Research on Fundamental Frequency Detection Method for Underwater Target Noises by Deep Learning

对目标航行过程中向水体辐射出的噪声加以分析能够获得关于目标运动状态及本体特征等信息，进而达到探测和识别目的。研究人员对水中机动目标噪声进行了大量的分析，对目标噪声的产生过程进行建模并探索从中提取出有效特征的方法。其中LOFAR(Low Frequency Analysis Recording)谱和DEMON(Detection of Envelope Modulation On Noise)谱是在目标识别和探测过程中最常用的两种噪声特征，能够反映目标的工况和种类。航行速度作为一种重要工况，被许多研究人员关注。螺旋桨转速能直观反映航行速度，因此分析目标螺旋桨转速具有重要的研究意义。螺旋桨主轴的转动频率被称为轴频（基频），关于目标辐射噪声的轴频检测算法已经有了大量工作，但传统的船舶辐射噪声基频检测方法不仅依赖大量的先验知识，而且对背景噪声比较敏感。为了提高目标识别的稳定性和精确性，本文提出了一种基于深度神经网络的基频检测算法。首先，设计了一种基于水听器阵列信号和深度学习网络的水中目标噪声轴频检测算法。从多通道水听器信号中提取DEMON谱，引入梳状滤波器对DEMON谱的谐波结构进行增强。然后将谱特征输入CNN和LSTM构成的级联网络，对特征进行降维并提取其时序特征。最终将特征流经稠密层进行分类，并实现对基频的估计。其次，开展了水下目标辐射噪声及水听器接收端信号仿真。深度学习方法往往对样本量有一定的要求，但水中目标辐射噪声实测数据一般存在获取困难的问题。因此，本文介绍了两种常见的舰船噪声信号仿真方法，并通过Bellhop仿真海洋信道在传播过程中对信号的影响。利用仿真噪声信号对所设计网络进行训练。同时，获取一定量的实测噪声数据对网络进行微调，以适应实际环境下的噪声信号。最后，开展消声水槽和外场试验，对所提方法的可行性和精确率进行了测试。得到了如下结论：（1）深度网络能够实现无先验知识和不同信噪比条件下的基频检测，具有良好的泛化性能。（2）LSTM网络能够高效地从时序DEMON谱中提取统计特征，提高基频估计精度。（3）输入信号的时间长短会影响网络的检测精度，更长时间的信号能够获得更好的检测结果