亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

收集和共享信息以及指揮和控制是所有軍事行動的重要組成部分。建立一個靈活的通信網絡，以適應每次行動的具體要求，是在當前和未來軍事行動中提供必要信息流的關鍵要求之一。目前正在開展一些活動，為固定網絡基礎設施提供靈活的聯盟網絡，并在一定程度上為半移動部署網絡提供靈活的聯盟網絡，例如聯邦任務網絡（FMN）。然而，對于如何部署高效、連接良好的異構戰術無線電網絡，目前還沒有明確的指導方針。這極大地阻礙了低級戰術層面的信息共享。本報告介紹了北約科技組織所做的研究，目的是加深對如何在戰術邊緣構建可互操作的異構移動無線電網絡的理解，并提出一些建議。目的是找到最有效利用不同聯盟伙伴為行動提供的移動網絡的方法。報告涵蓋三大主題：

1. 描述一個場景并實施一個類似云的測試平臺環境，以評估與該場景相關的不同技術解決方案。該試驗臺是提高信息和通信技術國際研究合作效率的一個示例。場景和試驗臺的作用與技術合作示范（CDT）類似，都是對不同技術進行基于場景的合作分析，但成本比 CDT 低得多。利用仿真技術可以加快從早期研究成果到為標準化測試解決方案所需的時間。建立測試平臺環境的工具和腳本將公開提供。

2. 描述和分析在不同移動網絡之間提供端到端連接的架構和機制。報告比較了不同的路由架構，并提出了一種混合架構。一個核心觀點是，網絡規劃者需要選擇不同的機制，以便為不同類型的操作提供必要的性能。為了確保不同機制之間的互操作性，我們確定了必要的信息交換接口，并對不同協議的可擴展性進行了研究。我們概述了不同的安全架構，討論了安全架構的選擇對路由架構效率的影響，并提出了一個目標安全架構。

3. 對稀缺網絡資源進行最佳優先排序和利用的準則和機制。建議監測網絡健康的三種狀態（正常、減少、最后努力），以改善網絡的資源管理（RM）和服務質量（QoS）。不同的網絡狀態需要一套或多套機制。我們還建議選擇單一網絡層來實施 QoS 或 RM 機制，因為這樣可以降低不同層的機制不合作而降低性能的風險。要使 RM 和 QoS 運行良好，必須有一個信息價值（VoI）的概念。VoI 會隨時間發生變化，RM/QoS 需要適應這些變化。

更好地了解在戰術邊緣建立移動異構聯盟網絡時所面臨的挑戰，這將有助于北約國家發展/采購具有互操作性的網絡設備。成果非常及時。預計從螺旋 4 開始，FMN 將開始包括移動戰術網絡的不同方面。結果將成為相關 FMN 的重要投入。

重點關注可部署和移動戰術領域的異構網絡

圖 2 展示了依賴于這些網絡的軍事場景概覽。創建該場景是為了顯示行動期間的信息需求，并舉例說明在異構網絡中建立必要服務所面臨的挑戰。

該場景描述的是一個機械化營的連級特遣部隊和一個海軍特遣艦隊開展的行動。它們是由聯軍總部協調的軍事特遣隊 (MC) 的一部分。連隊通信和信息系統 (CIS) 與國家作戰廣域網相連，并可訪問聯軍系統。MC 總部在行動期間發揮后援作用，并應要求提供戰斗支援（CS）和戰勤支援（CSS）。根據行動背景，假定敵軍正準備從位于圖 2 右下角行動區內的村莊向聯軍基地發動復雜的攻擊。敵軍裝備精良，活動區域可能埋有地雷，因此有可能出現簡易爆炸裝置（IED）危險。己方部隊的任務是進入作戰區域，消滅叛亂分子并銷毀他們收集的武器裝備。避免村莊居民傷亡并使叛亂分子無法逃脫是非常重要的。這一任務中最重要的因素是由聯軍提供的獨聯體、后勤和醫療支持。因此，需要有運作良好的通信能力來幫助組織武裝部隊。

完成這項任務需要使用各種系統和通信網絡，如無線電通信系統（高頻、甚高頻、超高頻、衛星通信）、傳感器網絡和無人機系統。海軍管理系統也已到位，用于支持任務的偵察和監視，并提供數據、語音和視頻等服務。

為實施場景中的行動，確定了三個小故事。每個小故事的角色和參與者都相同。第一個小場景涉及戰場的情報準備工作。第二個小場景包括聯軍進入作戰區，包括在周邊沿海地區開展海上攔截行動。第三個小故事包括一次城市行動，結果是消滅了叛亂分子。第三個小故事還包括在解除簡易爆炸裝置后向軍艦進行的醫療后送。每個小故事都提出了行動者和 C4IS（指揮、控制、通信和計算機信息系統）設備之間預期交換的數據，強調了軍事異構網絡的連接性和網絡效率問題。

戰場物聯網（IoBT）的重點是利用傳感器、執行器和分析設備的互聯網絡提供戰場態勢感知。傳感器可以探測敵人的動向，然后將信息實時傳遞給分析人員，使他們能夠就定位、應避免的區域或誰正在穿越某一區域做出戰術決策。這種能力將有可能節省資源和士兵的生命，因此物聯網成為美國陸軍研究實驗室（ARL）網絡科學研究實驗室研究的重要課題。物聯網（IoT）的概念是與任何類型的設備（從汽車到冰箱）建立通信網絡。將這一概念轉換到戰場環境中，可以想象 IoBT 能帶來多大的可能性。陸軍對 IoBT 設備產生了濃厚的興趣，希望學習、開發并將這些理念從實驗室帶到戰場。

為此，美國陸軍研究實驗室戰術網絡保障分部開發了一種在未知或潛在敵對環境中使用 IoBT 部署多個傳感器的方法。稱該系統為自主分類傳感器網絡。系統內的傳感器執行基本分類，根據生成的事件識別是盟友還是對手，并使用特設無線網絡相互通信。通過使用多個不同類型的傳感器，分類結果更加穩健，因為它們來自不同模式的多個傳感器數據源。此外，為確保較長的網絡壽命，傳感器采用了睡眠算法，節點進入低功耗模式，同時保持網絡活動。最后，這項工作的重點是開發一種應對拒絕服務（DoS）和分布式拒絕服務（DDoS）攻擊的對策，這些攻擊是能夠關閉網絡的普遍威脅。

圖 6 測試不同聚類方法的 Node-RED 流程

交叉引用傳感器

每個傳感器節點都與一個 XBee Series 2 模塊相連，作為通信的基礎層。之所以選擇 XBee，是因為它成本低廉，而且與其他常見的 WiFi 或藍牙設備相比，它與戰術無線無線電相似。我們的實施方案有兩種節點，一種是檢測器節點，另一種是分類器節點。檢測器用于檢測網絡一般區域內是否發生了事件。分類器收集的數據隨后用于將事件分類為盟友事件或敵方事件。我們的設想是，讓探測器節點感知是否有人進入現場，并將該信息轉發給附近的分類器節點，以喚醒它們并開始勘察環境。分類器節點將繼續感知，直到有人觸發事件或感知時間結束。然后，分類器的信息將直接或通過多跳發送到基站。

探測器節點配備了被動紅外（PIR）、超聲波或振動傳感器，分類器節點配備了射頻識別（RFID）、磁力計、麥克風或攝像頭傳感器。為了節約能源，我們在網絡中采用了睡眠算法，這樣檢測器節點就不會在每個時間點都處于空閑狀態。傳感器被連接到 Arduino UNO2 或 Raspberry Pi3 單板計算機上。除了攝像頭和麥克風需要 Raspberry Pi 提供額外的計算資源外，大部分傳感器都使用 Arduino UNO 設備。

分類傳感器收集到的數據會被發送到基站，并在那里匯總成一個數據項。這個匯總數據集代表了過去幾秒鐘內感應到的區域。然后通過聚類算法對數據進行分析，對觸發傳感器的個人進行分類，以預測是盟友還是對手觸發了事件。

休眠算法

無線傳感器網絡的一個重要方面是網絡壽命，它可以定義為最后一個節點停止工作（因故障或耗盡電力資源）所需的時間，也可以定義為網絡的覆蓋范圍或連接性達到某個連接性閾值所需的時間。如果網絡能維持更長時間的可用流量，就能減少在戰場上更換或維護網絡的需要，從而節省時間并降低士兵面臨的風險。由于增加每個節點的電池容量成本高昂，建議采用休眠算法來延長網絡的使用壽命。不主動掃描且對網絡連接不重要的節點可以進入睡眠狀態，以節省能量。然后，這些節點可以在稍后時間被激活，接替可用能量較少的節點的角色。在實施過程中，探索了三種不同的策略，同時測量了它們的壽命和覆蓋范圍。1）地理自適應保真度 (GAF) 算法、2）連接 k 鄰域 (CKN) 和能耗連接 k 鄰域 (EC-CKN)、3）分類網絡休眠算法

數據分析

隨著可用數據的增加，有必要制定一種方法來解釋數據和推理信息。最初通過 Node-RED 通過合成輸入進行數據收集和分類。我們選擇了 R 編程語言來最終實現將傳感器數據分類為敵方或盟方事件。

安全性

任何無線網絡都會存在一些安全隱患，因此必須加以解決。第一個問題是，傳感器會不斷廣播它們掌握的所有信息。監聽網絡的敵人可以輕易地看到所有正在廣播的信息，甚至更糟糕的是，他們可以編造自己的數據來混淆聚類算法。另一個問題是，監聽網絡的對手可能會試圖用數據包淹沒網絡，阻止傳感器傳輸數據（DoS 或 DDoS）。

為了防止對手在 DoS/DDoS 攻擊中用無用數據淹沒網絡，檢查了畸形數據，并切換了 XBee 無線電的個人區域網絡 (PAN) ID。如果檢查發現網絡被數據淹沒，系統就會切換到另一個網絡。遺憾的是，這并不能完全解決問題，因為存在復制攻擊，這種攻擊會利用有效數據，在網絡中充斥大量數據副本。不過，這種攻擊可以通過在數據中加入一次性號碼來解決，這樣基站就能檢測到相同的數據是否被發送了多次。

空間態勢感知是準確描述和預測空間環境狀態的能力，隨著運行衛星數量的增加，空間態勢感知已成為人們關注的話題。這一趨勢是由大型衛星星座的部署推動的，這些星座在完全部署后可能由數萬顆衛星組成。準確跟蹤空間物體對于預測和防止物體之間的碰撞非常重要，因為碰撞可能會對運行中的衛星造成災難性損害，并產生碎片云，危及其他衛星。然而，跟蹤空間物體非常復雜，部分原因是測量結果的來源不確定，這個問題被稱為數據模糊性。雖然存在多種能夠處理數據模糊性的目標跟蹤算法，但在太空環境中進行跟蹤還面臨其他挑戰。由于相對于可用傳感器資源而言，目標數量眾多，因此每個目標的可用觀測數據數量通常較少，而且由于上述數據模糊問題，許多觀測數據互不相關。最近興起的大型星群帶來了另一個問題，即相關衛星將利用低推力推進系統來保持編隊，這就要求具備機動目標跟蹤能力，以獲得最佳性能。在本論文中，我們將分析兩個問題，這兩個問題代表了運營商在不久的將來將面臨的空間物體跟蹤挑戰。我們將展示如何利用有限集統計開發適用的算法。有限集統計是一種數學框架，允許采用自上而下的方法開發具有所需功能的嚴格貝葉斯最優多目標過濾器。

分析的第一個問題是大型星座跟蹤問題。我們模擬了一個由 4,500 多顆低地球軌道衛星組成的星座，并使用 12 個地面近視傳感器網絡對其進行跟蹤。這些傳感器的任務由一個結合了信息論獎勵的成本函數來完成。我們還利用戰術重要性函數，將基于任務的目標（如有碰撞風險的物體的優先級）納入任務分配邏輯。收集到的數據將通過一個帶標記的多貝努利濾波器進行處理。濾波器產生的狀態目錄估計值用于激勵下一輪傳感器任務分配，從而形成一個用于綜合任務分配和跟蹤的自主閉環系統。經過五天的跟蹤期后，狀態目錄估計值將用于執行會合分析。我們將現有方法結合起來，為衛星間近距離接近的過濾和風險量化提供了一個計算效率高的工作流程。

分析的第二個問題是在存在機動目標時跟蹤多個目標。機動目標以不可預測的方式偏離其自然軌跡，通常需要專門的跟蹤算法才能獲得最佳性能。跟蹤此類目標的常用方法是交互式多模型濾波器，該濾波器可維持一組模型來表示目標的可能動態。未知動態可通過等效噪聲概念表示為白噪聲過程。這樣就能有效地跟蹤機動空間物體，但這種算法缺乏表征機動的能力。利用有限集統計，我們能夠開發出一種廣義標注多貝努利濾波器，允許整合任意動態模型。這樣，我們就能利用數據自適應方法，更具體地模擬未知動態，從而使濾波器除了進行機動目標跟蹤外，還能進行機動特征描述。我們還開發了一種基于考慮的最小二乘機動估計算法，該算法使用單次脈沖速度變化對未知動力學進行建模。這種機動的時間是通過多重假設法估算出來的。這種方法與我們提出的廣義標注多伯努利濾波器相結合，并應用于模擬地球靜止軌道衛星群，其中包括一顆執行未知機動的衛星。

大型星座跟蹤工作的結果表明，綜合任務分配和跟蹤算法能夠保持對所有模擬衛星的監護。在傳感器任務分配邏輯中加入了碰撞風險的衡量標準，從而提高了風險分析的準確性，但改進不大。我們假設，采用更通用的優化算法或不同的傳感器架構，可能會使基于任務目標的任務分配產生更大的影響。我們對機動目標跟蹤問題的研究結果表明，我們能夠以可接受的準確度描述機動動態。與實際機動相比，我們的表征絕對誤差相對較高，但我們能夠保持對所有目標的監護。在整個機動過程中，一致性指標保持穩定，這表明對估計的機動誤差不確定性進行了精確量化。未來的工作還包括將這項工作擴展到更大規模的場景，在這種場景中，由于機動檢測對計算效率的影響，機動檢測將成為一個更大的因素。此外，還需要進一步開展工作，將我們的算法擴展到低地軌道跟蹤場景中經常使用的非高斯狀態表示法。

圖 3.3：整合各種算法，形成自主風險感知衛星跟蹤系統。

如今，許多機器人系統都是遠程操作的，需要不間斷的連接和安全的任務規劃。這類系統常見于軍用無人機、搜救行動、采礦機器人、農業和環境監測等領域。不同的機器人系統可能采用不同的通信方式，如無線電網絡、可見光通信、衛星、紅外線、Wi-Fi 等。然而，在機器人需要相互連接的自主任務中，由于信號超出范圍或不可用，經常會出現通信受限的環境。此外，一些自動化項目（建筑施工、裝配線）無法保證不間斷的通信，因此需要一個安全的項目計劃，以優化碰撞風險、成本和工期。在本論文中，我們提出了四管齊下的方法來緩解上述問題： 1) 通信感知世界地圖；2) 使用視線（LoS）進行通信保護；3) 通信感知安全規劃；以及 4) 用于導航的多目標運動規劃。

首先，重點開發了一種通信感知世界地圖，它將傳統的世界模型與多機器人位置規劃相結合。我們提出的通信地圖可選擇一連串中間中繼車輛的最佳位置，以便最大限度地提高與遠程單元的通信質量。我們還提出了一種算法，當有多個遠程單元需要服務時，可以建立一棵最小阿伯累樹（min-Arborescence tree）。 其次，在通信被剝奪的環境中，我們利用視線（LoS）在移動機器人之間建立通信，控制它們的移動并向其他自主單元轉發信息。我們提出并研究了多機器人中繼網絡定位問題的復雜性，并提出了近似算法，通過重新定位一個或多個機器人來恢復基于可見度的連接。

第三，開發了一個框架，用于量化全自動機器人任務的安全得分，在這種任務中，人與機器人的共存可能會帶來碰撞風險。我們使用運動規劃算法分析了一系列備用任務計劃，以選擇最安全的計劃。

最后，為機器人開發了一種基于多目標優化的高效路徑規劃，以處理若干帕累托最優成本屬性。

圖 2.1：(a) 由三個機器人組成的鏈，它們將操作員的通信轉發給遠程單元；(b) 包含三個中繼器的最小生成樹，優化了操作員與三個單元之間的通信。

毫米波（mmWave）雷達與光學傳感器不同，體積小巧、精度高、穿透力強且符合隱私保護標準，因此在多傳感器應用中無處不在。然而，光學傳感器的高分辨率和圖像數據集的廣泛可用性導致了使用光學傳感器的機器學習解決方案的快速發展，從而將毫米波雷達推向了輔助傳感器的角色。本論文針對醫療保健、軍事和自主感知領域，介紹了一系列嘗試利用傳感器融合和機器學習方法增強毫米波雷達能力的新方法。首先，論文介紹了骨骼姿態估計技術，該技術可檢測到 15-25 個關鍵點，三維定位誤差小于 3 厘米，可潛在應用于病人/老年人監測、步態分析和識別以及行人監測。其次，介紹了一種自動雷達標注方案，以鼓勵快速開發雷達圖像數據集，幫助自主感知。這項研究還包括使用傳感器融合特征向量和 12 維雷達特征向量進行目標分類，在車輛與行人檢測研究中，準確率分別達到 98% 和 92%。最后，利用雷達-攝像頭傳感器融合技術探索了基于 DNN-LSTM 的目標跟蹤方法和基于三卡爾曼濾波器的目標跟蹤方法，在這兩種方法中，系統不僅提高了定位精度，而且對單個傳感器故障具有魯棒性。基于 DNN-LSTM 的跟蹤器的優勢在于它不需要事先在雷達和攝像頭之間進行校準，而且對于確定單個傳感器提供的定位差異至關重要。基于三卡爾曼濾波器的方法將這些發現用于多目標跟蹤，精度達到 26 厘米，與最先進的方法不相上下，漏檢率小于 4%，與文獻中大于 16% 的 FNR 相比有了顯著提高。本研究提出的方法大大提高了感知能力，使自主系統更加安全。

在機載預警與控制（AEW&C）系統中，作戰員需要保持警惕，執行多項任務，進行溝通，并在任務期間同時處理不同來源的信息。作戰員的主要目標是接收、解釋和分發 AEW&C 系統提供的信息和數據，以創建識別海空圖像（RASP）。然后利用這些信息來執行戰斗機控制和探測異常情況等任務。指揮與控制（C2）系統能力的增強和環境中新威脅的出現，使作戰員的任務比以往任何時候都更加廣泛、復雜和繁瑣，這有可能損害他們的態勢感知（SA），進而影響他們的決策。這一領域具有高風險，錯誤的決策可能會帶來毀滅性的影響。因此，尋找促進 SA 的新技術的重要性不容忽視。隨著人工智能（AI）應用的快速增長，技術的日益成熟為創建促進 SA 的系統提供了新的可能性。這促使我們開展研究，探索和分析人工智能為 AEW&C 作戰員提供的促進 SA 的機會，特別是戰斗機控制員（FC）和監視作戰員（SO）等關鍵角色。本研究旨在回答何時以及如何實施人工智能以促進 SA 的問題。

在回答這些問題時，采用了通過設計進行研究的方法。在回答 "何時 "的問題時，采用了系統分析、用戶研究、概念開發和評估等方法；在回答 "如何 "的問題時，采用了通過文獻研究和親和圖來制定指導原則，并在概念開發和評估中應用這些指導原則進行測試的方法。該系統分為四個獨立的子系統，分別規定了目標、主體、工具和結果。分別為 FC 和 SO 確定了七類與 SA 相關的挑戰。為每個角色創建了四個旨在改進 SA 的概念，其中談話翻譯工具、隊形識別工具、異常檢測工具和時間軸工具被認為是最有希望進一步開展工作的概念。為人工智能功能開發的三個階段制定了指導方針：規劃、設計和評估。這些指導方針證實了通過研究進行設計的實用性，可用于探索實施人工智能的機會、構思和創建概念，并在 AEW&C 環境中對其進行評估。

圖 5. 與通過研究框架進行設計有關的預研究階段

聯網無人自主系統將越來越多地被用于支持地面部隊的行動。協作控制的方法可以找到接近最佳的位置建議，對系統參數如傳感和通信進行優化，以提高任務的有效性。然而，隨著時間的推移，這些建議會產生可預測的路徑，可能會對部隊的作戰意圖提供領先的指示。假設敵方的目標是識別地面部隊的作戰意圖。使用隨機路由策略來生成針對對手的無人系統的欺騙計劃，這種紅方方法有可能改變軍事作戰計劃的許多方面，包括作戰和戰略層面的計劃和兵棋推演。本課題建立在2021年L.Wigington的研究基礎上，該研究開發了無人駕駛移動網絡控制系統的對抗性評估。由此并在之前的研究基礎上，本論文應用并潛在地擴展了之前的方法論，以分析對抗性行為，并利用隨機路由策略對NCS操縱其行為。

在戰術情報、監視、目標獲取和偵察（ISTAR）中，移動特設傳感器智能體合作實現收集任務，以彌補信息需求和信息收集之間的差距，從而保持持久的態勢感知。針對有限的機載傳感器平臺資源能力和能耗，最新的貢獻往往采用特設規定的傳感器行為，導致過度保守的連接約束和有偏見的決策。 其他的方法是假設一個分割的空間，持續的網絡連接或約束放松，以減少問題的復雜性。但是，這些可能會傳達一個重要的機會成本，并不利于整體性能，遠離收集價值最大化，只要數據路由是可行的。本文提出了一種創新的方法來處理移動特設傳感器網絡/蜂群收集任務的問題，該方法考慮了有限的機載處理能力和數據傳播的能耗預算。收集規劃依賴于一種新的開環反饋決策模型的制定。它包括反復求解一個靜態決策問題，使采集值在一個逐漸縮小的時間范圍內最大化。偶發性決策受傳入請求、累計采集值、正在進行的資源承諾、剩余資源能力和上一階段的反饋影響。該方法結合了一個新的緊湊圖表示和一個近似的路徑規劃決策模型，受制于周期性連接。

對國防和安全的意義

本科學報告提出了新的收集任務決策支持技術概念，為實現數字化指揮和控制（C2）解決方案鋪平了道路，以支持戰術陸地指揮、控制、通信、計算機、情報、監視和偵察（C4ISR）。這種新的傳感器網絡收集任務概念，以保持持久的態勢感知，完全符合加拿大陸軍陸上需求局（DLR）2的意圖，即實現戰術決策-行動周期的自動化和優化。這項工作旨在及時向DLR 2和陸地情報、監視、偵察（ISR）現代化資本采購項目的定義階段通報戰術邊緣的新的自動化和優化收集任務技術概念，并確定有希望的研究方向。倡導的概念為敏感目標定位、動態收集任務重新分配、收集器集成以及新的自動化收集任務解決方案的可行性和價值帶來了新的視角。所提出的核心概念計劃在適當的國家和國際場合，如關鍵的選定的軍事演習和/或技術合作計劃（TTCP）中逐步和適時地展示。這將為其他 "五眼 "國家提供必要的能見度和適當驗證的機會窗口，同時獲得對加拿大感興趣的有競爭力的最新技術。

報告組織

該文件的其余部分分為以下幾個部分：

第2節介紹了傳感器網絡收集任務的問題。

然后在第3節中強調了一種新的收集任務的方法，以保持持久的態勢感知。第3節介紹了一種新的收集任務分配方法，以保持持久的態勢感知。該節提出了一個總體概述，并強調了其主要特征和相關的新穎性。然后分別進一步描述了一種創新的收集圖表示、一種新的連接性約束處理方法和一種管理臨時代理收集的數學決策模型表述。然后介紹了所促進的具有成本效益的通信規劃/路由方案的細節。

第4節描述了自然問題模型的擴展，以處理連通性的不確定性，并隨時捕捉多個目標。

第5節簡要討論了問題復雜性的降低。

第6節報告了計算結果，并對各種基線問題解決技術進行了一些性能比較分析，以評估擬議方法的價值。

最后，第7節給出了一個結論，簡要總結了報告的主要貢獻和預期的未來工作。

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。