船舶声呐部位自噪声的预报方法及其控制技术

本文简要地分析了舰船艏部声呐罩内自噪声的特征，比较全面地综述了艏部声呐和舷侧阵声呐自噪声的预报方法，内容包括弹性平板——矩形腔模型、半解析半试验方法、统计能量法和波数法；同时综述了声呐自噪声的控制技术，内容包括艏部声呐罩线形的低噪声设计方法、声呐罩结构和材料的低噪声设计技术、舷侧阵柔性涂复层技术以及水下声障板设计技术。     

神经网络算法在舰船声呐设备自噪声预报的应用

舰船声呐设备利用声波在水下的传播特性,将采集的声音信号转换为电信号,从而确定水下目标的位置信息、速度信息和形态信息等,是舰船上重要的水声学探测装置。在舰船声呐的正常工作中,噪声信号会对声呐的探测和目标定位精度产生不利影响,常见的噪声源包括舰船螺旋桨噪声、舰船机械噪声、声呐设备自噪声等。本文主要研究舰船声呐设备的自噪声频段分布和形成原理,利用神经网络算法对声呐设备自噪声预报技术进行研究,该研究对改善舰船声呐设备的探测水平、提高声呐采集信号的信噪比、降低声呐设备自噪声等有重要意义。     

基于径向基神经网络的舰艇磁场推算模型

针对目前数值建模解决舰艇内外磁场推算问题时存在的困难,从智能优化的角度出发,建立了内外磁场之间的径向基神经网络预报模型.该方法避免了利用数值建模存在的诸多困难,即可实现舰艇内外磁场有效推算,并利用船模实验验证了网络预测的准确性,其换算精度相较于数值建模有所提高,满足工程实际需求.     

基于径向基神经网络的舰艇空间磁场延拓

针对目前线性化方法解决舰船空间磁场之间推算时存在的困难,论文从智能优化的角度出发,建立了舰艇空间磁场之间的径向基神经网络预报模型.该方法避免了利用线性化方法存在的诸多困难,即可实现舰艇空间磁场的换算,并利用船模实验验证了网络预测的准确性,换算精度较高,满足工程实际需求.     

基于径向基神经网络的舰艇空间磁场延拓

针对目前线性化方法解决舰船空间磁场之间推算时存在的困难,论文从智能优化的角度出发,建立了舰艇空间磁场之间的径向基神经网络预报模型。该方法避免了利用线性化方法存在的诸多困难,即可实现舰艇空间磁场的换算,并利用船模实验验证了网络预测的准确性,换算精度较高,满足工程实际需求。     

潜艇声呐腔自噪声预报平台

本文应用统计能量分析(SEA)对潜艇声呐腔自噪声预报问题进行了研究,编制了界面友好的通用软件预报平台.计算结果与有关实验结果吻合较好,验证了预报平台的有效性和可靠性.本预报平台已应用到多型潜艇声呐腔的自噪声预报中,对选取声呐腔的声学处理方案具有重要的指导作用.     

基于互双谱与径向基函数神经网络的舰船目标分类(英文)

提出了声矢量信号互双谱估计算法.利用该算法和其它的二阶、高阶谱估计算法,提取了实测数据的声压和声矢量信号组合特征,并用不同组合特征构造了径向基函数神经网络的输入向量集,对矢量水听器实测的舰船目标进行了分类识别.结果表明,声矢量信号组合特征比声压信号组合特征具有更强的类别可分性,提高了水声目标的识别率.     

潜艇首部声呐平台区低频自噪声预报方法

介绍一种潜艇首部声呐平台区低频（10Hz～500Hz）自噪声预报方法。采用有限元软件ANSYS求出声呐平台区结构在外力或声激励下，每部分结构的均方速度。然后根据各部分结构形式的特征，采用各自适合的经验公式求取其辐射系数。如果部件进行了声学处理，还应该再考虑阻尼材料影响因子。最后分别确定各部分结构的辐射声压，合成为平台区自噪声。本方法比较实用，分析结果对平台区结构声学设计、声学材料选型和布置形式具有指导作用。     

基于BP神经网络与L-M算法的潜艇声纳自噪声预报

L-M（Levenberg-Marquart）算法与BP（Back-Propagation）神经网络相结合，使神经网络在多样本、大变量输入的情况下，具有更快的收敛速度和更高的逼近精度。将BP神经网络与L-M算法相结合应用于潜艇声纳自噪声预报；分析了影响潜艇声纳自噪声的各种声源参数；利用潜艇声纳实测数据进行网络训练，训练好的神经网络可以对潜艇声纳自噪声进行精确预报。     

Underwater vehicle sonar self-noise prediction based on genetic algorithms and neural network

1Introduction Sonarself noiseisakeyfactorinfluencingthehiding capabilityofanunderwatervehicleanddetectioncapa bilityofsonar.Decreasingsonarself noisehasimpor tanteffectonenhancingtheprobabilityofsonardetec tionandbattleeffectivenessofunderwatervehicle.An …     

基于L-M贝叶斯正则化方法的BP神经网络在潜艇声纳部位自噪声预报中的应用

基于L-M贝叶斯正则化方法使BP神经网络在推广能力、收敛速度和逼近精度上能够获得很大的提高.文中将BP神经网络和L-M贝叶斯正则化算法相结合用于潜艇声纳部位自噪声预报.分析了影响声纳部位自噪声的各种参数.利用潜艇声纳实测数据进行网络训练,训练好的神经网络可以对潜艇声纳部位自噪声进行精确预报.     

集成统计能量法计算声呐自噪声水动力噪声分量

针对舰船艏部非规则形状声呐罩的自噪声预报,借鉴集成模态法思路[1,2],采用虚拟弹性膜技术,建立集成统计能量法(Integro-SEA),并以矩形腔声呐罩为例验证计算精度.在此基础上,采用集成统计能量法计算舰船艏部声呐自噪声的水动力噪声分量,并修正计算艏部边界层转捩区湍流猝发声源对声呐自噪声的作用.研究表明:用经典SEA和集成SEA方法计算矩形腔声呐罩自噪声,偏差小于1dB,集成SEA方法加边界层转捩区声源修正,计算的舰船艏部声呐自噪声与实艇测试结果比较,在200Hz～6kHz的中频范围内相差2～3dB.     

统计能量法计算声呐自噪声的水动力噪声分量

本文针对水下航行器舷侧的声呐基阵,采用统计能量法建立自噪声中水动力噪声分量的计算模型,并计算分析不同罩壁材料、吸声处理对声呐自噪声的影响.     

潜艇首部声呐平台区中、高频自噪声预报

潜艇首部声呐平台区结构复杂,激励也是随机和宽带的,其中,高频（500Hz～10kHz）自噪声预报通常采用SEA（统计能量分析）.由于缺乏实测和试验资料,各子系统间耦合因子和各结构的内损耗因子难以确定,只能近似估算.本文采用试验和SEA相结合的方法来预报其平台区自噪声.通过模型实验测出子系统在各种激励力下的动响应,进而求得子系统振动能量;采用经验公式计算各子系统模态密度,最后利用统计能量法来预报潜艇首部声呐平台区自噪声,得到了令人满意的结果.     

基于RBF网络的舰船混沌保密通信系统研究

介绍了利用RBF网络产生混沌序列的方法,无需针对每一种混沌映射设计单一的系统结构,增加了混沌序列的复杂度和抗噪声能力.同时还分析了RBF神经网络跟踪混沌序列的学习能力.仿真结果表明,利用 RBF网络输出混沌序列,不仅跟踪速度快而且精度高.对输出的混沌序列的统计特性进行检验,表明RBF网络产生的序列有良好的伪随机特性.     

Application of the optimal Latin hypercube design and radial basis function network to collaborative optimization

Improving the efficiency of ship optimization is crucial for modern ship design. Compared with traditional methods, multidisciplinary design optimization (MDO) is a more promising approach. For this reason, Collaborative Optimization (CO) is discussed and analyzed in this paper. As one of the most frequently applied MDO methods, CO promotes autonomy of disciplines while providing a coordinating mechanism guaranteeing progress toward an optimum and maintaining interdisciplinary compatibility. However, there are some difficulties in applying the conventional CO method, such as difficulties in choosing an initial point and tremendous computational requirements. For the purpose of overcoming these problems, optimal Latin hypercube design and Radial basis function network were applied to CO. Optimal Latin hypercube design is a modified Latin Hypercube design. Radial basis function network approximates the optimization model, and is updated during the optimization process to improve accuracy. It is shown by examples that the computing efficiency and robustness of this CO method are higher than with the conventional CO method.     

基于大容量、多网络融合的舰船综合通信系统实现方法

针对舰船通信中大容量接入以及多种业务网络融合的应用需求,提出采用电路交换平台结合RPR光纤环网传输平台的全新舰船解决方案,不仅提供了大容量系统接入能力,同时将各种网络设备汇聚到统一的网络传输平台上,实现了多种业务数据的统一承载,极大提高了系统的可靠性、灵活性。