识别效果和帮助模型提高决策能力的范围。图6显示了一个双重决策级融合基于证据理论识别框架。

具体步骤来识别和分类基于决策级融合不同的辐射噪声特性在不同分类器条件如下。

第一步是提取易得的信号幅度,LOFAR的光谱,Chroma_STFT等三个特征构造一个数据集的四种类型船舶目标一个,B,C,D。

在第二步中,CNN网络用于提取LOFAR的辐射噪声的谱图特征分类。LSTM网络提取信号振幅特征用于分类,和STFT从原始信号中提取色度特性分类的支持向量机分类器。

第三步是预测的概率的类别目标噪声四个结果的三种分类模型的分类和识别。同时,双酚a模型构建的基础上,预测结果。

第四步是使用d - s证据理论进行决策级融合预测结果不同功能类别的不同分类器条件下获得决策融合的结果。其中,单独的机器学习方法没有很好的融合条件下的低信噪比的影响。因此,平均分类识别概率是用于构造BPA模型,它不再是单独集成。

第五个步骤是执行另一个决策融合结果的决策融合不同的分类器和融合机器学习分类器获得的学习结果最终决定融合的结果。最后,深度学习的融合结果和机器学习相结合,提高整体识别系统的识别效果。

由于不同的分类器融合方法,特征选择的条件和BPA分布是不同的。根据公式(10)- (14),可以看出,不同的分类器的结果不能直接混合并融合。因此,每五分类结果分别融合做出决定和判断。首先,一个分类器的结果好坏参半,然后,三个不同的神经网络的识别结果和分类器融合。最后,识别准确率深度学习融合融合后的平均识别概率取决于机器学习算法分类器使第二个决策融合方法。实验实现了决策融合的结果混合multiclassifier,可以更好地实现功能融合的效果。

4所示。实验结果和分析

本节显示了第一个决策融合的分类和识别结果CNN和LSTM模型和第二个决策融合分类梳理这三个模型的结果。为了验证的有效性提出了深度学习和机器学习为辐射噪声目标识别决策融合算法,数据集划分为四种类型的辐射噪声从渔船、商船,油轮和货船。每种类型的船有1800,1200,1800,和1800年辐射噪声音频文件,对应9船舶辐射噪声数据。20 dB,同时,−−10 dB, 0分贝,10分贝噪音被添加到模拟复杂的背景噪音环境在不同信噪比条件下形成的数据集。训练集测试集的四倍。

不同空间的特性采用不同的特征提取方法,因此,功能训练的次数和预测方面也非常不同。在实验中,一维,二维特征提取600年,900年和1200年音频段下深入学习网络分为五组。第一个决策融合判决。在培训期间,480720960辐射噪声音频片段融合LSTM和CNN网络。然后,每种类型的船的长度时间序列信号保留LSTM和CNN网络测试集与24岁,36岁,分别和48融合判断结果。最后,它融合了歧视的支持向量机分类器识别效果,和新BPA第二融合模型相结合来实现最好的特性融合的效果。

为了证明适用于辐射噪声特征提取方法,表5显示数据集的辐射噪声音频信息,和图7显示部分的辐射噪声数据特征。

4.1。CNN网络的收敛性比较

CNN网络用于识别和分类的二维特征LOFAR的形象从辐射噪声中提取。根据五个部分的融合方法,24岁,36岁,并得到48组融合结果的测试集占20%的数据集。我们计算的平均识别率根据融合结果。最后,我们得到了识别精度融合前表所示6融合后,识别精度表所示7,图8显示精度的比较融合前后的CNN网络在不同的信噪比。

从表中可以看出,辐射噪声的识别率高的信噪比融合前更高。低信噪比的识别率辐射噪声通常是低,最低的只有40.03%。CNN决策融合识别结果后,高信噪比接近100%。低信噪比的识别率几乎翻了一倍。最低的增加也是34.79%。得出在不同的信噪比的数据集,融合在一个高信噪比识别功能有更好的效果。低信噪比的识别也已明显改善,但改善效果是有限的,和一些融合结果不超过90%。

得出辐射噪声的类型可以有效地识别在高信噪比数据集,和辐射噪声可以在低信噪比数据集错误地判断了。然而,承认LOFAR的决策融合后图像的CNN网络,识别效果明显改善。在实际应用程序中,收集数据集不同工作条件下的辐射噪声对识别结果有一定的影响。因此,有必要考虑在实际应用和数据集的设计充分考虑环境的影响尽可能地根据不同的数据集和设计模型。

4.2。LSTM网络的收敛性比较

LSTM网络用于识别和分类的特征波形数据从辐射噪声中提取。24的融合结果,36岁,从测试集获得48组占20%的数据集根据五个部分的融合方法。我们计算的平均识别率根据融合结果。最后,我们得到了识别精度融合前表所示8融合后,识别精度表所示9,图9显示精度的比较融合前后的LSTM网络在不同的信噪比。

可以看出,高信噪比的辐射噪声较高的识别率在融合之前。低信噪比的识别率辐射噪声通常是低,和最低只有31.89%。CNN决策融合识别结果后,高信噪比接近100%。除了穷人010002辐射噪声音频融合结果,其他船只的辐射噪声识别率大大提高。我们分析36套融合的结果010002辐射噪声音频融合的过程。众所周知,010002年辐射噪声的识别结果和020001−20分贝环境中的辐射噪声相对较近,导致误判的融合算法。得出当单个目标的识别率低于某个范围,融合的结果并不理想。从LSTM的融合识别结果的分析和CNN−20分贝的环境,可以看出,一个网络的识别率是不到40%,识别效果将会判断失误。船舶类型的扩张和数据集,识别效果会越来越好,融合的结果会更好。

4.3。不同信噪比下SVM识别结果

使用支持向量机分类器识别和分类的特点STFT色度数据从辐射噪声中提取。的平均结果是确定数据集的测试集,占20%。机器学习算法在低信噪比条件下识别结果较低。机器学习算法无法有效地参与决策融合。因此,支持向量机不参与第一个决策融合,只有计算每组的平均识别率的识别结果。最后决定融合识别结果可以获得融合后的计算识别率和深刻的学习算法。首先,我们得到了四种类型的目标辐射噪声的识别不同类型的船只表所示10- - - - - -13。一个,B,C,D分别对应于他们的认可率。

从识别结果数据,发现不同类型的船只的识别结果在低信噪比条件下通常较低。其中,类型的识别效果B船是最糟糕的,和的色度特征类型B船不是明显不同于其他船只,导致误判的概率高的类型一个船只。类型的识别率B船舶在高信噪比条件下较高。然而,大多数类型的船只的识别结果不超过90%,这远远低于深学习算法的识别效果在相同信噪比的数据集10之前显示的准确性比较SVM分类器融合在不同信噪比下。

4.4。最终融合结果不同的特性和分类器的条件下

经过两个融合的深度学习算法和机器学习算法的融合,得到最终的融合实验结果。表14显示了识别的结果最终决定融合−20分贝噪声环境下,和表15显示了识别的结果最终决定融合−10分贝噪音环境下。结果表明,条件下−20 dB,辐射噪声的识别精度超过90%,除了类的识别率B船舶辐射噪声低于80%,融合识别数据的某些类型的船舶辐射噪声接近100%。相比与传统的单一特性和单一分类器特征融合,它有一个显著的改善,有利于multiangle水声目标的决策。

为了探索融合结果的情况B船舶辐射噪声类型识别是显著降低,从三套分类器融合数据的分析前三部分,可以看出,SVM的识别率020001艘船只在低信噪比条件下较低,这是低于深学习算法的识别结果。在融合过程中,采用机器学习算法的平均识别率融合判断,这将对融合的判断有一定的影响。为了应对这个问题,建议的解决方案是修改提取的特性来提高单个分类器的识别和分类效果改善双酚a的结构,可以有效地提高识别精度。

−10 dB船舶辐射噪声的识别率达到100%。与CNN的平均识别率相比,LSTM,和支持向量机融合之前,他们分别增加了22.45%、7.48%和34.35%。相比之下,CNN和的平均识别率LSTM融合之后,他们分别增加了1.17%和0.12%。它可以有效地融合不同分类器的识别结果。其中,识别精度的STFT的色度特性下的040003艘船只SVM模型仅为19.67%,表明该特性有一个贫穷的功能识别影响040003艘船只,和传统的机器学习算法模型识别效果并不理想。然而,船舶识别利率相同类型的第一次融合后的CNN和LSTM模型达到了94.88%和100%。然后,它融合了SVM分类器的判决结果识别率较低后识别准确率获得近100%的决策。因此,证明了该方法可以有效改善传统机器学习算法的识别结果在低信噪比条件下,提高辐射噪声识别的准确性,为研究提供一个新的想法船舶辐射噪声识别在复杂环境中。

与此同时,这个实验是基于同源信号的不同特征来识别融合的特点。二维图像和一维信号特性,分别融合和判断。在未来,水声数据集的浓缩,模型还可以执行聚变实验数据相同的船的基础上同时雕刻不同的数据源。例如,多个数据如声学数据,视频数据和海洋环境数据的海洋监测平台可以识别和判断收集到的辐射噪声样本。我们增加了融合不同的数据源来提高模式识别的准确性。

4.5。未来的工作

这个实验增加了噪声具有不同信噪比基于最初的船舶噪声来模拟复杂的海洋环境。考虑到真实的海洋环境,还可以结合船舶水下辐射噪声与沟通渠道进行进一步的识别研究。在未来,集成不同类型的数据可以通过方法的改进。决定识别算法,结合船舶可视化数据识别和辐射噪声音频数据识别的融合可以实现不同数据源相同的船来达到更好的识别和判断效果。

5。结论

摘要决策融合方法用于识别船舶辐射噪声。DS证据决策理论的融合方法设计不同的空间特征。机器学习和深度学习的识别结果用于提取结果的可信度不同深度的神经网络分类器。它设计一个双酚a函数结构和调整质量函数的设计基于先验知识。最后,证据决策理论是用来实现该特性在不同的神经网络分类器融合,也有效地提高了识别率船舶辐射噪声。(1)辐射噪声识别技术是基于决策融合,考虑到融合识别结果的决策水平。它使融合方法更加多样化和识别效果更好。(2)相比,使用单一特征分类器的识别精度,它使用多个信号的特征融合后能够有效地提高识别精度。(3)与传统的一次性融合算法相比,它使用本文提出的融合算法来有效整合异构数据和异构网络的识别结果。(4)在第一次深度学习的d - s证据融合模型,该模型能有效地识别船舶辐射噪声。 The recognition accuracy rate under high SNR conditions is close to 100%, and the recognition accuracy rate under low SNR conditions is also greatly improved compared to traditional methods. The recognition result under the condition of low SNR after the secondary fusion of machine learning recognition results can be close to 100%, which improves the accuracy of decision-making fusion recognition under the condition of low SNR.

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关这项研究的出版物。

确认

作者要感谢中国国家自然科学基金(批准号52071164)和江苏省研究生创新研究与实践项目(批准号KYCX21_3505)。