摘要:海表面盐度是研究海洋生态环境和全球气候变化的重要指标。基于多层神经网络，利用实测海表面盐度数据和 MODIS-Aqua 遥感反射率产品，针对渤海建立了海表面盐度的反演模型，随后通过该模型分析了 2022 年 3 月至 2023 年 3 月 4 个季度的渤海盐度时空变化。研究发现：模型的决定系数（R2 ）和均方根误差（RMSE）分别为 0.66 和 0.39，优于先前文献提出的多波段线性模型（0.39 和 0.60）。渤海盐度的时空分析表明：黄河冲淡水是影响渤海海表面盐度重要因素，它致使莱州湾和辽东湾的盐度长期降低；9 月份以后随着渤海冷流沿山东半岛南下，随后向渤海海峡和北黄海方向扩散。

摘要:传统的机器学习方法在特征提取时容易受到主观经验的影响，导致对水声信号目标的识别准确率不高。而一般深度学习算法模型较复杂，通常具有训练耗时、计算复杂度高等缺点。极限学习自编码器具有很强的非线性处理能力，适合针对具有非线性特点的水声信号目标的识别，而且模型具有学习速度快，泛化能力强等显著优势。将极限学习自编码器算法应用于水声信号目标识别中，并与卷积神经网络、自编码器和极限学习机识别方法进行对比，结果表明：提出的方法对水声信号目标识别的准确率最优，且训练时间较短。

摘要:针对声呐导流罩中低频段振动控制以提高其全频段声隐身性能问题，提出了一种基于条件自编码器的声子晶体结构逆向设计方法，在目标频段逆向设计出的具有带隙的声子晶体结构可作为夹芯结构芯层， 为声呐导流罩声振特性治理工作提供新思路。首先随机生成大量声子晶体周期单元，并提出 2 种策略扩充在目标频段内具有带隙的样本数量。针对有限元软件批量计算声子晶体结构带隙效率较低的问题，训练了卷积神经网络用于识别声子晶体是否具有带隙。最后，将声子晶体结构以及带隙分布作为训练集训练条件自编码器。结果显示：卷积神经网络对结构的带隙具有很好的识别效果，识别准确率可以达到 89%；条件自编码器能学习到人工周期结构的轴对称结构，生成的人工周期结构与原结构仅相差几个像素，且生成结构的带隙与原结构带隙误差小于 1%，说明该方法可以应用于声子晶体结构的逆向设计。

摘要:SINS/DVL 水下组合导航时，受外界因素影响，DVL 信号不稳定和丢失情况时有发生，容易造成定位结果不连续或精度减弱。将 DVL 正常时段采集数据作为训练样本，采用径向基函数神经网络算法（RBF） 对 DVL 丢失时段信号进行填补。为降低系统噪声影响，选择采用扩展卡尔曼滤波（EKF）和自适应渐消 Sage-Husa 扩展卡尔曼滤波（SHEKF）2 种模式进行组合导航计算，得到不同计算结果。分析表明，RBF 算法能够用于处理 DVL 信号丢失情况，相同条件下，SHEKF 滤波模式能够得到更优计算结果，E 方向上位置误差相比 EKF 滤波减少约 50%。

摘要:水下成像存在颜色失真、图像对比度严重下降等问题。大多数基于深度学习的水下图像增强方法依赖仿真数据集，由于仿真与实测数据之间存在较大的分布差异，实测泛化能力受限。将水下图像增强任务划分为 2 个更简单，但是同时具有明确物理意义的子问题：颜色校正和对比度增强，提出基于物理模型分解的域内–域间迁移框架。首先，域内迁移校正图像颜色，通过学习对退化图像进行分解，在场景光层面通过对齐颜色退化，校正颜色失真同时保证其它成分完全不受影响。进一步，再次利用基于水下散射模型的分解策略，通过针对性迁移水下退化因素，使得仿真–实测域之间实现相互迁移和交互，增强水下图像对比度。实验结果表明：本方法在真实水下图像数据集上处理的结果，在色彩、纹理细节和清晰程度方面均优于现有的对比方法。

摘要:水下图像增强因其在海洋勘测和水下机器人中的重要意义而备受关注。在过去的几年中，已经提出了许多水下图像增强算法。已有的深度学习方法由于忽略水下图像的预处理过程和对红色通道信息的增强或者弱化了这个过程，导致增强结果并不显著，其往往只适应特定的场景，缺乏泛化能力。为此，基于卷积神经网络建立了一种全新的水下图像增强算法，为了充分利用特征图的通道信息，在相同维度的特征图之间采用不同尺寸的卷积核获取更多通道数目的特征。然后，基于红色通道构建了注意力机制，以加强对于图像中容易丢失信息的红色通道的特征提取。最后，在 EUVP，UFO120 数据集做了消融实验，证明了红色通道注意力机制的有效性。通过对对比实验的增强结果进行各项指标分析，证明增强结果有着更高的结构相似性和峰值信噪比，并且在无参考指标方面有着更高的颜色平衡、清晰度以及对比度，综合性能优于以往的方法。

摘要:为了抑制永磁同步电机转矩脉动，提出一种基于偏差电流输入的自适应线性神经网络谐波注入方法。该方法以交轴和直轴电流偏差作为神经网络环节输入，应用 2 个自适应线性神经网络环节拟合电压谐波补偿分量，并将其注入到电流环控制器输出，用以抵消交轴电压和直轴电压中的谐波分量，进而抑制转矩脉动。为验证本方法有效性，对比进行了 3 种控制方法的仿真和实验。结果表明，与传统双闭环控制相比， 本方法可将转矩脉动降低约 97%。相比于传统神经网络谐波注入法，本方法可获得相近的转矩脉动抑制效果， 并且控制结构更为简单，参数整定方便，易于工程实现，算法运行时间缩短约 60%。

摘要:针对水下大型航行体的小样本远场低频特征提取与鉴别问题，从 3 个方面综述了目前国内外小样本低频特征提取与鉴别的传统方法和智能方法。时频域单独、时频域结合和视听感官特征提取的传统方法需要一定的先验知识与假设，易受环境干扰；专家系统、统计类方法和 BP 神经网络等早期的智能方法存在可移植性差、学习能力差、上限低、梯度消失等问题；深度置信网络(DBN)、卷积神经网络(CNN)、循环神经网络(RNN)、自编码器(AE)神经网络、生成对抗网络(GAN)、迁移学习深度网络等深度智能方法对先验知识依赖度低，可以提取深度不变特征，较其他方法更稳定，识别精度更高，但是也存在依赖数据量、可解释性不足的缺点。未来，传统方法与智能方法更深度的互补融合有望减少当前方法对数据量的依赖，提高深度特征的可解释性。

摘要:鱼雷打靶试验对评价武器系统对目标的打击性能具有重要意义。水动力参数是模拟鱼雷水下运动轨迹、预报鱼雷打靶落点的关键参数。随着现代 CFD 技术的发展，采用数值方法获取水动力参数，提高了轨迹预报精度，但计算效率不高，不利于多工况下鱼雷打靶预报。首先，基于刚体动量和动量矩定理建立了鱼雷的水下运动方程组，运用 4 阶龙格–库塔(Runge-Kuta)法对运动方程组进行数值求解，对鱼雷水下轨迹进行模拟，从而获取鱼雷打靶性能。其次，提出了基于遗传算法的近似模型(GA-BP)和自适应遗传算法优化的近似模型(AGA-BP)模拟鱼雷水下打靶落点，对鱼雷打靶性能进行快速预报。通过仿真和数据对比，结果表明：AGA-BP 预测模型相对于 BP 预测模型更稳定、GA-BP 预测模型收敛速度更快，实现对鱼雷水下打靶快速预报。

摘要:复杂多变的水下环境会极大地干扰仿生机器鱼的正常运动和对水下信息的感知，而鱼鳍的变形在产生推进力方面发挥了关键作用。但目前对于鱼鳍如何利用自身感觉信息来对推进力进行识别和预测的研究甚少。为了解决这一问题，通过在一个柔性传感器上集成压电层和压阻层，研制出基于压电/压阻双传感模式的柔性仿鱼鳍复合传感器，并提出了一种基于复合传感器对鱼鳍产生的推进力预测的方法。建立了基于 BP 人工神经网络的推进力预测模型并进行训练，通过皮尔逊相关分析法对输入层数据进行筛选和优化，提高了模型的预测精度。实验结果证明基于 BP 神经网络及皮尔逊相关性分析的多传感层组合的推进力预测是有效可行的，同时为机器鱼水下感知能力的提升提供了新的途径。