基于ResNet与通道注意力机制的水声多目标抗干扰识别模型研究

针对非目标干扰条件下水声多目标识别(UAMTR)的难题，研究人员构建了三种不同目标干扰比(TIR)的水声多目标数据集(MTDs)，提出融合ResNet与通道注意力机制的深度学习模型。实验表明该模型在目标与干扰信号能量相等时识别准确率达91.21%，通道注意力模块可提升4%的全局准确率，为复杂海洋环境中的目标监测提供了新方案。

　　

海洋环境中，船舶辐射噪声的识别对海事安全、生态保护至关重要。然而现实场景中，监测区域常出现多船并存现象，目标信号与非目标干扰信号相互叠加，传统方法难以有效分离。更棘手的是，非目标干扰会掩盖目标特征或引入噪声特征，使多目标识别(UAMTR)面临巨大挑战。尽管深度学习(DL)技术为水声目标识别带来新思路，但现有研究多聚焦单目标场景，且缺乏标准化的多目标干扰数据集。

针对这一系列问题，中国国家声学实验室（Science and Technology on Sonar Laboratory）的研究团队在《Expert Systems with Applications》发表重要成果。他们创新性地构建了三种水声多目标数据集(MTDs)：SE_raw（原始信号）、SE_norm（最大归一化信号）和SE_en0（能量归一化信号），通过目标干扰比(TIR)量化信号混合程度，模拟真实与理想场景。为解决数据不平衡问题，团队提出两种新型重采样策略。更重要的是，他们开发了基于ResNet架构的TResNet-LA模型，引入通道注意力机制(Channel Attention)实现特征通道的动态加权，有效抑制干扰噪声。实验证明该模型在SE_en0数据集上达到91.21%的全局识别准确率，较基线提升4个百分点。

关键技术包括：1）基于ShipsEar数据集构建MTDs并设计TIR指标；2）提出样本级平衡度评估框架；3）开发结合ResNet与通道注意力机制的TResNet-LA模型；4）采用多标签二分类策略处理目标类型与数量的联合识别。

【MTDs构建与评估】
通过混合船舶辐射噪声信号，建立包含不同TIR范围的三个数据集。分析发现原始数据集存在显著类别不平衡，新提出的平衡度指标可量化数据集质量。

【模型性能验证】
在SE_en0数据集上，TResNet-LA的宏平均F1值达89.35%，显著优于传统SVM、KNN等方法。通道注意力模块使高频特征提取能力提升23%，证明其对干扰抑制的有效性。

【干扰强度影响】
实验表明当TIR>5dB时模型识别准确率超过85%，但TIR降至-5dB时性能下降12%，揭示干扰强度与识别难度的非线性关系。

【混合目标数量分析】
双目标识别准确率(86.72%)较单目标下降4.5%，而三目标场景下进一步降低至79.81%，说明目标数量增加会线性加剧识别难度。

这项研究不仅填补了水声多目标干扰识别的技术空白，更建立了首个标准化评估框架。其创新点在于：1）首次系统量化非目标干扰对UAMTR的影响；2）通道注意力机制为水声信号处理提供新思路；3）重采样策略解决小样本不平衡问题。尽管合成数据存在局限性，但团队指出未来可通过迁移学习将模型适配真实场景。该成果对海洋环境监测、水下安防等领域具有重要应用价值，特别是为"智慧海洋"建设提供了关键技术支撑。