基于长短时记忆网络的被动声纳目标信号LOFAR谱增强研究

发布时间：2021-03-30 06:03

　　将深度学习分类模型应用于水下目标识别取得了很多成果。水下目标检测是分类识别的前提与关键,使得基于深度学习的水下目标辐射噪声信号的检测研究逐渐引起人们的重视。因此,提出了将长短时记忆网络应用于水下目标的LOFAR谱,利用深度学习模型,学习LOFAR谱中的关键信息。试验结果表明,经过长短时记忆网络训练的LOFAR谱与未训练的LOFAR谱相比,水下目标信号的线谱检测能力更好。 

【文章来源】：电声技术. 2020,44(06)

【文章页数】：3 页

【部分图文】：

典型LSTM单元（2)

对于长短时记忆网络模型，输入特征为每个时间帧下的所有频率点的幅值。为了保证模型的样本数量，时间步设为1。隐藏层的个数为100个，激活函数使用“relu”，损失函数选用均方差函数，优化器用“adam”。模型训练过程的循环次数为100次。具体试验流程如图2所示。试验中，由目标辐射噪声时域采样信号获得LOFAR谱图，如图3所示，同时获得目标的LOFAR谱矩阵，把每个时间帧的频率特征作为深度学习

未处理的LOFAR谱图

【参考文献】：
期刊论文
[1]深度学习在水下目标被动识别中的应用进展[J]. 徐及,黄兆琼,李琛,颜永红.  信号处理. 2019(09)



本文编号：3109004