基于深度学习的水声信号自动标注方法研究.pdf

基于深度学习的水声信号自动标注方法研究

摘要

随着“海洋经济”的发展，世界各国大力发展海洋经济、开发海洋资源。在海洋开

发与维护海洋主权过程中，我国迫切需要各种海洋领域的先进技术以及将其投入到海洋

开发中。同时，随着深度学习与强化学习的广泛应用，人们尝试将其应用于海洋研究中，

本文基于深度学习对水声信号标注方法进行研究，以此推动海洋研究的发展。基于以上

环境背景，本文将深度学习中的神经网络模型以及特征融合、注意力机制等多种策略思

想与水声标注研究相结合，提出了一种基于深度学习的水声信号自动标注方法。

在水声领域通常使用声纹识别进行水声自动标注，声纹识别技术中最关键的部分为

特征提取与特征表征，但是现有方法中存在水声信号的特征提取不充分以及特征表征不

MSHN

够全面的问题。基于此，本文提出了一种基于多尺度混合网络（）的水声信号标

注模型，该模型通过使用注意力和残差相结合的网络模型进行特征提取以及使用基于熵

值的方法进行特征表征，最后通过分类器进行水声信号的自动标注。在MSHN模型中

主要分为两个部分：特征提取网络和特征表征方法。这也是本文的两个重点研究部分。

首先，本文为了能够解决特征提取网络提取到的数据特征不充分的问题，本文将注

意力机制、残差结构、特征融合以及优选等思想相结合，提出了使用多核卷积融合网络

MCFMOC-DCN-AR

（）和多层优选卷积网络（）的基于注意力残差的双卷积网络（）

模型。MCF网络通过设置两条支路，两条支路设置为不同尺寸的卷积核的方法进行特

征提取，同时利用注意力机制将支路特征进行有区别的特征融合，以得到多尺度化的特

征信息；在MOC网络中，其主要是利用通道注意力和优选卷积操作，提取到具有区分

度的特征信息。最后在DCN-AR模型中采用混合结构将MCF网络和MOC网络融合为

一体，使其捕获到的特征信息既具有多尺度化，又兼具区分度与重要性。

然后，本文针对现有的特征表征方法不能够完全的表征特征信息的问题，本文以此

为研究点，提出了一种基于信息熵的注意力统计池化（IEAP）将全局特征信息与局部特

IEAPIE

征信息相结合的方法。在方法中，本文引入信息熵（），利用信息熵得到每一

帧数据的信息，与注意力统计池化方法中的加权均值和加权标准差相拼接，使其成为兼

具整体特征与局部特征的特征表征，以提高标注模型的可靠性和准确性。

最后，通过两种不同类型的数据集对以上研究进行多组实验，通过大量的实验证明

本文的基于深度学习的水声信号自动标注方法是有效的、可靠的，具有实际意义。

哈尔滨工程大学专业学位硕士学位论文

关键词：深度学习；水声信号；自动标注；特征提取；特征表征

基于深度学习的水声信号自动标注方法研究

ABSTRACT

WiththedevelopmentoftheBlueEconomy,countriesaroundtheworldarevigorously

promotingthedevelopmentoftheirmarineeconomiesandtheexplorationofmarine

resources.Intheprocessofmarinedevelopmentandsafeguardingmaritimesovereignty,

Chinaurgentlyneedsadvancedtechnologiesinvariousmarinefieldsandtheirapplicationin

marinedevelopment.Atthesam