0引言

如何在复杂的海洋环境下对水声信号进行识别是目前亟需解决的难题。传统的基于信号特征的水声目标信号识别方法，特征受时/频/空域变换算法的制约不可避免地丢失目标信息。深度学习方法能够自动地通过逐层训练学习到数据高级的特征表示，从而得到更丰富的特征信息。该方法集特征提取与分类于一体，完成从输入信号到输出分类的处理。随着深度学习在图像识别、语音识别等领域取得了巨大的成功，国内外学者陆续尝试将深度学习方法应用于水声信号识别中。一些学者将卷积神经网络对水声信号的时频谱特征进行学习和识别［1］，有效降低了噪声的影响，分类精度可达9857%，取得了很好的识别效果，李俊豪等学者根据水声信号的特点，从水声信号时频特征出发设计了深度卷积网络［2］，有助于提取到具有一定物理意义的谱特征，识别率显著提高。但由于水声信号的获取难度大，导致水声数据样本是小样本，样本较少模型容易产生过拟合的现象。深度自编码网络可以对原始数据进行有效的降维，避免模型出现过拟合。陈越超等学者基于降噪自编码器对水声数据进行特征提取与识别［3］，结果表明，对于不同类型目标与同一目标的不同状态，降噪自编码器都能提取可分性特征，识别率也高于其他对比方法。薛灵芝等学者对深度自编码网络进行了改进，在最后一层隐藏层的输入值中加入第一层的特征值，有效地避免了单一通道中由于连乘导致的梯度消失问题［4］，结果表明，该算法能有效地对水声信号进行特征提取和分类，并具有良好的鲁棒性。但是自编码器一般基于全连接的方式构建网络模型，但是全连接网络的运算量较大，对实时性要求较高的应用来说有较大的局限性。

综上所述，本文综合利用卷积神经网络（CNN）和卷积去噪自编码器(CDAE)的优势，构建了适应水声信号的深度卷积网络和卷积去噪自编码器（CDAE-CNN），将水声信号的Lofar谱特征作为模型的输入，进行特征提取和分类，利用更少的参数学习更丰富的特征，实现对水声信号的分类。

本文下载请点击：基于深度卷积网络和卷积去噪自编码器的水声信号识别方法AET-电子技术应用-最丰富的电子设计资源平台 (chinaaet.com)

作者信息：

曹琳，彭圆，牟林，孙悦，徐剑秋

（水下测控技术重点实验室，辽宁大连116013）