使用深度学习的多通道水下目标识别

发布时间：2021-08-12 13:22

　　为解决低信噪比条件下水下目标识别率低的问题,提出一种适用于多通道水听器阵列的深度学习水下目标识别方法。首先是采用子通道特征级联的方法利用多通道信息;在特征提取方面,采用对信号的不同频率区间进行加权的特征提取器,并对提取的特征进行正则规整;最后采用深度神经网络（Deep Neural Network,DNN）实现目标识别。实验首先在仿真条件下对所提出方法的有效性进行验证,结果表明在-15 dB信噪比条件下的五目标识别任务中,使用多通道级联特征的深度神经网络的识别正确率达到96.7%,显著高于基于支持向量机（Support Vector Machine,SVM）的方法。在后续的湖上试验中,深度神经网络的平均正确率达到96.0%,进一步验证了所提出方法的有效性。 

【文章来源】：声学学报. 2020,45(04)北大核心EICSCD

【文章页数】：9 页

【部分图文】：

图２波束形成示意图??基于每个通道与参考信号的时延的多个候选??值，在一段时间上，通过最大化时间状态之间的概??

Ｔ函数，??Ｘｍ（／）和Ｘｒｅｆ（／）分别为通道ｍ和参考通道时域信??号的傅里叶变换，Ｆ－１表示傅里叶逆变换，［＿］＊表示??复共轭，Ｍ为取模函数．??其中，为解码得到的权重矩阵，＾?（ｄｍ）为第ｍ??个通道的时域信号通过时延优化后的信号。ｙ⑴为增??强后的信号。??１．１．２多通道特征拼接??由于波束形成算法通常只应用于接收装置为水??平阵的实验中，为了扩展识别框架的应用场景，当接??收装置为其它结构的水听器阵列时能够充分利用多??通道信号的信息，提出一种新的特征形式，如图３所??示，将同一时刻不同通道的频域特征进行拼接后输??入到神经网络中。如式（３）所示，Ｚｍｐ表示第ｍ个通??道的第Ｐ喊信号的特征，ｃ〇ｎＣａｔ｛?｝为级联拼接函数，??４指的是拼接后的多通道信号的第Ｐ帧的特征。??＝?ｃｏｎｃａｔ｛＾ｉｐ，?＾２ｐ：?＾３ｐｔ?＊?＊?＇：?＾ｍｐ＼ｔ?（３）??通道１???？??＼＾通道２＿??第１桢第２顿第３巾贞?第ｐｉｆ贞?时间???＾??图３特征拼接示意图??１．２特征提取??乙?＾２?Ｚ３?…?Ｚｐ?…??Ａ?、??Ｚ？??Ｚ１２??Ｚ，３??＾２１??ｚ２２??＾２３??Ｚｍｉ??ｚｍｐ??ｔ?ｗ，??输出??１．２．１均匀频谱能量特征??如图４所示，首先考虑直接利用频谱能量，将经??过傅里叶变换的频域信号通过一组均匀分布的三角??滤波器组，统计每个三角滤波器内的所有频点的能??量，即：??＾３??Ｅｉ?＝?＾２?Ｆｉ＊Ａｉ（ｊ），?ｉ＾Ｉ，?⑷??图２波束形成示意图??基于每个通道与参考信号的时延的多个候选??值，在一段时间上，通过最大化时间状态之间

Ｔ函数，??Ｘｍ（／）和Ｘｒｅｆ（／）分别为通道ｍ和参考通道时域信??号的傅里叶变换，Ｆ－１表示傅里叶逆变换，［＿］＊表示??复共轭，Ｍ为取模函数．??其中，为解码得到的权重矩阵，＾?（ｄｍ）为第ｍ??个通道的时域信号通过时延优化后的信号。ｙ⑴为增??强后的信号。??１．１．２多通道特征拼接??由于波束形成算法通常只应用于接收装置为水??平阵的实验中，为了扩展识别框架的应用场景，当接??收装置为其它结构的水听器阵列时能够充分利用多??通道信号的信息，提出一种新的特征形式，如图３所??示，将同一时刻不同通道的频域特征进行拼接后输??入到神经网络中。如式（３）所示，Ｚｍｐ表示第ｍ个通??道的第Ｐ喊信号的特征，ｃ〇ｎＣａｔ｛?｝为级联拼接函数，??４指的是拼接后的多通道信号的第Ｐ帧的特征。??＝?ｃｏｎｃａｔ｛＾ｉｐ，?＾２ｐ：?＾３ｐｔ?＊?＊?＇：?＾ｍｐ＼ｔ?（３）??通道１???？??＼＾通道２＿??第１桢第２顿第３巾贞?第ｐｉｆ贞?时间???＾??图３特征拼接示意图??１．２特征提取??乙?＾２?Ｚ３?…?Ｚｐ?…??Ａ?、??Ｚ？??Ｚ１２??Ｚ，３??＾２１??ｚ２２??＾２３??Ｚｍｉ??ｚｍｐ??ｔ?ｗ，??输出??１．２．１均匀频谱能量特征??如图４所示，首先考虑直接利用频谱能量，将经??过傅里叶变换的频域信号通过一组均匀分布的三角??滤波器组，统计每个三角滤波器内的所有频点的能??量，即：??＾３??Ｅｉ?＝?＾２?Ｆｉ＊Ａｉ（ｊ），?ｉ＾Ｉ，?⑷??图２波束形成示意图??基于每个通道与参考信号的时延的多个候选??值，在一段时间上，通过最大化时间状态之间

【参考文献】：
期刊论文
[1]On fast estimation of direction of arrival for underwater acoustic target based on sparse Bayesian learning[J]. WANG Biao,ZHU Zhihui,DAI Yuewei.  Chinese Journal of Acoustics. 2017(01)
[2]基于统计特征的水下目标一维距离像识别方法研究[J]. 卢建斌,张云雷,席泽敏,张明敏.  声学技术. 2015(02)
[3]采用峰值平均功率比的低信噪比水下多目标检测方法[J]. 王静,黄建国,侯云山.  西安交通大学学报. 2012(02)
[4]基于F范数的信号子空间维度估计的多通道语音增强算法[J]. 李超,刘文举.  声学学报. 2011(04)
[5]一种适用于低信噪比条件的DOA估计方法[J]. 邢超,陈克安,张成.  声学技术. 2010(04)
[6]基于模型匹配的舰船螺旋桨噪声特征精细分析[J]. 史广智,胡均川,笪良龙.  声学学报(中文版). 2009(05)
[7]舰船噪声调制谱谐波族结构特性理论分析[J]. 史广智,胡均川.  声学学报(中文版). 2007(01)
[8]改进的基于信号子空间的多通道语音增强算法[J]. 欧世峰,赵晓晖,顾海军.  电子学报. 2005(10)
[9]船舶水下结构噪声的研究概况与趋势[J]. 孙雪荣,朱锡.  振动与冲击. 2005(01)
[10]舰船辐射噪声的动态识别[J]. 李训诰,冯欣欣,戈弋.  声学学报. 2002(05)

博士论文
[1]船舶及鲸类声信号特征提取和分类识别研究[D]. 李新欣.哈尔滨工程大学 2012

硕士论文
[1]基于深度学习的水下目标识别[D]. 赵增科.哈尔滨工程大学 2017
[2]基于深度学习方法的水下声音目标识别研究[D]. 卢安安.哈尔滨工程大学 2017
[3]基于支持向量机和K近邻的联合分类研究[D]. 刘晓红.哈尔滨工程大学 2011



本文编号：3338398