0引言

如何在復雜的海洋環境下對水聲信號進行識別是目前亟需解決的難題。傳統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據高級的特征表示，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、語音識別等領域取得了巨大的成功，國內外學者陸續嘗試將深度學習方法應用于水聲信號識別中。一些學者將卷積神經網絡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，李俊豪等學者根據水聲信號的特點，從水聲信號時頻特征出發設計了深度卷積網絡［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，導致水聲數據樣本是小樣本，樣本較少模型容易產生過擬合的現象。深度自編碼網絡可以對原始數據進行有效的降維，避免模型出現過擬合。陳越超等學者基于降噪自編碼器對水聲數據進行特征提取與識別［3］，結果表明，對于不同類型目標與同一目標的不同狀態，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絡進行了改進，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建網絡模型，但是全連接網絡的運算量較大，對實時性要求較高的應用來說有較大的局限性。

綜上所述，本文綜合利用卷積神經網絡（CNN）和卷積去噪自編碼器(CDAE)的優勢，構建了適應水聲信號的深度卷積網絡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，利用更少的參數學習更豐富的特征，實現對水聲信號的分類。

本文下載請點擊：基于深度卷積網絡和卷積去噪自編碼器的水聲信號識別方法AET-電子技術應用-最豐富的電子設計資源平臺 (chinaaet.com)

作者信息：

曹琳，彭圓，牟林，孫悅，徐劍秋

（水下測控技術重點實驗室，遼寧大連116013）