基于深度学习的水声信号降噪识别方法.pdf

摘要

声呐接收信号往往包含恶劣海洋背景噪声，甚至混杂着人为干扰信号，这使

得早期水下目标识别系统效果不甚理想。数十年来，研究人员在水声信号处理领

域不懈努力，越来越优秀的水声降噪抗干扰技术和水下目标识别技术涌现出来。

降低混入噪声和人为干扰，提高接收水声信号信噪比对后续处理具有事半功

倍的效果。本文首先详尽分析了水下常见噪声与干扰的声音机理，研究了四种传

统降噪抗干扰方法原理，并基于常用信号水下目标识别系统对其进行了实验测试。

研究发现：传统降噪抗干扰方法对常用信号信噪比和水下目标识别系统识别准确

率都具有一定程度提升，直观证明了降噪抗干扰环节对水声系统的重要性。

之后本文研究了常用人为强宽带干扰，并基于常用信号与水下目标识别系统

进行实验，测试了传统降噪抗干扰方法的介入对受强宽带干扰的水声系统性能的

提升效果。结果表明信号信噪比和目标识别准确率得到了一定幅度提升，传统方

法对强宽带干扰具有有限的抗干扰效果，但对目标信号造成了一定失真。本文提

出了一种基于最优抽头选取迭代（OptimalTapSelectionandIteration,OTSI）的水

声降噪抗干扰方法，并在水下目标识别系统中进行实验。研究结果表明：相比传

统方法及小波阈值降噪方法，OTSI算法具有更加优秀的降噪抗干扰性能，在提升

混入人为强宽带干扰的信号信噪比和系统识别准确率方面具有良好表现。

最后，在对比研究谱特征提取阶段常用的低频分析记录谱（LowFrequency

AnalysisRecording,LOFAR)和噪声包络调制检测谱（DetectionofEnvelope

ModulationonNoise,DEMON）之后，针对DEMON谱对新型发动机特征提取不

明显的问题，提出了基于振幅阈值DEMON（AmplitudeThresholdDEMON,

ATDEMON）谱特征提取方法。以生成对抗网络（GenerativeAdversarialNetwork,

GAN）扩充后的ShipsEar数据库为输入，比较了DEMON谱、ATDEMON谱和小

波变换特征三种方法对基于卷积神经网络（ConvolutionalNeuralNetwork,CNN）

的水下目标识别准确率的影响。研究表明：ATDEMON谱方法可以更完整地提取

出实测舰船辐射噪声信号的特征，整体识别准确率最优。其对特定舰船类型的识

别准确率达100.00%，并取得了98.25%的平均识别准确率。与另两种方法相比，

ATDEMON谱方法整体上对水下目标识别系统的性能提升更加明显。

关键词：降噪抗干扰，水下目标识别，谱特征提取，DEMON谱，深度学习

ABSTRACT

Thereceivedsignalofsonaroftencontainsharshoceanbackgroundnoise,even

mixedwithartificialinterferencesignals,whichmakestheearlyunderwatertarget

recognitionsystemlesseffective.Fordecades,researchershavemadeunremittingefforts

inthefieldofunderwateracousticsignalprocessing,andmoreandmoreexcellent

underwateracousticnoisereductionandanti-interferencetechnologyandunderwater

targetrecognitiontechnologyhaveemerged.

Reducingthemixednoiseandman-madeinterferenceandimprovingthesignal-to-

noiseratioofthereceivedunderwateracousticsignal