基于深度学习的水声目标识别方法研究.pdf

基于深度学习的水声目标识别方法研究

摘要

智能水声目标识别是水声领域的重要研究方向，对于海洋资源开发和海洋安全具有

重要的经济价值和军事价值。水声识别相关技术研究主要基于两方面开展，一是特征提

取，二是识别模型构建。传统的特征提取算法多采用单一特征，不能很好对目标特性进

行精准描述。此外，传统的识别方法也多基于专家经验进行识别，逐渐跟不上日益增长

的数据需求，难以提取目标的深层特征。近年来，深度学习在图像识别、语音识别等领

域取得了显著进展。本文提出一种以多域特征组合为输入，利用卷积神经网络、长短时

记忆网络以及融合残差块作为深度学习模型的水下目标识别方法。论文主要内容和创新

点如下：

（1）为了扩大可用数据量，提出时域变换数据增强策略。由于海洋环境的复杂性，

采集到真实的船舶噪声数据难度较大，公开的数据集较少。本文考虑到水下音频波形具

有以下特征：音调，响度，质量，在进行数据增强时，采用基于时域变换的数据增强方

法，对原始信号进行时间拉伸、高音修正和高斯噪声等处理对水声数据进行增强。增加

训练数据集，使数据集尽可能多样化，使训练模型具有较强的泛化能力；

（2）提出一种基于梅尔倒谱系数和三阶梅尔频率的融合特征提取方法。由于海洋

环境中背景噪声强度较高，实际水声信号的信噪比往往较低，这极大地影响特征表达数

据的能力。本文从听觉系统的音色感知机制中得到启发，基于梅尔倒谱系数、梅尔频谱

及其一阶差分和二阶差分，提出水声目标辐射噪声多特征融合机制，构建了高维数据特

征，其包含丰富的目标信息；

（3）提出一种复合神经网络模型，提升深度网络在智能识别上的性能。船舶噪声信

号由机械振动产生，而机械振动信号是一种时序信号。考虑到一维卷积神经网络和长短

期记忆网络在处理时序信号上的优势，以及残差块在深层级网络模型中的重要作用，本

文根据对传统识别网络模型的改进方法研究，提出了复合神经网络作为分类模型。开展

基于复合网络的水声信号智能化目标识别，更好地刻画数据的内在信息。

实验结果表明，本文所提出的数据增强、多特征融合和复合神经网络方法，在处理

水声目标识别问题上，能很好地提取到水声数据的特征信息，网络模型训练及测试得到

的评价指标均很优异。在当前主要的公开数据集中，能得到优异的识别准确率。

关键词：水声目标识别；深度学习；特征提取；复合神经网络

基于深度学习的水声目标识别方法研究

Abstract

Intelligentunderwateracoustictargetrecognitionisanimportantresearchinthefieldof

underwateracoustic,whichhasimportanteconomicandmilitaryvalueformarineresources

developmentandmarinesecurity.Theresearchesonunderwateracousticrecognition

technologymainlycontainstwoaspects,oneisfeatureextraction,andtheotherisrecognition

modelconstruction.Thetraditionalfeatureextractionalgorithmmostlyuseasinglefeature,

whichcannotaccuratelydescribesthetargetcharacteristics.Inaddition,thetraditional

recognitionmethodsaremostlybasedontheexpertexperience,whichcannotkeepupwiththe

increasingdatafurthermore,anditisdifficulttoextractthedeepfeaturesofthetarget.Inrecent

y