0引言

如何在復雜的海洋環(huán)境下對水聲信號進行識別是目前亟需解決的難題,。傳統(tǒng)的基于信號特征的水聲目標信號識別方法，特征受時/頻/空域變換算法的制約不可避免地丟失目標信息,。深度學習方法能夠自動地通過逐層訓練學習到數(shù)據(jù)高級的特征表示,，從而得到更豐富的特征信息。該方法集特征提取與分類于一體,，完成從輸入信號到輸出分類的處理,。隨著深度學習在圖像識別、語音識別等領(lǐng)域取得了巨大的成功,，國內(nèi)外學者陸續(xù)嘗試將深度學習方法應(yīng)用于水聲信號識別中,。一些學者將卷積神經(jīng)網(wǎng)絡(luò)對水聲信號的時頻譜特征進行學習和識別［1］，有效降低了噪聲的影響,，分類精度可達9857%,，取得了很好的識別效果，李俊豪等學者根據(jù)水聲信號的特點,，從水聲信號時頻特征出發(fā)設(shè)計了深度卷積網(wǎng)絡(luò)［2］,，有助于提取到具有一定物理意義的譜特征，識別率顯著提高,。但由于水聲信號的獲取難度大,，導致水聲數(shù)據(jù)樣本是小樣本，樣本較少模型容易產(chǎn)生過擬合的現(xiàn)象,。深度自編碼網(wǎng)絡(luò)可以對原始數(shù)據(jù)進行有效的降維,，避免模型出現(xiàn)過擬合。陳越超等學者基于降噪自編碼器對水聲數(shù)據(jù)進行特征提取與識別［3］,，結(jié)果表明,，對于不同類型目標與同一目標的不同狀態(tài)，降噪自編碼器都能提取可分性特征，識別率也高于其他對比方法,。薛靈芝等學者對深度自編碼網(wǎng)絡(luò)進行了改進,，在最后一層隱藏層的輸入值中加入第一層的特征值，有效地避免了單一通道中由于連乘導致的梯度消失問題［4］,，結(jié)果表明,，該算法能有效地對水聲信號進行特征提取和分類，并具有良好的魯棒性,。但是自編碼器一般基于全連接的方式構(gòu)建網(wǎng)絡(luò)模型,，但是全連接網(wǎng)絡(luò)的運算量較大，對實時性要求較高的應(yīng)用來說有較大的局限性,。

綜上所述,，本文綜合利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）和卷積去噪自編碼器(CDAE)的優(yōu)勢，構(gòu)建了適應(yīng)水聲信號的深度卷積網(wǎng)絡(luò)和卷積去噪自編碼器（CDAE-CNN）,，將水聲信號的Lofar譜特征作為模型的輸入,，進行特征提取和分類，利用更少的參數(shù)學習更豐富的特征,，實現(xiàn)對水聲信號的分類,。

本文下載請點擊：基于深度卷積網(wǎng)絡(luò)和卷積去噪自編碼器的水聲信號識別方法AET-電子技術(shù)應(yīng)用-最豐富的電子設(shè)計資源平臺 (chinaaet.com)

作者信息：

曹琳，彭圓,，牟林,，孫悅，徐劍秋

（水下測控技術(shù)重點實驗室,，遼寧大連116013）