基于无监督深度学习的线谱增强算法

发布时间：2021-10-20 04:06

　　水下目标探测是水下无人航行器的重要应用领域,而被动声呐则是水下无人航行器的最重要探测载荷之一。对于被动声呐而言,从接收到的微弱目标辐射噪声中检测出稳定的线谱分量是一个十分重要的研究内容。通常被动声呐在检测线谱之前会对接收信号进行线谱分量的增强,往往使用自适应线谱增强器（ALE）来实现线谱分量的的增强。但是,ALE算法对系统的输入信噪比（SNR）有一定要求。当输入信噪比太低时,ALE将无法正常工作。为了克服ALE在输入SNR方面的限制,本文提出一种基于无监督深度学习的线谱分量增强算法。仿真表明,当输入信噪比为-30 dB时,本文算法仍可实现20 dB的信噪比增益,ALE算法则无法对信号进行增强。利用海试数据进行验证,证明本文所提出的无监督深度学习线谱增强器算法在低信噪比环境下的优势。 

【文章来源】：舰船科学技术. 2020,42(23)北大核心

【文章页数】：4 页

【部分图文】：

常规ALE算法框图Fig.1SchematicoftheconventionalALEw(k)=[w0(k)

300Hz处的线谱增强效果较差，对不可见的线谱难以增强。而无监督深度学习线谱增强器算法对310Hz，320Hz，340Hz甚至更低信噪比的线谱都有增强效果。4结语本文受到了传统ALE算法的启发，利用神经网络较强的非线性能力提出一种基于深度学习的线谱增强算法。仿真实验表明，无监督深度学习线谱增强算法能显著提高信噪比增益，当信噪比低于30dB时，无监督深度学习线谱增强器算法仍能获得较高的增益，而ALE算法很难获得增益。实验表明，无监督深度学习线谱增强器算法可以增强低信噪比的线谱成分。与传统ALE算法相比，本文提出的无监督深度学习线谱增强算法在低信噪比条件下具有更好的增强效果。本文所提算法可应用于无人航行器搭载的被动声呐，提高其探测性能。参考文献：潘光,宋保维,黄桥高,等.水下无人系统发展现状及其关键技术[J].水下无人系统学报,2017,25(2):44–51.[1]钟宏伟,李国良,宋林桦,等.国外大型无人水下航行器发展综述[J].水下无人系统学报,2018,26(4):273–282.[2]李启虎.数字式声纳设计原理[M].合肥:安徽教育出版社,1985.[3]李启虎.用于拖曳式线列阵的一种新的线谱增强系统[J].声学学报,1988(3):9–15.[4]RICKARDJ.T.,ZEIDLERJ.R.,“Second-orderoutputstatisticsoftheadaptivelineenhancer,”IEEETrans.Acoust.SpeechSignalProcess.27,3139(1979).[5]NEHORAIA.,MALAHDD..“Onthestabilityandperformanceoftheadaptivelineenhancer,”in:ProceedingsofIEEEICASSP,Denver,USA(April9-11,1980),pp.478481.[6]BIANCOM.J.,GERSTOFTP.,TRAERJ.,etal.“Machinelearninginacoustics:Theoryandapplication,”J.Acoust.Soc.Am

?到300Hz处的线谱分量。3.2实际数据实验为了更好地验证本文所提出的无监督深度学习线谱增强器算法，于渤海使用水下无人航行器舷侧阵采集水面合作渔船辐射噪声数据进行线谱增强实验。为了验证在低信噪比情况下的算法性能，在原有数据基础上加入了10dB宽带噪声。实际数据采样率为10kHz，算法参数同表2和表3，处理结果如图4所示。从图4可以看出，2种方法在应用于实际数据时都具有增强音调的能力。传统ALE算法对53Hz处的线谱有较好的增强效果，但对于低信噪比的线谱，如图2无监督深度学习线谱增强器算法框图Fig.2Schematicoftheproposedalgorithm第42卷鞠东豪，等：基于无监督深度学习的线谱增强算法·119·


本文编号：3446211