李璇 作品数:53 被引量:62 H指数:5 供职机构: 中国科学院声学研究所 更多>> 发文基金: 国家自然科学基金 贵州省科技计划项目 中国科学院声学研究所所长择优基金 更多>> 相关领域: 电子电信 交通运输工程 自动化与计算机技术 理学 更多>>
一种水下多浮标网络的组网与异常处理方法 本发明涉及一种水下多浮标网络的组网方法,包括:投放声纳浮标后,采集各个声纳浮标的相关信息,所述相关信息包括地理位置信息、存储空间大小、通信速率、探测范围;由各个声纳浮标的地理位置信息得到各个声纳浮标间的位置关系,根据所述... 李璇 马晓川 鄢社锋文献传递 一种声呐图像沉船目标的识别方法及系统 本申请提供了一种声呐图像沉船目标的识别方法及系统,所述方法包括:将预处理后的声呐图像输入训练好的沉船识别模型中,输出标注沉船位置的图像;所述沉船识别模型的训练过程包括:在初始模型上使用与沉船图像相似度高的其他类型图像数据... 李璇 黄思佳 郝程鹏基于差和共阵的新型高自由度互质阵 2021年 针对均匀线列阵自由度(DOF)受限于阵元数的问题,该文提出一种基于差和共阵的新型互质阵,称为放置互质阵(DCA),其借助由接收信号的时域和空域信息组合成的共轭增广矩阵得到等价的差和共阵来进行波达方向(DOA)估计。DCA将广义互质阵放置在与原点处单阵元相隔一定距离的位置,实现了和共阵与差共阵的阵元位置互补,从而最大限度上利用和共阵带来的自由度增幅。该文给出了DCA阵元位置和放置距离的闭式表达,随后分别对DCA的差共阵及和共阵的连续阵元及孔洞位置进行了理论分析,同时给出了两者间的关系,说明了DCA的高自由度特性。多个仿真实验验证了所提阵型DOA估计的有效性。 陈禹蒲 马晓川 李璇关键词:波达方向估计 适用于分布式传感器网络的纯方位目标跟踪方法及系统 本发明提供了适用于分布式传感器网络的纯方位目标跟踪方法及系统,所述方法采用扩散容积卡尔曼滤波算法,包括:增量更新阶段:利用邻域测量信息得到局部估计值;扩散更新阶段:通过对邻域节点的扩散向量进行凸组合得到最终估计值;所述增... 郝程鹏 赵唯 李璇多径效应下稳健Capon的DOA估计 传统的Capon法对水下目标进行空间谱估计的时候,无法用于快拍数小于阵元数的情况,且不能分辨相干信号(通常由于多径效应造成)。本文将稳健Capon波束形成RCB引入波达方向估计中,并提出了一种改进方法。该方法根据空间平滑... 李璇 马晓川 陈模江关键词:稳健CAPON波束形成 波达方向 相干信号 多径效应 文献传递 一种用于水下航行器的数据融合方法和系统 本发明涉及一种用于水下航行器的数据融合方法和系统。所述方法包括:确定当前测试目标的至少一种判断指标;针对当前测试目标,获取选取的至少一种判断指标的数值;将判断指标的数值与相应的预设值进行比较,若判断指标的数值在相应的预设... 李璇 陈模江 马晓川文献传递 基于YOLOv3锚框优化的侧扫声呐图像目标检测 被引量:7 2022年 利用侧扫声呐图像来探查海底目标对海洋资源开采和海上军事防护都有重大意义。目前人为提取图像特征进行目标检测的传统机器学习方法逐渐被深度学习取代。深度学习技术在降低算法复杂度的同时提高图像目标检测效率,极大地推动了目标检测技术地发展。将深度学习检测算法应用到侧扫声呐图像目标检测领域时,锚框作为目标检测网络中较为重要的先验信息会影响最终的检测性能,考虑到声呐数据集的真实目标框与网络设定的锚框未必贴合的问题,本文在YOLOv3的基础上对锚框进行了优化,给出了一种能够获取有效先验锚框的策略。首先使用K-Means算法对真实目标框进行聚类,获得比较贴合于声呐数据集的锚框,然后设计了一种超参数锚框映射关系对聚类后的锚框进行拉伸变换,这样获得的锚框既包含了声呐数据集的目标框信息,也能利用到YOLOv3的多尺度特性。实验结果表明,所提锚框优化策略能够让YOLOv3网络获得更优的检测性能,适用于侧扫声呐图像的目标检测问题。 陈禹蒲 马晓川 李璇关键词:目标检测 基于TIDSPs的稳健自适应波束形成系统的设计 本文详细地分析了一种新型的稳健自适应波束形成算法的运算量,结合TIC6455 DSP的特点,给出了实现该算法的实时处理系统的体系结构。仿真结果表明该算法与标准的Capon波束形成器相比具有良好的稳健性,并能够在本系统中实... 陈模江 马晓川 丰平 李璇关键词:稳健自适应波束形成 数字信号处理器 体系结构 波束形成器 文献传递 一种快拆快装的水声测量试验装置 本发明涉及水声定位、测量和声呐技术领域,特别涉及一种快拆快装的水声测量试验装置,包括:呈四棱锥阵型布置的水听器组件和正十字型的可拆卸地支架组件;所述支架组件,包括:正十字型的安装板、四个支撑板和正十字型的底座;所述安装板... 李璇 郝程鹏 包超鹏 陈模江 马治勋基于可变尺度先验框的声呐图像目标检测 2024年 利用深度学习对声呐图像进行目标检测是近年来的研究热点,然而声呐图像存在目标尺度分布集中、数据获取难等问题,导致检测效果难以满足需求。针对该问题,提出了一种基于可变尺度先验框的目标检测方法。首先,考虑到声呐图像中目标的尺度分布具有其特殊性,基于先验统计生成可变尺度先验框。其次,为了解决声呐图像稀缺的难题,采用数据增强的方法对训练集进行扩充。最后,探索了模型的轻量化,通过删减模型的大目标检测层,在不降低模型精度的同时简化模型结构。为了评估算法的有效性,以前视声呐图像为例进行了综合试验,平均精度(mean average precision,mAP)@0.75和mAP@0.5:0.95分别达0.585和0.559,较原Yolov5网络分别提升了5.8%和3.1%,同时每秒10亿次浮点运算次数下降到14.9。结果表明,所提算法具有更高的精度和更轻量化的模型结构。 黄思佳 宋纯锋 李璇关键词:声呐图像 目标检测 轻量化模型