0引言

如何在復(fù)雜的海洋環(huán)境下對(duì)水聲信號(hào)進(jìn)行識(shí)別是目前亟需解決的難題。傳統(tǒng)的基于信號(hào)特征的水聲目標(biāo)信號(hào)識(shí)別方法,，特征受時(shí)/頻/空域變換算法的制約不可避免地丟失目標(biāo)信息,。深度學(xué)習(xí)方法能夠自動(dòng)地通過(guò)逐層訓(xùn)練學(xué)習(xí)到數(shù)據(jù)高級(jí)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(hào)到輸出分類的處理。隨著深度學(xué)習(xí)在圖像識(shí)別,、語(yǔ)音識(shí)別等領(lǐng)域取得了巨大的成功,，國(guó)內(nèi)外學(xué)者陸續(xù)嘗試將深度學(xué)習(xí)方法應(yīng)用于水聲信號(hào)識(shí)別中。一些學(xué)者將卷積神經(jīng)網(wǎng)絡(luò)對(duì)水聲信號(hào)的時(shí)頻譜特征進(jìn)行學(xué)習(xí)和識(shí)別［1］,，有效降低了噪聲的影響,，分類精度可達(dá)9857%，取得了很好的識(shí)別效果,，李俊豪等學(xué)者根據(jù)水聲信號(hào)的特點(diǎn),，從水聲信號(hào)時(shí)頻特征出發(fā)設(shè)計(jì)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(shí)別率顯著提高,。但由于水聲信號(hào)的獲取難度大,，導(dǎo)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(guò)擬合的現(xiàn)象,。深度自編碼網(wǎng)絡(luò)可以對(duì)原始數(shù)據(jù)進(jìn)行有效的降維,，避免模型出現(xiàn)過(guò)擬合。陳越超等學(xué)者基于降噪自編碼器對(duì)水聲數(shù)據(jù)進(jìn)行特征提取與識(shí)別［3］,，結(jié)果表明,，對(duì)于不同類型目標(biāo)與同一目標(biāo)的不同狀態(tài)，降噪自編碼器都能提取可分性特征,，識(shí)別率也高于其他對(duì)比方法,。薛靈芝等學(xué)者對(duì)深度自編碼網(wǎng)絡(luò)進(jìn)行了改進(jìn)，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(dǎo)致的梯度消失問(wèn)題［4］,，結(jié)果表明，該算法能有效地對(duì)水聲信號(hào)進(jìn)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(yùn)算量較大,，對(duì)實(shí)時(shí)性要求較高的應(yīng)用來(lái)說(shuō)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(shì),，構(gòu)建了適應(yīng)水聲信號(hào)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(hào)的Lofar譜特征作為模型的輸入,，進(jìn)行特征提取和分類,，利用更少的參數(shù)學(xué)習(xí)更豐富的特征，實(shí)現(xiàn)對(duì)水聲信號(hào)的分類,。

本文下載請(qǐng)點(diǎn)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(hào)識(shí)別方法AET-電子技術(shù)應(yīng)用-最豐富的電子設(shè)計(jì)資源平臺(tái) (chinaaet.com)

作者信息：

曹琳,，彭圓，牟林,，孫悅,，徐劍秋

（水下測(cè)控技術(shù)重點(diǎn)實(shí)驗(yàn)室，遼寧大連116013）