基于多决策LOFAR谱增强的水下目标识别：一种深度学习方法
信号处理
2021-04-27 v1
摘要
低频分析与记录（LOFAR）谱是水下目标的关键特征之一，可用于水下目标识别。然而，水下环境噪声复杂且水下目标信噪比较低，这给LOFAR谱引入了断点，从而阻碍了水下目标识别。为克服该问题并进一步提升识别性能，我们采用深度学习方法进行水下目标识别，并提出一种基于LOFAR谱增强（LSE）的水下目标识别方案，该方案由预处理、离线训练与在线测试组成。在预处理中，专门设计了一种基于多步决策算法的LOFAR谱增强以恢复LOFAR谱中的断点。在离线训练中，我们将增强后的LOFAR谱作为卷积神经网络（CNN）的输入，并开发了基于LOFAR的CNN（LOFAR-CNN）用于在线识别。借助CNN在特征提取上的强大能力，所提LOFAR-CNN可进一步提升识别精度。最后，大量仿真结果表明，LOFAR-CNN网络可达到的识别准确率，优于现有最优方法。
引用
@article{arxiv.2104.12362,
title = {Underwater Target Recognition based on Multi-Decision LOFAR Spectrum Enhancement: A Deep Learning Approach},
author = {Jie Chen and Jie Liu and Chang Liu and Jian Zhang and Bing Han},
journal= {arXiv preprint arXiv:2104.12362},
year = {2021}
}