在受到干擾器攻擊的戰術無線網絡中，頻譜感知是確保部署的軍事人員安全和高效的一個重要考慮因素。這些網絡的成員有必要了解頻譜中哪些信道受到破壞，哪些可安全用于數據傳輸。組成這些網絡的無線發射機可以通過感知不同信道的能量水平來確定這些信道上是否存在干擾器。然后，它們可以與同伴共享這一信息，以便協同識別和避開干擾器。目前有幾種基于強化學習的解決方案，允許無線發射機根據對干擾者活動的觀察制定傳輸策略，但當干擾者的行為是隨機的，從而使強化學習算法無法學習和預測其行為時，這些解決方案往往會失效。

在本論文中，首先討論協作頻譜感知以及認知無線電、干擾和反干擾背后的理論。接下來，詳細介紹了用于表示多智能體反干擾問題的系統模型。然后，介紹了一種協作式偽隨機信道選擇算法和一種基于超級決策向量的數據協作與融合方案，以提高對整個網絡頻譜利用率的認識。仿真結果表明，該方案可提高干擾器的檢測率，并增加未被干擾信道上的傳輸次數。

關鍵詞 協作頻譜感知、數據融合、干擾器檢測、戰術通信、Ad Hoc 網絡、無線通信

本論文開發了一種雷達系統，可在信噪比較低或目標離開天線主波束時避免丟失目標軌跡，從而改善跟蹤效果。目標跟蹤由具有兩種模式的卡爾曼跟蹤器執行。默認模式使用大量相控陣元件，從而形成窄波束進行目標搜索，這被稱為高分辨率（HR）模式。如果目標離開主波束，雷達系統會擴大波束，從而重新捕捉目標。這是通過減少天線元件數量來實現的，稱為低分辨率（LR）或寬搜索模式。為了保持信噪比，假定雷達會增加發射輸出功率。一旦重新捕捉到目標，雷達就會切換回高分辨率模式。因此，該雷達是一個集成波束轉向和跟蹤系統。

美國海軍提康德羅加級導彈巡洋艦，配備相控陣雷達系統。

無人飛行器的使用是目前現代戰爭中的一個事實。將無人機作為一個蜂群使用，共同完成一項任務，將有助于拯救生命；然而，蜂群內無人機之間的通信是現有技術的一個挑戰，這主要是由于在一個小設備中運行的功率要求。受第五代移動網絡大規模機器式通信的啟發，這項工作為蜂群中的無人機提供了一種新的識別和測量方法。5G通信信道的序言采用Zadoff-Chu（ZC）序列，預計將提供低功率和較少的設備間干擾，并且在應用匹配濾波器時產生良好的均方誤差結果。考慮到嵌入在噪聲和多普勒影響環境中的無人機群中不同數量的無人機的模擬結果表明，即使在信噪比小和多普勒頻移大的惡劣情況下，特別是當一批ZC序列的根指數被選入一個特殊的組時，也會有很好的結果。

引言

無人駕駛飛行器（UAV）的使用在現代戰爭中非常普遍。此外，多架無人機共同完成一項任務，也被稱為蜂群，可以幫助拯救生命；然而，在現有技術條件下，蜂群內無人機之間的通信是一個挑戰。這一挑戰主要是由于可用于操作小型設備中所有傳感器和電子設備的電力有限。

這個問題的一個可能的解決方案是利用通信渠道來交換含有關于蜂群內無人機的相關信息的數據。

這項工作詳細介紹了計算機模擬，以評估廣泛用于第五代移動網絡（5G）通信的ZadoffChu（ZC）序列的實際適用性，以攜帶關于蜂群中無人機的識別和位置信息。

1.1 背景

當無人機首次被用于作戰時，現代戰爭在保護生命方面邁出了一大步。在以保護國家利益和生命為主要目的的情況下，未來的戰爭將由現役無人機的技術應用水平來決定。

無人機群的運行，而不是只有一架無人機，將增加可以完成的任務范圍，例如增加進入和離開戰斗的有效載荷。在這樣的任務中，無人機很可能會在嵌入噪音的環境中運行，而無人機很容易受到多普勒效應引起的頻率變化的影響。

這篇論文分析了位于5G通信數據包中的序言的使用，在這種情況下，該序言將攜帶一個帶有關于參考無人機的識別和位置信息的ZC序列。最具體地說，這項研究建立了一種方法，通過應用匹配濾波器（MF）來獲得該信息。

匹配濾波器在雷達系統中被廣泛使用，主要用于探測。在這里，眾所周知的交叉關聯，當應用于一個ZC序列和包含這個相同的ZC序列的樣本時，作為一個匹配濾波器。這個濾波器得到的結果表現出一個峰值，正好在ZC序列在樣本矢量開始的地方。鑒于匹配濾波器的預期結果，當無人機在有這些不利因素的情況下運行時，可以通過改變這些參數來評估噪聲和多普勒效應的影響。

1.2 相關工作

無人機在戰區的應用是比較新穎的，始于冷戰時期[1]，現代研究已經調查了許多無人機一起工作的應用，以及它們作為一個蜂群的效率如何[2]。

崔黔南、劉培志、王金華等人在2017年的研究中[3]，提供了一種方法，試圖確定管理網狀蜂群的最佳網絡：移動廣告網絡（MANET）或車輛廣告網絡（VANET）。他們的方法將蜂群分成小群，每個群都有一個母親無人機，管理與其他無人機群的通信。

2015年，Luji Cui、Hao Zhang等人[4]的研究顯示，使用60 GHz正交頻分復用（OFDM）系統，以Guard Interval作為通信信道，估計范圍的結果很有希望。同樣在2015年，Vincent Savaux和Faouzi Bader[5]實現了一種基于均方誤差（MSE）的方法來分析OFDM信道的性能。最后，Min Hua、Mao Wang等人[6]在他們2014年的工作中分析了ZC序列的定時性能中的多普勒效應。

本論文提出的工作是剛才提到的所有研究的結合，使用MSE圖來分析ZC序列的性能，作為在噪聲和多普勒影響的環境中識別和測距在蜂群中運行的無人機的一種方法。

1.3 目標

在這篇論文中，我們考慮了長度為839個符號的ZC序列。建立了一個模擬算法來復制現實世界中的蜂群場景。在算法執行過程中改變的參數包括：蜂群的大小、無人機在布局中的位置、數據包序言、噪聲的負載和多普勒效應的振幅。這項工作的主要目的是操縱這些參數，分析結果，并選擇ZC序列（R）的根指數集作為最佳或最差，以減輕在蜂群中運行的無人駕駛飛行器的測距誤差。

1.4 論文組織

在第二章中，我們介紹了在模擬中應用的數學和方法的理論背景。這個數學和方法背景包括5G的基礎知識和ZC序列的特殊性，以及交叉相關作為識別和測距部署在噪聲和多普勒影響環境中的無人機群的一種手段的適用性。在第三章中，我們討論了所模擬的場景及其算法，顯示并解釋了改變參數的原因，最后是性能結果以及它們是否顯示了預期的結果。在第四章的結論中，我們對模擬結果進行了簡要的總結和討論，并提出了一些未來工作的想法。

雖然在高風險的武裝沖突環境中，可能很難在地面上收集信息，但衛星提供了一種非侵入式的概述情況的形式。當涉及到監測城市損害時，這通常與高成本有關，因為必須購買非常高分辨率的圖像。同時，有一些衛星的圖像只有中等分辨率，但它們以較高的重訪頻率覆蓋世界，并向公眾開放其圖像。因此，本論文旨在回答這樣一個研究問題：是否有可能利用深度學習在中等分辨率的光學衛星圖像中自動檢測武裝沖突的破壞。從語義分割的角度出發，創建了一個伊拉克和敘利亞的參考數據集，其中包括用來自UNOSAT的損害信息按像素標注的Sentinel-2圖像。該數據集被用來訓練FCN、U-net以及簡化的6層ResNet。雖然表現最好的模型在識別較稀疏的損害模式時有困難，但在檢測損害集群時表現良好。實驗顯示了避免失去分辨率的重要性，例如，將步長保持在1。此外，標簽對模型的性能有很大的影響，這表明為了避免在地面實況中出現錯誤的負面標簽，最好標記得太多。提出了一種跨學科的方法來創建和維護武裝沖突損害的數據庫，這可能對武裝沖突的空間發展研究有重大影響。納入不確定性測量和驗證的方法對其適用性至關重要。

認知型雷達，根據IEEE標準雷達定義686[1]，是 "在某種意義上顯示智能的雷達系統，根據不斷變化的環境和目標場景調整其操作和處理"。特別是，嵌入認知型雷達的主動和被動傳感器使其能夠感知/學習動態變化的環境，如目標、雜波、射頻干擾和地形圖。為了達到探測、跟蹤和分類等任務的優化性能，認知雷達中的控制器實時適應雷達結構并調整資源分配策略[2, 3, 4]。對于廣泛的應用，已經提出了不同的適應技術和方法，例如，自適應重訪時間調度、波形選擇、天線波束模式和頻譜共享，以推進認知雷達背景下的數學基礎、評估和評價[5, 6, 7, 8, 9, 10]。

雖然認知方法和技術在提高雷達性能方面取得了很大進展，但認知雷達設計和實施的一個關鍵挑戰是它與最終用戶的互動，即如何將人納入決策和控制的圈子。在國家安全和自然災害預報等關鍵情況下，為了提高決策質量和增強態勢感知（SA），將人類的認知優勢和專業知識納入其中是必不可少的。例如，在電子戰（EW）系統中，在設計適當的反措施之前，需要探測到對手的雷達。在這種情況下，戰役的進程和成功取決于對一個小細節的觀察或遺漏，僅靠傳感器的自動決策可能是不夠的，有必要將人納入決策、指揮和控制的循環中。

在許多應用中，人類也充當了傳感器的角色，例如，偵察員監測一個感興趣的現象（PoI）以收集情報。在下一代認知雷達系統中，最好能建立一個框架來捕捉基于人類的信息來源所建議的屬性，這樣，來自物理傳感器和人類的信息都可以被用于推理。然而，與傳統的物理傳感器/機器4的客觀測量不同，人類在表達他們的意見或決定時是主觀的。人類決策的建模和分析需要考慮幾個因素，包括人類的認知偏差、處理不確定性和噪音的機制以及人類的不可預測性，這與僅由機器代理組成的決策過程不同。

已經有研究工作利用信號處理和信息融合的理論來分析和納入決策中的人類特定因素。在[11]中，作者采用了先驗概率的量化來模擬人類在貝葉斯框架下進行分類感知而不是連續觀察的事實，以進行協作決策。在[12，13]中，作者研究了當人類代理人被假定使用隨機閾值進行基于閾值的二元決策時的群體決策性能。考慮到人類受到起點信念的影響，[14]中研究了數據的選擇、排序和呈現對人類決策性能的影響。在人類協作決策范式中，已經開發了不同的方案和融合規則來改善人類人群工作者的不可靠和不確定性[15, 16]。此外，在[17，18]中，作者將前景理論（PT）用于描述人類的認知偏見，如風險規避，并研究了現實環境中的人類決策行為。在[19, 20]中也探討了基于人類和機器的信息源在不同場景下的信息融合。在[19]中，作者表明，人類的認知力量可以利用多媒體數據來更好地解釋數據。一個用戶細化階段與聯合實驗室主任（JDL）融合模型一起被利用，以在決策中納入人類的行為因素和判斷[20]。

未來的戰場將需要人類和機器專業知識的無縫整合，他們同時在同一個環境模型中工作，以理解和解決問題。根據[21]，人類在隨機應變和使用靈活程序、行使判斷和歸納推理的能力方面超過了機器。另一方面，機器在快速反應、存儲大量信息、執行常規任務和演繹推理（包括計算能力）方面勝過人類。未來雷達系統中的高級認知尋求建立一種增強的人機共生關系，并將人類的優點與機器的優點融合在一起[22]。在本章中，我們概述了這些挑戰，并重點討論了三個具體問題：i）人類決策與來自物理傳感器的決策的整合，ii）使用行為經濟學概念PT來模擬人類在二元決策中的認知偏差，以及iii）在相關觀測下半自主的二元決策的人機協作。

本章的其余部分組織如下。在第11.1節中，我們介紹了一項工作，說明如何將人類傳感器的存在納入統計信號處理框架中。我們還推導出當人類擁有機器無法獲得的輔助/側面信息時，這種人機一體化系統的漸進性能。我們采用行為經濟學的概念前景理論來模擬人類的認知偏差，并在第11.2節中研究人類在二元假設檢驗框架下的決策行為。第11.3節討論了一種新的人機協作范式來解決二元假設檢驗問題，其中人的知識和機器的觀察的依賴性是用Copula理論來描述的。最后，我們在第11.4節中總結了與這個問題領域相關的當前挑戰和一些研究方向，然后在第11.5節中總結。

由于在36,000公里的極端距離上靈敏度下降，并且由于雷達截面減少的小衛星擴散，對地球同步軌道上的常駐空間物體的雷達探測和跟蹤是具有挑戰性的。提高現有單靜止雷達傳感器靈敏度的一個選擇是采用配置為雙靜止接收器的大孔徑無線電望遠鏡。此外，多個接收器將使多方位配置在探測和跟蹤方面有額外的性能改進。在本文中，我們報告了使用美國的Millstone Hill Radar（MHR）和德國的Tracking and Imaging Radar（TIRA）作為發射器的長基線雙靜態測量，以及歐洲的一些接收器：意大利的Sardinia Radio Telescope（SRT）、荷蘭的Westerbork Synthesis Radio Telescope（WSRT）和英國的e-Merlin陣列的多個天線。這里介紹的工作是作為SET-293研究任務組（RTG）的工作計劃的一部分進行的。

在地球同步軌道（GEO）上用雷達維持空間態勢感知（SSA）的最重大挑戰是由于極端的距離造成的靈敏度損失，這個距離是到地球同步軌道帶36000公里。為了提高單靜止雷達的靈敏度，必須提高發射功率，建立一個更大的孔徑，或降低傳感器的系統溫度。靈敏度受孔徑大小的影響最大，因為靈敏度與孔徑的四次方成正比，但建造大孔徑雷達的成本過高，而且工程上的挑戰對這種傳感器的尺寸和回轉率也有上限[1]。然而，提高現有單穩態傳感器靈敏度的一個選擇是考慮使用大孔徑射電望遠鏡作為雙穩態接收器的多穩態雷達。有許多大直徑（>60米）的射電望遠鏡可以與雷達配對使用。使用射電望遠鏡作為接收元件有幾個方面的優勢。除了它們的大尺寸之外，1）射電望遠鏡通常具有較低的系統溫度，通常比雷達的溫度低一個數量級，這進一步提高了它們的靈敏度；2）它們的指向和跟蹤能力與地球同步軌道目標非常匹配；3）它們通常配備有寬頻接收器，可以靈活地與多個發射雷達配對；4）它們通常具有出色的頻率標準（H-馬斯），可以進行相干的雙態觀測；以及5）有可能將天文和雷達觀測校準相結合[2]。

雖然這種雙穩態發射器/接收器對之間的鏈接預算計算是有希望的，但雙穩態雷達截面（RCS）是一個有點未經測試的因素，特別是在洲際基線。在較短的基線上，小于1000公里，雙態RCS可能與單態RCS相似，但由于即使是單態RCS也可能具有高度的方向性，雙態RCS可能會有更大的變化[3]。此外，由于可以同時使用多個接收站（無線電望遠鏡），因此可以啟用多方位配置，這不僅可以提高整個系統的靈敏度和探測地球同步軌道物體的能力，而且還可以提高跟蹤性能，因為多方位測量將有助于改善物體的位置和速度估計。

2020年初，北約科學與技術組織（STO）啟動了一個為期多年的傳感器、電子和技術（SET）研究任務組（RTG）（SET-293），通過結合美國和歐洲的現有北約伙伴資產，研究使用雙靜態和多靜態雷達配置來改善地球同步軌道的SSA。SET-293已經進行了實驗，以探索現實世界對這種雙穩態系統的理論鏈接預算的限制。圖1-1描述了實驗中雷達發射器（Tx）和接收器（Rx）的幾何形狀。

圖 1-1 – 雷達多基地實驗幾何，描繪了雷達發射機照射地球同步衛星目標和射電望遠鏡接收來自衛星的信號。

一組實驗將美國的米爾斯通山雷達（MHR）與歐洲的三個接收器配對：意大利的撒丁島射電望遠鏡（SRT）、荷蘭的韋斯特博克綜合射電望遠鏡（WSRT）的一個天線以及英國喬德雷爾銀行天文臺（JBO）運營的e-Merlin陣列的多個天線。e-Merlin包括7個天線，直徑從25米到76米，在英國的間距從10公里到220公里，用于厘米級波長的高分辨率射電天文學成像。這些天線通過一個專用的光學網絡連接到一個中央相關器，它們的一致性由同一光纖上的雙向射頻定時信號來維持。在歐洲，在德國的TIRA和SRT及e-Merlin射電望遠鏡之間進行了更小基線的其他雙穩態實驗。傳感器及其相關參數列于表2.1。

鏈路預算是以每個與MHR和TIRA配對的接收器的參考信噪比來計算的。MHR的參考單靜態信噪比為50dB，TIRA為47dB，它描述了1000公里范圍內0dBsm目標的單脈沖的最大性能。需要注意的是，這種鏈路預算計算假定單靜止和雙靜止RCS是等效的。此外，接收機增益，即單穩態靈敏度和雙穩態靈敏度之間的差異，顯示在表2.1最后一行的每個雙穩態接收機。射電望遠鏡接收器的潛在好處是顯而易見的，因為即使是規模不大的WSRT接收器，由于其作為一個純接收系統的低系統溫度，預計在MHR下會顯示近7分貝的接收器增益，在TIRA下會顯示10分貝增益。本文報告了在2020年和2021年收集的測量結果。在2022年已經進行了額外的收集，并將在未來的論文中介紹。

基于激光的通信和武器系統是維持海軍作戰準備和主導地位的組成部分。也許對這些系統來說，最頑固的障礙之一就是大氣層。這在近海環境中尤其如此。大氣層的湍流干擾了激光束的傳播，因為它們會受到空氣折射率的波動。當光束穿過大氣層時，目標上的輻照度會有損失，光束擴散，光束漂移，以及傳播中的激光束的強度波動。折射率結構參數，是對沿途光學湍流強度的測量。如果能在工作環境中容易和有效地確定，對激光器性能的預測就會大大加強。本研究的目標是利用圖像質量特征與機器學習技術相結合，準確預測折射率結構參數。為了構建折射率結構參數的機器學習模型，對一系列的圖像質量特征進行了評估。選擇了七個圖像質量特征，并應用于34,000次單獨曝光的圖像數據集。這個數據集，以及來自閃爍儀的獨立測量的 值作為監督變量，然后被用來訓練各種機器學習模型。本研究特別關注的模型是廣義線性模型、袋式決策樹、提升決策樹以及隨機森林模型。雖然可用的訓練數據的數量對模型性能有很大影響，但研究結果表明，圖像質量可以用來協助預測，而且機器學習模型的性能優于線性模型。

關鍵詞：光學湍流、機器學習、近海環境和無參照物成像

現代數字雷達在其波形、雷達參數設置和傳輸方案方面提供了前所未有的靈活性，以支持多種雷達系統目標，包括目標探測、跟蹤、分類和其他功能。這種靈活性為提高系統性能提供了潛力，但需要一個閉環感知和響應方法來實現這種潛力。完全自適應雷達（FAR），也被稱為認知雷達，是模仿認知的感知-行動周期（PAC），以這種閉環方式適應雷達傳感器。在這項工作中，我們將FAR概念應用于雷達資源分配（RRA）問題，以決定如何將有限的雷達資源如時間、帶寬和天線波束寬度分配給多個相互競爭的雷達系統任務，并決定每個任務的傳輸參數，使雷達資源得到有效利用，系統性能得到優化。

已經提出了一些感知-行動的RRA方法。這一領域的最新工作被稱為認知雷達資源管理，而較早的相關工作則被稱為簡單的傳感器管理或資源分配。這些算法依賴于兩個基本步驟。首先，它們以概率方式捕獲（感知）監視區域的狀態。其次，他們使用這種概率描述，通過確定哪些行動有望實現效用最大化來選擇未來的傳感行動。

任何RRA算法的一個關鍵挑戰是平衡目標探測、跟蹤、分類和其他雷達任務的多個競爭性目標。這一點通過優化步驟中用于選擇下一步雷達行動的目標函數來解決。目標函數也被稱為收益、標準、價值或成本函數。因此，以適合優化的數學形式闡明系統目標，對完全自適應雷達資源分配（FARRA）系統的運行至關重要。隨著可用于適應的參數數量和雷達系統任務數量的增加，這變得越來越困難。這種優化有兩種基本方法：任務驅動和信息驅動。

在任務驅動的方法中，為每個任務指定性能服務質量（QoS）要求，如探測目標的預期時間或跟蹤的均方根誤差（RMSE），并通過加權各種任務的效用來構建一個綜合目標函數。這樣做的好處是能夠分別控制任務性能，并確定任務的相對重要性。然而，它需要用戶有大量的領域知識和判斷力，以指定任務要求和傳感器成本，并構建成本/效用函數和加權，以結合不同的任務性能指標。

在信息驅動的方法中，一個全局信息測量被優化。常見的信息測量包括熵、相互信息（MI）、Kullback-Leibler分歧（KLD）和Renyi（alpha）分歧。信息指標隱含地平衡了一個雷達可能獲得的不同類型的信息。這具有為所有任務提供共同的衡量標準（信息流）的理想特性，但沒有明確優化諸如RMSE等任務標準。因此，信息理論的衡量標準可能很難被終端用戶理解并歸結為具體的操作目標。此外，如果沒有額外的特別加權，它們不允許單獨控制任務，并可能產生以犧牲其他任務為代價而過度強調某些任務的解決方案，或者選擇在用戶偏好判斷下只提供邊際收益的傳感器行動。

在這項工作中，我們考慮一個雷達系統對多個目標進行同步跟蹤和分類。基于隨機優化的FAR框架[28]，為我們的PAC提供了結構。我們開發并比較了用于分配系統資源和設置雷達傳輸參數的任務和信息驅動的FARRA算法，并在模擬機載雷達場景和俄亥俄州立大學的認知雷達工程工作區（CREW）實驗室測試平臺上說明其性能。這項工作結合并擴展了我們以前在傳感器管理[8-14]和FAR[18, 21, 27, 29-31]的工作。初步版本發表于[32]。結果表明，任務和信息驅動的算法具有相似的性能，但選擇不同的行動來實現其解決方案。我們表明，任務和信息驅動的算法實際上是基于共同的信息理論量，所以它們之間的區別在于所使用的指標的粒度和指標的加權程度。

本章的組織結構如下。在第10.2節中，我們提供了FAR框架的概述，在第10.3節中，我們通過為這個問題指定FAR框架的組成部分來開發多目標多任務FARRA系統模型。在第10.4節中，我們描述了組成FARRA PAC的感知和執行處理器，包括我們采用的任務和基于信息的目標函數。在第10.5節中，我們提供了比較優化方法的機載雷達仿真結果，在第10.6節中，我們展示了CREW測試平臺的結果。最后，第10.7節介紹了這項工作的結論。

完全自適應雷達框架

單個PAC的FAR框架是在[18, 27]中開發的，在此總結一下。圖10.1是一個系統框圖。PAC由感知處理器和執行處理器組成。PAC通過硬件傳感器與外部環境互動，通過感知處理器和執行處理器與雷達系統互動。感知處理器接收來自硬件傳感器的數據，并將其處理為對環境的感知。該感知被傳遞給雷達系統以完成系統目標，并傳遞給執行處理器以決定下一步行動。執行處理器接收來自感知處理器的感知以及來自雷達系統的要求，并解決一個優化問題以決定下一個傳感器的行動。執行處理器通知硬件傳感器下一次觀察的設置，傳感器收集下一組數據，然后循環往復。

圖10.1: 單一PAC FAR框架

態勢感知是作戰人員的必需能力。一種常見的監視方法是利用傳感器。電子光學/紅外（EOIR）傳感器同時使用可見光和紅外傳感器，使其能夠在光照和黑暗（日/夜）情況下使用。這些系統經常被用來探測無人駕駛飛機系統（UAS）。識別天空中的這些物體需要監測該系統的人員開展大量工作。本報告的目的是研究在紅外數據上使用卷積神經網絡來識別天空中的無人機系統圖像的可行性。本項目使用的數據是由作戰能力發展司令部軍備中心的精確瞄準和集成小組提供的。

該報告考慮了來自紅外傳感器的圖像數據。這些圖像被送入一個前饋卷積神經網絡，該網絡將圖像分類為有無無人機系統。卷積模型被證明是處理這些數據的第一次嘗試。本報告提供了一個未來的方向，以便在未來進行擴展。建議包括微調這個模型，以及在這個數據集上使用其他機器學習方法，如目標檢測和 YOLO算法。

在過去的十年中，人們根據水下物體對入射寬帶聲納脈沖的反應對其進行分類產生了很大興趣。高頻聲納可以提供海底物體的圖像，但這些圖像中的信息通常與物體的尺寸和外部紋理有關，而不是其內部。因此，例如未爆彈藥（UXO）和非未爆彈藥，如果它們的外部特征相似，其反應可能非常相似。較低的頻率可以探測內部反應，并滲透到海床以下。測量一個物體在廣泛的頻率范圍內的散射特性，包括較低的頻率，可以加強物體的分類。本科學報告研究了深度學習技術與TREX13試驗的實驗聲學顏色和時間序列數據的使用。開發了二類、多類和擴展多類分類模型，以區分未爆彈藥和非未爆彈藥物體。表現最好的二元分類模型學會了準確區分未爆彈藥和非未爆彈藥類別。多類分類模型學會了預測單個物體類別，如榴彈炮炮彈和輪胎。擴展的多類分類模型表明，即使是訓練集中沒有包括的物體類別也能從特征編碼中準確分類。這些結果表明，部署這種基于深度學習的分類器可能是非常有利的，因為它們可以自動識別寬頻聲納散射數據中的物體。

對國防和安全的意義

海軍聲納系統對水下環境進行探測，并收集數據，從這些數據中可以對海底的未爆彈藥（UXO）等物體進行探測、定位和分類。自動目標識別系統是減少操作員工作量和提高探測性能的潛在有價值的工具，但需要低誤報率和高準確率才能發揮其優勢。本報告表明，深度神經網絡模型可以在實驗性寬帶聲納散射數據集中對各種未爆彈藥和非未爆彈藥物體進行準確分類。

圖1：概念圖說明了用各種CNN分類器進行寬帶散射數據分析的流程。

數據集

TREX13寬頻SAS散射實驗的目的是探索從淺層環境的聲納回波中探測和分類驕傲的和埋藏的軍事彈藥。該數據集包括11個獨特的未爆彈藥復制品和16個獨特的非未爆彈藥物體的寬帶SAS散射數據。這些物體被放置在墨西哥灣的一個沙質底部，從10到40米的水平距離上進行聲納。聲納發射了一個6毫秒的線性頻率調制信號，跨度為3至30千赫，前緣和后緣之間有10%的錐度。背向散射回波由一個6個水聽器元件的線性陣列收集。

TREX13數據集包括為每個被測物體準備的矩陣（頻譜振幅作為頻率和相對于物體的角度的函數）--這些是聲色模板。對形成這些模板所使用的處理方法的詳盡描述可以在[11]中找到。此外，還有類似準備好的時間序列/方面模板。這些模板是通過使用接收數據并考慮到聲納發射和接收水平而構建的。同樣，來自物體的重疊旋轉的數據被 "混合 "以形成一個復合模板。本報告中使用的就是這種數據。在[10]中，每個部分的數據都被歸一化，以消除回波的整體水平的影響。在本報告中，目標強度數據只是按照提供的數據使用。

表1和表2概述了將物體分為真實數據訓練集和真實數據測試集的情況。水平線表示非未爆彈藥和未爆彈藥物體之間的劃分。應該注意的是，盡管大多數模板是針對凸起的物體，但也有一些部分掩埋的情況。這些表格顯示，一些個別物體的數據比其他物體的數據多（見模板數量一欄）。一般來說，未爆彈藥數據比非未爆彈藥數據多。然而，非未爆彈藥數據子集比未爆彈藥數據子集包括更多的單個物體類型。