从声纳数据集中对未爆弹药(UXO)和地雷等水下物体进行分类是一个难题。使这些物体分类复杂化的因素包括:操作和环境条件的变化,存在空间变化的杂波,目标形状、组成、方向和埋藏条件的变化。此外,在各种背景条件下收集大量具有代表性的真实数据进行训练和测试非常困难,在很多情况下也不切实际。在本论文中,我们以之前的研究成果[1]为基础,其中基于稀疏重构的分类模型是在合成生成的声纳数据集上进行训练,从而在真实数据集上进行分类。虽然这项早期工作有助于解决水下猎雷问题所固有的数据贫乏问题,但在这项工作中,我们改变了方向,将重点放在对此类模型的调整上。特别是,我们将研究如何调整基于稀疏重构的分类器(SRC)的线性和核化形式,使其在终身学习环境中发挥作用,以便在环境参数不断变化的情况下执行分
………………………………