硕士论文基于声学分形特征的深海钴结壳识别研究.pdf

《硕士论文基于声学分形特征的深海钴结壳识别研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、中南大学硕士学位论文摘要摘要随着世界经济和科学技术的飞速发展，人类对矿产资源的需求量与日俱增，由于陆地资源的日趋枯竭，人们开始把目光转向海洋。深海钴结壳成为21世纪最具有商业开采价值的战略资源，世界主要发达国家已经开始了开采研究工作。面对国际社会对海洋资源争夺的形势，为维护我国的海洋权益，开辟我国新的矿产资源来源，本文在国家自然科学基金项目“深海钴结壳微地形监测技术与最佳采集深度建模研究”的资助下，对深海钴结壳的识别做了相关研究。根据分形理论在特征提取中的应用，本文提出了一种基于分形特征的声学回波识别深海钴结壳的方法。论文紧紧围绕特征提取、特征优化和分类器设计这三个问题，对钴结壳识别展开研究

2、。根据超声波探测底质得到的回波信号具有分形特性，在讨论了利用单一维数不能完全刻画分形信号的基础上，提取了广义维数分形特征。由于原始特征的维数较高且存在非线性关系，利用核Fisher判别分析方法进行特征优化，得到了最佳非线性目标识别特征矢量。最后设计了概率神经网络分类器。在此理论基础上，对我国钴结壳调查区内的23种代表性海底底质，在实验室水池内进行钴结壳识别试验。试验结果表明：钴结壳正确识别率平均达到79．6％，非钻结壳被判为钴结壳的错判率平均仅为23％。由此可看出，本论文提出的钴结壳识别方法是有效可行的。本文的研究为深海钴结壳识别提供了良好的理论基础，为我国的深海采矿事业提供了有效的技术支持

3、。关键词：钴结壳识别，分形，核Fisher判别分析，概率神经网络中南大学硕上学位论文ABSTRACTABSTRACTAlongwiththefastdevelopmentofeconomyandscienceintheworld，theneedofmineralresourcesisgrowingdaybyday．However,thelandresourcesarebecominglessandless．Inthissituation，peopletendtominetheresourcesintheocean．Oceaniccobaltcrustresourcehasbeenacomme

4、rcialforegroundstrategicallyresourcein21centuryandtheheaddevelopedcountriesintheworldhavebeendoingtheworkofinvestigati．onandexploitation．Inordertominethenewresourcesbyourcountryindependently,theinvestigationisdoneoftheidentificationandclassifictionofthecobalt．crustinthedissertation，imbursedbythenat

5、ionalnaturalsciencefunditern“studyontheAbyssalbenthicCobalt—richCrustsTinyterrainDetectingTechnologyandtheBestcollectiondeepnessmodel”．Aclassifictionmethodofdeep．．seacobalt．．crustwasproposedbasedontheapplicationoffractaltheoryinfeatureextraction．Thequestionsoffeatureextraction，featureoptimizationan

6、dclassifierdesignweresutdy．AsprovidemoreinfcIrmationthanindividualdimension．thegeneralizeddimensionsofechosignalswereusedforcobalt—crustclassifictionbasedontheassumptionthatthesonarechosignalshaveafractalstructure．Todealwiththeproblemoforiginalfeatureswiththecharacteristicoflargedimensionandnonline

7、arrelationshipamongthem．KernelFisherdiscriminantanalysisiSadoptedtoextracttheoptimalnonlineardiscriminantfeatures．Attheend．theProbabilityNeuralNetworkwasusedastheclassifier．Basedonthetheorymentionedabove，th