基于对比学习的船舶辐射噪声目标识别方法研究.pdfVIP

基于对比学习的船舶辐射噪声目标识别方法研究

摘要

船舶辐射噪声目标识别技术是海洋军事领域中一项至关重要的水下感知技术。传统

的识别方法通常依赖于人工设计的音频信号处理方法来提取船舶辐射噪声的特征，并结

合机器学习算法构建分类器对目标进行区分。随着人工智能技术的进步，基于深度学习

的方法已逐渐成为该领域的主流。目前的研究方法主要是在公开数据集上进行训练和测

试，未充分考虑模型在未知测试场景中的识别问题。然而，无论是传统方法还是基于深

度学习的方法，在实际应用中都可能因训练场景与测试场景的声学环境不匹配从而导致

识别性能显著下降，即发生环境失配问题。针对上述问题，本文从环境失配模拟场景数

据集构建、环境失配问题研究与分析、船舶辐射噪声不变特征提取等方面开展船舶辐射

噪声目标识别方法研究，主要研究内容如下：

（1）构建环境失配模拟场景数据集。选取海洋环境噪声与现有数据集中船舶辐射

噪声信号按照不同信噪比进行叠加，通过不同信噪比数据集下识别模型性能变化，对所

构建模拟场景数据集进行评估。通过实验结果选取合适的信噪比，并利用多个不同的海

洋环境噪声构建多场景数据集。

2

（）开展多场景数据集交叉验证实验，深入分析环境失配问题。设计交叉验证实

验，来模拟识别模型在不同陌生测试场景下发生的环境失配问题，从识别模型性能和数

据集样本信息分布等角度对环境失配问题进行深入分析。通过分析交叉验证实验结果，

证明了所构建的多场景数据集能够保证船舶辐射噪声样本数据有效性，同时能够较好地

模拟环境失配场景。

（3）提出了基于类别约束对比学习的船舶辐射噪声目标识别方法。该方法利用基

于个体判别代理任务的对比学习框架，增强了识别模型对于船舶辐射噪声不变特征的学

习能力，并通过类别约束与滑动权值方法实现了对不同类别船舶辐射噪声的有效识别。

通过一系列测试实验与消融实验，验证了所提出的方法能够有效缓解识别模型在陌生测

试场景下的环境失配问题，并显著提高了识别模型在现有场景下的识别性能。

关键词：船舶辐射噪声；目标识别；环境失配问题；多场景数据集；对比学习；

基于对比学习的船舶辐射噪声目标识别方法研究

Abstract

Shipradiatednoisetargetrecognitiontechnologyisacrucialunderwaterperception

technologyinthemarinemilitaryfield.Traditionalrecognitionmethodsoftenrelyon

manuallydesignedaudiosignalprocessingmethodstoextractfeaturesofshipradiatednoise

andcombinemachinelearningalgorithmstoconstructclassifierstodistinguishtargets.With

theadvancementofartificialintelligencetechnology,deeplearning-basedmethodshave

graduallybecomethemainstreaminthisfield.Currentresearchmethodsprimarilyinvolve

trainingandtestingonpubliclyavailabledatasets,withoutfullyconsideringtherecognition

issuesinunknowntestingscenarios.However,whetherusingtraditionalmethodsordeep

learning-basedapproaches,recognitionperformancecansignificantlydeclineinpractical

applicationsduetoamismatchbetweentheacousticenvironmentsofthetrainingandtesting