编辑推荐：
为解决复杂动态海洋环境下水声频谱利用率低的问题，研究人员开展基于多模态数据融合的智能频谱感知研究，提出 Mul-YOLO 网络。结果显示其检测概率提升 5.9%-18.9%，虚警概率优化 7%-12.7%，为 OIOT 频谱资源管理提供新方案。
在浩瀚的海洋中，海洋物联网（OIOT）正成为未来全球海洋研发的核心技术，它如同海洋的 “神经网络”，将海底设备、船舶、潜艇等连接起来，实现环境监测、资源勘探等复杂任务。然而，这一 “神经网络” 的高效运行面临着严峻挑战：水下声通信频谱资源极为有限，多径衰落、噪声干扰等问题导致频谱利用率低下，传统固定频谱分配模式难以应对动态变化的海洋环境。如何在这片 “频谱海洋” 中精准找到空闲频段（频谱空洞），避免用户间干扰，成为 OIOT 发展的关键瓶颈。
为突破这一困境，国内研究人员开展了水下声智能频谱感知技术研究，相关成果发表在《Future Generation Computer Systems》。该团队致力于解决复杂海洋环境下的频谱感知难题，通过融合多模态数据与改进 YOLO 网络，为水下频谱资源的高效利用提供了新路径。
研究采用的关键技术包括：
- 多模态数据构建：将水下声信号的时间序列数据通过小波变换（CWT）转化为图像数据，形成包含时空信息的多模态数据集；利用去噪自编码器（DAE）对时间序列数据进行无监督降噪，提升数据质量。
- Mul-YOLO 网络架构：设计并行双主干 YOLO 网络，一支路通过深度可分离卷积（DSC）捕捉关键时间特征，另一支路采用改进 CSPDarknet 提取空间特征；引入模态交互模块与坐标注意力（CA）机制，促进跨模态特征融合与多尺度信息感知。
性能评估与结果
在硬件配置为 [见表 1] 的环境下，采用 Adam 优化器（学习率 0.00001，批量大小 32）训练网络。数据集包含 1966 组时间序列与图像样本（训练 / 验证 / 测试集按 8:1:1 划分），通过以下实验验证性能：
- 检测概率提升：在信噪比 - 12 dB 至 0 dB 范围内，与 CNN、ResNet、YOLOv5 等算法相比，Mul-YOLO 的平均检测概率提高 5.9%-18.9%，显著提升了低信噪比环境下的频谱空洞识别能力。
- 虚警概率优化：平均虚警概率降低 7%-12.7%，有效减少了误判干扰，保障了频谱分配的可靠性。
结论与意义
该研究构建的多模态数据集与 Mul-YOLO 模型，通过融合时空特征与跨模态交互机制，突破了传统单模态数据与卷积神经网络的局限性，为水下认知声网络（UCANs）提供了高精度频谱感知方案。实验表明，该方法能有效提升复杂海洋环境下的频谱利用率，避免用户间干扰，对推动 OIOT 在海洋勘探、国防安全等领域的应用具有重要意义。未来，多模态融合与轻量化网络设计或成为水下智能通信的重要发展方向，助力实现 “智能海洋” 的战略目标。
