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:深度学习需要大量数据对网络模型进行训练才能达到良好的识别效果，而水声数据的数量较少且难以获取。为了解决这一问题，采用了一种基于改进的扩散模型的水声数据增强方法，改进了噪声预测网络并增加条件生成模块。使用海上试验采集的水声数据进行训练，构建数据生成模型，生成高质量的数据样本，扩充训练数据集。实验结果表明，使用AlexNet作为分类模型进行训练时，该方法相较于传统数据增强方法能够将识别错误率降低约30%，验证了方法的有效性。

摘要:通过舰船的辐射噪声对目标进行识别分类是水声领域的一个重要研究课题。综合介绍舰船辐射噪声数据获取途径、特征提取技术和目标识别技术。首先，介绍了 4 种数据采集类型较为丰富的辐射噪声数据库。其次，从线谱识别、小波分析和非线性特征提取技术 3 个方面介绍辐射噪声的特征提取技术。最后，从支持向量机等传统分类识别技术和深度学习技术 2 个方向介绍辐射噪声领域的识别分类技术。较系统地总结了基于舰船辐射噪声的目标识别分类技术，可以为舰船目标分类识别的研究提供参考。

摘要:水下目标识别是水下无人探测的一项核心技术，在军事和民用领域都有重要的应用。根据当前的水下目标识别研究进展，全面阐述基于声呐图像的水下目标识别原理和方法，对总结研究现状、发现存在的问题以及挖掘潜在的研究方向具有积极意义。针对基于声呐图像的水下目标识别问题，论述了图像去噪、 图像分割以及水下目标识别等方面的主要进展，阐述了基于深度学习实现声呐图像目标识别的最新技术发展现状。通过对水下目标处理过程的讨论和分析，指出基于声呐图像的水下目标识别算法中亟需解决的关键科学问题及可能的解决思路，并对该领域的未来发展方向做了进一步的展望。

摘要:信息优势是未来决定战场胜负的决定性因素之一，战场目标情报的获取、处理、应用等研究是现代军事信息技术发展的基础。目标特性数据是国防大数据建设和战场信息保障的重要组成部分，目标特性数据服务保障几乎贯穿于作战中侦、打、防、控、评等全过程。以作战需求为牵引，研究目标特性数据应用问题，在分析国内外目标特性技术发展与应用现状的基础上，分析了目标特性数据在目标识别、目标指示、 指挥决策、毁伤效果评估等作战环节的应用前景，提出了战场目标特性数据建设和应用中亟需解决的技术难题，对目标特性数据采集处理、技术研究、生产建设、管理和作战使用等具有指导意义。

摘要:为实现自主水下潜器(Autonomous Underwater Vehicle，简称 AUV)的自主目标探测识别与定位任务，以侧扫声呐数据为依据，考虑到扫描式声呐成像的特点，针对金属球类目标，基于 Darknet 框架设计了一种轻量化深度学习目标识别模型，并结合人工特征进行目标特性分析。同时对声呐图像设计了有效的图像增强方法。实验表明：上述目标识别方法在保证目标识别准确率的同时，具有较高的目标识别速率，适于低功耗嵌入式平台部署。

摘要:水声目标识别技术是水声信号处理的重要组成部分，是水声信息获取与水声信息对抗的重要技术支撑。针对水声目标识别时探测数据量大、自动化程度不高、识别效率低下等问题，研究了深度学习在水声目标识别中的应用。首先，介绍了水声目标识别技术的研究现状及当前形势下面临的挑战。然后，对深度学习的网络结构原理及改进型进行了分析，并分别对深度学习在水声声信号识别领域和水声图像信号识别领域的应用现状做了阐述。最后，指出了由于受当前技术条件和水下复杂环境的制约，此方法尚且存在着不足之处。该方法为进一步优化深度学习算法、拓展深度学习技术应用范畴、提升水声目标识别效率提供了参考。

摘要:针对水声数据的特征中含有大量冗余、不相关和噪声特征，导致水声目标识别正确率降低的问题，提出了一种新的水下目标特征选择方法——基于弹性网回归的无监督特征选择算法(Unsupervised fea- ture selection algorithm based on elastic-net regression，UFSER)。 该算法利用谱回归得到高维水声数据和其低维表示之间的回归系数矩阵，并且在回归框架中加入弹性网惩罚项优化求解回归系数矩阵；最后，对回归系数矩阵进行稀疏化从而对特征的分类性能进行评价。 使用实测水声数据集和 UCI 声呐数据集进行特征选择和 SVM 分类实验。 实验结果表明：在特征数目分别减少 60.6%和 60%的情况下，分类识别正确率较特征选择前提升了 1.05%和 6.6%。