本征模态函数与时序深度学习联合的水中目标识别.pdfVIP

本征模态函数与时序深度学习联合的水中目标识别

摘要

在复杂的水下环境中，声纳接收到的数据通常包含一个或多个辐射声源信号，多

个辐射声源信号相互交混使得采集到的水中目标辐射噪声信号变为多分量信号，同时

含有噪声和干扰。多分量信号不利于信号特征提取，从而制约了水中目标识别性能。

为改善该问题，本文将本征模态函数与时序深度学习联合，结合试验数据，构建了基

于三种不同分解算法（经验模态分解、集合经验模态分解和互补集合经验模态分解）

的本征模态函数与时序深度学习联合的水中目标识别模型，并使用模型评价指标对本

文构建的模型进行评估。

本文首先研究了经验模态分解、集合经验模态分解和互补集合经验模态分解的基

本概念，并将三种分解方法应用于水中目标辐射噪声信号，三种分解算法均得到一系

列的本征模态函数，利用相关系数法分别计算三种算法的本征模态函数与原始信号的

相关系数大小，结果表明通过互补集合经验模态分解得到的本征模态函数与原始信号

的相关性最强。其次将基于经验模态分解、集合经验模态分解和互补集合经验模态分

解的本征模态函数与时序深度学习网络联合构建水中目标识别模型，对比分析了不同

学习率、优化算法和Batchsize对水中目标识别结果的影响，同时对比了不同分解算法

对识别结果的影响。最后，将本文研究的本征模态函数与时序深度学习联合的水中目

标识别方法应用于湖试数据处理，验证了该方法的可行性，同时验证了基于互补集合

经验模态分解的本征模态函数与时序深度学习联合的水中目标识别方法的识别结果优

于基于经验模态分解和集合经验模态分解的本征模态函数与时序深度学习联合的水中

目标识别方法。

关键词：水中目标识别；多分量水中目标辐射噪声信号；本征模态函数；时序深

度学习

本征模态函数与时序深度学习联合的水中目标识别

ABSTRACT

Incomplexunderwaterenvironments,thedatareceivedbysonartypicallyincludesoneor

moreradiatedacousticsourcesignals.Themutualinterferenceofmultipleradiatedacoustic

sourcesignalscausesthecollectedradiatednoisesignalfromunderwatertargetstobecomea

multi-componentsignal,whichalsocontainsnoiseandinterference.Themulti-component

signalhinderstheextractionofsignalfeatures,therebylimitingtheperformanceofunderwater

targetrecognition.Toaddressthisissue,thispapercombinestheintrinsicmodefunctionswith

time-seriesdeeplearning,andbasedonexperimentaldata,constructsanunderwatertarget

recognitionmodelthatcombinesthreedifferentdecompositionalgorithms(empiricalmode

decomposition,ensembleempiricalmodedecomposition,andcomplementaryensemble

empiricalmodedecomposition)withtime-seriesdeeplearning.Themodelconstructedinthis

paperisevaluatedusingmodelevaluationmetrics.

Thispaperfirstinvestigatesthebasicconceptsof