聂瑞祥 牛奕龙 覃德卿 尚永博
西北工业大学 陕西西安 710068
摘要：随着我国军事行业的不断发展，我国对水声目标军事任务完成情况提出了更高的要求。但是，由于海洋环境极其复杂，相关领域技术人员在利用舰船辐射噪声对水声目标进行识别的过程中，遇到了巨大的困难和挑战。基于以上情况，本文在有效结合水声信号特点的基础上，通过利用深度卷积神经网络，对水声目标信号的时频特征进行提取和识别，确保所提取和识别数据信息的真实性、完整性和可靠性。希望通过这次研究，为相关领域技术人员提供有效的借鉴和参考。
关键词：深度卷积神经网络；水声目标；信号时频特征；提取；识别
最近几年，随着我国大数据时代的不断发展和深度学习模式的应用，传统机器学习下水声目标的识别方法已经无法满足数据时代发展的需要，在大数据深度学习模式下，图像识别、语言识别和文字识别等新型技术在水声目标识别领域中得到了广泛的应用，并取得了良好的应用效果，其中，深度卷积神经网络在处理二维网络图像方面体现出非常重要的应用价值。不仅实现了提取过程与特征分类合二为一的发展，还充分发挥训练模型的应用价值，极大地提高了水声目标时频特征的提取效率和识别效率。
1水声目标识别网络构建
1.1卷积神经网络概念
卷积神经网络作为一种前馈神经网络，具有卷积计算特征和深度结构特征，因此，该网络又被称为“深度学习典型算法”。同时，卷积神经网络具有表征学习特征，能够按照特定的层次和结构，采用平移不变的方式对输入信息进行分类处理[1]，因此，该网络又被称为“平移不便神经网络”。通过利用卷积神经网络，可以确保水声目标时频特征提取的层次性，在网络深度不断加深的情况下，当卷积层的深度远大，图像结构就会越清晰，为相关领域技术人员更好地进行特征识别打下坚实的基础。
1.2针对线谱特性的深度卷积神经网络
卷积神经网络在对水声目标时频特征进行提取的过程中，需要重点采用平移不变的方式，实现权值的共享。时间维度滑动二维卷积核如图1所示，从图中可以明显地看出卷积神经网络在时间轴上的任何一点都具有平移不可变特征[2]，因此，从整体上看，线谱特征比较稳定。
.png)
图1时间维度滑动的二维卷积核
2实验分析
实验主要由两大部分组成，分别是水声信号谱特征提取实验、深度卷积神经网络识别性能评价实验。以下是对这两大部分实验过程的详细介绍。
2.1水声信号谱特征提取实验
随着海量水声数据的不断变化和驱动，深度卷积神经网络逐渐表现出更高的自适应性。在这样的情况下，相关领域技术人员可以通过充分利用舰船辐射噪音完成对水声目标时频特征的提取[3]。同时，在低频情况下，舰船辐射噪音内部含有海量的线谱特征，这种线谱特征直观地反映出了目标舰船的功能特征。因此，通过将舰船辐射噪音更好地应用到水声目标时频特征提取中，更能提高提取的效率和效果。此外，在深度卷积神经网络的应用背景下，相关领域技术人员可以采用可视化卷积核的方式对提取出来的水声目标时频特征进行全面观察和处理，形成了如图2所示的不同频段谱特征提取情况示意图[4]。从图中可以明显地看出，按照从左到右的顺序，卷积核提取特征的频率范围在0-1600HZ之间，同时，当卷积核处于低频率区域时，相关领域技术人员可以实现低频线谱特征的成功提取，而当卷积核处于高频率区域，所提取的水声目标时频特征往往会表现出一定的复杂性，出现这一现象的根本原因是在低频区域内集中分布舰船类别属性特征。
.png)
图2卷积核对不同频段谱特征的提取
2.2深度卷积神经网络识别性能评价实验
本实验主要采用随机抽取的方式，将五百条数据作为实验样本[5]，然后，通过利用随机紧邻算法，在深度卷积神经网络的应用背景下，对水声目标时频特征进行降维处理，最终形成了可视化的t-SNF散点，t-SNF散点图如图3所示。
.png)
图3t-SNF散点图
从图中可以明显地看出，a与b两点分别代表卷积核在0-100HZ的频率范围和1500HZ-1600HZ的频率范围下所提取的水声目标时频特征，然后，利用可视化降维方式对最终提取的特征进行显示。当舰船类别相同时，a中的聚类程度远远高于b，但是，a中混用大量的海洋环境噪音；而b中的海洋环境噪音能够与舰船类型进行很好地分离[6]，但是各个舰船之间却出现完全混用现象；c中通过利用降维可视化方式，将所有频段的水声目标时频特征结果进行全面显示；d中通过利用降维可视化方式提取了深度卷积神经网络特征。同时c和b所提取的特征具有很好的聚集性。
为了确保水声目标时频特征识别的科学性和合理性，需要采用验证的方式对实验结果混淆矩阵进行分析和处理，实验结果混淆矩阵如表1所示，表格中的第一列数据代表真实样本，第一行数据代表被识别的类别。
.png)
网络识别性能评价如表2所示，该表形象、直观地展示了各种验证数据的三个指标：一是召回率，二是准确率，三是F1得分。观察表2中的数据不难发现，与其他数据类别相比[7]，海洋环境噪音在召回率和准确率两大指标参数中获得了较高的结果，分别是99,3%和96.7%，而中型客船的F1得分达到最高，为77.5%，而散装货船与邮轮由于同属于货船大类的原因，导致特征识别效果不够理想。
.png)
结束语：
综上所述，为了实现水声目标时频特征的科学、高效地提取和识别，在深度卷积神经网络的应用背景下，相关领域技术人员需要对卷积特征提取方法和识别方式进行不断修正、优化和完善，以确保所提取的水声目标时频特征具有典型的物理特征，这为接下来的识别操作提供了重要的数据支撑。同时，相关领域技术人员还要采用可视化方式，对利用深度卷积神经网络所提取的特征进行认真、细致地观察，并处理和整合水声目标时频特征相关信息，从而确保该时频特征的聚类性能达到最优化，为最大限度地提高深度学习的可理解性和可解释性提供有力的保障。
参考文献：
[1]Hao Yuxin. Feature classification of ship radiated noise based on deep neural network [D]. Harbin Engineering University,2019.87(15):13-19.
[2]Zhang Guanhua. Classification of whale calls based on convolutional neural network [D]. Harbin Engineering University, China,2019.9(67):148-173.
[3]Lu Haitao, Gong Jianwen, Kong Xiaopeng. Underwater acoustic target classification based on convolutional neural network [J]. Naval electronic engineering,2019,39(02):153-157.
[4][4] Yao Xiaohui, Yang Honghui, Li Yiqing. Modulation recognition of underwater acoustic communication based on convolutional neural network [J]. Unmanned system technology,2018,1(04):68-74.
[5]Wang Peng. Research on underwater target recognition based on deep neural network [D]. Harbin Engineering University,2018.22(08):114-135.
[6]张健.基于深度学习的水声目标识别的研究[D].电子科技大学,2020.40(05):123-134.
[7]陈越超,付君宇.基于卷积神经网络的水中目标辐射噪声识别方法[C].中国声学学会水声学分会.中国声学学会水声学分会2019年学术会议论文集.中国声学学会水声学分会:《声学技术》编辑部,2019:382-384.
[8]楚博策, 刘刚. 基于卷积神经网络的语音特征提取算法[J]. 2018.
[9]洪礼聪. 基于时频图像和卷积神经网络的尾水管涡带状态识别[D]. 2018.
[10]吴义满, 徐瑶瑞. 一种基于改进深度卷积神经网络的室性早搏检测算法[J]. 计算机应用与软件, 2019, 036(011):275-279.
[11]吴佩军, 侯进, 吕志良,等. 基于卷积神经网络的多进制相位调制信号识别算法[J]. 计算机应用与软件, 2019.
[12]张朝林, 范玉刚. CEEMD与卷积神经网络特征提取的故障诊断方法研究[J]. 机械科学与技术, 2019, 38(02):20-25.
[13]姚瑶, 王战红. 基于时频预处理下卷积网络的雷达信号识别[J]. 探测与控制学报, 2018, 40(006):99-105.
[14]胡浩行. 基于深度卷积神经网络的核素能谱特征提取及识别研究[D]. 2019.