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(xù)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(fā)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(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(yōu)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）