為解決低信噪比條件下水下目標(biāo)識(shí)別率低的問(wèn)題,提出一種適用于多通道水聽(tīng)器陣列的深度學(xué)習(xí)水下目標(biāo)識(shí)別方法。首先是采用子通道特征級(jí)聯(lián)的方法利用多通道信息;在特征提取方面,采用對(duì)信號(hào)的不同頻率區(qū)間進(jìn)行加權(quán)的特征提取器,并對(duì)提取的特征進(jìn)行正則規(guī)整;最后采用深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network,DNN）實(shí)現(xiàn)目標(biāo)識(shí)別。實(shí)驗(yàn)首先在仿真條件下對(duì)所提出方法的有效性進(jìn)行驗(yàn)證,結(jié)果表明在-15 dB信噪比條件下的五目標(biāo)識(shí)別任務(wù)中,使用多通道級(jí)聯(lián)特征的深度神經(jīng)網(wǎng)絡(luò)的識(shí)別正確率達(dá)到96.7%,顯著高于基于支持向量機(jī)（Support Vector Machine,SVM）的方法。在后續(xù)的湖上試驗(yàn)中,深度神經(jīng)網(wǎng)絡(luò)的平均正確率達(dá)到96.0%,進(jìn)一步驗(yàn)證了所提出方法的有效性。 

【文章來(lái)源】：聲學(xué)學(xué)報(bào). 2020,45(04)北大核心EICSCD

【文章頁(yè)數(shù)】：9 頁(yè)

【部分圖文】：

圖２波束形成示意圖??基于每個(gè)通道與參考信號(hào)的時(shí)延的多個(gè)候選??值，在一段時(shí)間上，通過(guò)最大化時(shí)間狀態(tài)之間的概??

Ｔ函數(shù)，??Ｘｍ（／）和Ｘｒｅｆ（／）分別為通道ｍ和參考通道時(shí)域信??號(hào)的傅里葉變換，Ｆ－１表示傅里葉逆變換，［＿］＊表示??復(fù)共軛，Ｍ為取模函數(shù)．??其中，為解碼得到的權(quán)重矩陣，＾?（ｄｍ）為第ｍ??個(gè)通道的時(shí)域信號(hào)通過(guò)時(shí)延優(yōu)化后的信號(hào)。ｙ⑴為增??強(qiáng)后的信號(hào)。??１．１．２多通道特征拼接??由于波束形成算法通常只應(yīng)用于接收裝置為水??平陣的實(shí)驗(yàn)中，為了擴(kuò)展識(shí)別框架的應(yīng)用場(chǎng)景，當(dāng)接??收裝置為其它結(jié)構(gòu)的水聽(tīng)器陣列時(shí)能夠充分利用多??通道信號(hào)的信息，提出一種新的特征形式，如圖３所??示，將同一時(shí)刻不同通道的頻域特征進(jìn)行拼接后輸??入到神經(jīng)網(wǎng)絡(luò)中。如式（３）所示，Ｚｍｐ表示第ｍ個(gè)通??道的第Ｐ喊信號(hào)的特征，ｃ〇ｎＣａｔ｛?｝為級(jí)聯(lián)拼接函數(shù)，??４指的是拼接后的多通道信號(hào)的第Ｐ幀的特征。??＝?ｃｏｎｃａｔ｛＾ｉｐ，?＾２ｐ：?＾３ｐｔ?＊?＊?＇：?＾ｍｐ＼ｔ?（３）??通道１???？??＼＾通道２＿??第１楨第２頓第３巾貞?第ｐｉｆ貞?時(shí)間???＾??圖３特征拼接示意圖??１．２特征提取??乙?＾２?Ｚ３?…?Ｚｐ?…??Ａ?、??Ｚ？??Ｚ１２??Ｚ，３??＾２１??ｚ２２??＾２３??Ｚｍｉ??ｚｍｐ??ｔ?ｗ，??輸出??１．２．１均勻頻譜能量特征??如圖４所示，首先考慮直接利用頻譜能量，將經(jīng)??過(guò)傅里葉變換的頻域信號(hào)通過(guò)一組均勻分布的三角??濾波器組，統(tǒng)計(jì)每個(gè)三角濾波器內(nèi)的所有頻點(diǎn)的能??量，即：??＾３??Ｅｉ?＝?＾２?Ｆｉ＊Ａｉ（ｊ），?ｉ＾Ｉ，?⑷??圖２波束形成示意圖??基于每個(gè)通道與參考信號(hào)的時(shí)延的多個(gè)候選??值，在一段時(shí)間上，通過(guò)最大化時(shí)間狀態(tài)之間

Ｔ函數(shù)，??Ｘｍ（／）和Ｘｒｅｆ（／）分別為通道ｍ和參考通道時(shí)域信??號(hào)的傅里葉變換，Ｆ－１表示傅里葉逆變換，［＿］＊表示??復(fù)共軛，Ｍ為取模函數(shù)．??其中，為解碼得到的權(quán)重矩陣，＾?（ｄｍ）為第ｍ??個(gè)通道的時(shí)域信號(hào)通過(guò)時(shí)延優(yōu)化后的信號(hào)。ｙ⑴為增??強(qiáng)后的信號(hào)。??１．１．２多通道特征拼接??由于波束形成算法通常只應(yīng)用于接收裝置為水??平陣的實(shí)驗(yàn)中，為了擴(kuò)展識(shí)別框架的應(yīng)用場(chǎng)景，當(dāng)接??收裝置為其它結(jié)構(gòu)的水聽(tīng)器陣列時(shí)能夠充分利用多??通道信號(hào)的信息，提出一種新的特征形式，如圖３所??示，將同一時(shí)刻不同通道的頻域特征進(jìn)行拼接后輸??入到神經(jīng)網(wǎng)絡(luò)中。如式（３）所示，Ｚｍｐ表示第ｍ個(gè)通??道的第Ｐ喊信號(hào)的特征，ｃ〇ｎＣａｔ｛?｝為級(jí)聯(lián)拼接函數(shù)，??４指的是拼接后的多通道信號(hào)的第Ｐ幀的特征。??＝?ｃｏｎｃａｔ｛＾ｉｐ，?＾２ｐ：?＾３ｐｔ?＊?＊?＇：?＾ｍｐ＼ｔ?（３）??通道１???？??＼＾通道２＿??第１楨第２頓第３巾貞?第ｐｉｆ貞?時(shí)間???＾??圖３特征拼接示意圖??１．２特征提取??乙?＾２?Ｚ３?…?Ｚｐ?…??Ａ?、??Ｚ？??Ｚ１２??Ｚ，３??＾２１??ｚ２２??＾２３??Ｚｍｉ??ｚｍｐ??ｔ?ｗ，??輸出??１．２．１均勻頻譜能量特征??如圖４所示，首先考慮直接利用頻譜能量，將經(jīng)??過(guò)傅里葉變換的頻域信號(hào)通過(guò)一組均勻分布的三角??濾波器組，統(tǒng)計(jì)每個(gè)三角濾波器內(nèi)的所有頻點(diǎn)的能??量，即：??＾３??Ｅｉ?＝?＾２?Ｆｉ＊Ａｉ（ｊ），?ｉ＾Ｉ，?⑷??圖２波束形成示意圖??基于每個(gè)通道與參考信號(hào)的時(shí)延的多個(gè)候選??值，在一段時(shí)間上，通過(guò)最大化時(shí)間狀態(tài)之間

【參考文獻(xiàn)】：
期刊論文
[1]On fast estimation of direction of arrival for underwater acoustic target based on sparse Bayesian learning[J]. WANG Biao,ZHU Zhihui,DAI Yuewei.  Chinese Journal of Acoustics. 2017(01)
[2]基于統(tǒng)計(jì)特征的水下目標(biāo)一維距離像識(shí)別方法研究[J]. 盧建斌,張?jiān)评?席澤敏,張明敏.  聲學(xué)技術(shù). 2015(02)
[3]采用峰值平均功率比的低信噪比水下多目標(biāo)檢測(cè)方法[J]. 王靜,黃建國(guó),侯云山.  西安交通大學(xué)學(xué)報(bào). 2012(02)
[4]基于F范數(shù)的信號(hào)子空間維度估計(jì)的多通道語(yǔ)音增強(qiáng)算法[J]. 李超,劉文舉.  聲學(xué)學(xué)報(bào). 2011(04)
[5]一種適用于低信噪比條件的DOA估計(jì)方法[J]. 邢超,陳克安,張成.  聲學(xué)技術(shù). 2010(04)
[6]基于模型匹配的艦船螺旋槳噪聲特征精細(xì)分析[J]. 史廣智,胡均川,笪良龍.  聲學(xué)學(xué)報(bào)(中文版). 2009(05)
[7]艦船噪聲調(diào)制譜諧波族結(jié)構(gòu)特性理論分析[J]. 史廣智,胡均川.  聲學(xué)學(xué)報(bào)(中文版). 2007(01)
[8]改進(jìn)的基于信號(hào)子空間的多通道語(yǔ)音增強(qiáng)算法[J]. 歐世峰,趙曉暉,顧海軍.  電子學(xué)報(bào). 2005(10)
[9]船舶水下結(jié)構(gòu)噪聲的研究概況與趨勢(shì)[J]. 孫雪榮,朱錫.  振動(dòng)與沖擊. 2005(01)
[10]艦船輻射噪聲的動(dòng)態(tài)識(shí)別[J]. 李訓(xùn)誥,馮欣欣,戈弋.  聲學(xué)學(xué)報(bào). 2002(05)

博士論文
[1]船舶及鯨類聲信號(hào)特征提取和分類識(shí)別研究[D]. 李新欣.哈爾濱工程大學(xué) 2012

碩士論文
[1]基于深度學(xué)習(xí)的水下目標(biāo)識(shí)別[D]. 趙增科.哈爾濱工程大學(xué) 2017
[2]基于深度學(xué)習(xí)方法的水下聲音目標(biāo)識(shí)別研究[D]. 盧安安.哈爾濱工程大學(xué) 2017
[3]基于支持向量機(jī)和K近鄰的聯(lián)合分類研究[D]. 劉曉紅.哈爾濱工程大學(xué) 2011



本文編號(hào)：3338398