杂波回波中时变非线性特征评估的深度学习方法

《Advanced Intelligent Systems》:Deep Learning Methods for Assessing Time-Variant Nonlinear Signatures in Clutter Echoes

【字体: 大 中 小 】 时间:2026年02月13日 来源:Advanced Intelligent Systems 6.7

编辑推荐:

  摘要:菊头蝠科和旧大陆叶鼻蝠科蝙蝠的生物声呐系统包含外周动力学机制,其外耳在回声接收过程中发生快速旋转和形变。这些运动对接收到的回声施加时变线性和非线性效应。在本研究中,研究人员探究了此类时变效应是否在杂波(即由多个未分辨散射体反射叠加产生的回声)中形成可区分

  
摘要:菊头蝠科和旧大陆叶鼻蝠科蝙蝠的生物声呐系统包含外周动力学机制,其外耳在回声接收过程中发生快速旋转和形变。这些运动对接收到的回声施加时变线性和非线性效应。在本研究中,研究人员探究了此类时变效应是否在杂波(即由多个未分辨散射体反射叠加产生的回声)中形成可区分且可靠的特征。研究人员使用人工 foliage 并借助风扇扰动以生成大规模杂波回声数据集,这些回声由具有不同时频特征(恒频、调频及两者复合)的脉冲触发,并由通过绳索驱动产生两种不同运动形态、五种不同运动速度的柔性仿生耳廓接收。研究人员测试了多种深度学习架构(ResNet、Transformer 和二维卷积神经网络)基于单次杂波回声对上述不同运动进行分类的能力。所取得的性能(最高达97%的整体正确分类率)表明,杂波回声中的时变特征可构成感觉信息编码的可靠基础,可能为在复杂自然环境中导航提供功能优势。
**论文解读:基于深度学习的杂波回声时变非线性特征评估**

**研究背景与问题提出**

在复杂自然环境中实现可靠导航与交互,是机器人及无人机等工程系统面临的持久挑战。其核心难点在于获取足以支撑此类任务的感觉信息。蝙蝠,尤其是栖息于茂密植被环境中的菊头蝠科(Rhinolophidae)和旧大陆叶鼻蝠科(Hipposideridae)物种,凭借其卓越的声呐系统成为解决该问题的理想生物模型。这些蝙蝠主要依靠回声定位进行导航,其回声常来自众多无法分辨的散射体(如树叶)的叠加反射,即声学杂波。杂波回声具有内在随机性和不可预测性,难以解读。然而,近期研究表明杂波中蕴含任务相关信息,例如支持通道检测和位置识别。

值得注意的是,上述蝙蝠科属的声呐系统展现出独特的外周动力学:其鼻叶和外耳(耳廓)在脉冲发射和回声接收期间发生快速形变,这些形变在时间上与脉冲发射或回声接收精确同步,且速度足以在脉冲/回声持续时间内(约10至100毫秒)产生显著形状变化,并由特化肌肉驱动。先前研究已评估静态耳廓形状对杂波回声的影响,证实不同形状可产生可区分且可靠的效果。然而,在实际接收回声过程中持续形变的耳廓,其线性系统特性不再平稳,而是时变的;同时,快速运动还会引入显著的多普勒频移(最高可达数kHz),这是一种非线性效应。尽管多普勒频移在确定性小目标(如方向估计、昆虫猎物表征)中的作用已有研究,但其在从杂波中提取感觉信息方面的潜力尚未被充分探索。本研究的核心动机在于探究由耳廓运动产生的多普勒频移模式,是否能在杂波回声波形中编码感觉信息,即这些时变非线性效应是否形成一致且可识别的特征。

**研究内容与结论**

为验证上述假设,研究人员构建了仿生声呐系统,包括模仿马蹄蝠鼻叶的发射器结构和模仿其耳廓的柔性接收器(由硅胶弹性体制成,尺寸约为生物模型的1.7倍)。通过电机驱动的肌腱系统使耳廓产生两种运动形态(向下和侧向)各五种速度,并设置静态参考,共11种运动状态。在布满人工树叶、由风扇扰动以产生随机化杂波环境的封闭场地中,使用三种不同时频结构的脉冲(恒频CF、调频FM及复合CF-FM)触发回声,系统采集了11,000个杂波回声样本(每种运动状态1,000个)。回声经带通滤波和短时傅里叶变换转换为频谱图,并标准化为统一尺寸。研究采用多种深度学习架构(ResNet系列、二维CNN、多种Transformer变体)对单次杂波回声进行分类任务,以识别产生该回声的耳廓运动类型和速度。其结果通过五折交叉验证评估分类准确率。

主要结论如下:第一,所有测试架构中,ResNet-18在CF-FM信号和最佳时频分辨率下达到最高97.19%的整体分类准确率,表明耳廓运动在杂波中确实留下了可区分且可靠的时变非线性特征。第二,信号类型显著影响分类性能:CF信号仅达48.31%准确率(但仍远高于随机水平9.1%),FM信号达92.78%,CF-FM信号达97.19%,表明宽带和时间-频率联合结构更有利于运动信息的编码。第三,将FM和CF-FM回声的频谱图限制在原始脉冲频带内,分类性能几乎不变,说明分类器并非依赖整体多普勒展宽,而是利用分布于时频平面上的谱时结构。第四,时频分辨率对性能有影响,最佳频率分辨率约在300-500 Hz,而非最高分辨率,提示一定的时间分辨率有助于提取运动特征。第五,轻量级网络(如Lightweight Transformer,参数小于1M)也能达到92%以上准确率,表明特征在谱图表示中较易获取,但极小网络(如Tiny Transformer)性能低下,说明仍需一定模型复杂度。第六,UMAP可视化显示,原始谱图中各类别重叠严重,而监督学习后网络深层特征实现了清晰的类间分离,表明深度学习模型有效提取了运动特征。

**关键技术方法**

本研究主要采用以下关键技术方法:1)仿生耳廓致动系统:通过Kevlar弦线驱动产生两种运动形态(向下和侧向)各五种速度,最大多普勒频移从400 Hz线性增加至2 kHz(载频50 kHz时),与生物观测值匹配。2)杂波环境生成与数据采集:在2×2×2米围栏内布置人工树叶(约6,000片/立方米),使用三个高速风扇扰动树叶以随机化散射体分布,确保连续回声不相关。数据采集覆盖147个方位-俯仰角位置,共11,000个样本。3)信号处理与谱图表示:回声经带通滤波(CF:48-52 kHz;FM/CF-FM:32-52 kHz),采用短时傅里叶变换(STFT)生成频谱图,窗长从250至6,250样本(对应200 Hz至5 kHz频率分辨率),90%重叠,并标准化为120×35像素。4)深度学习分类器:测试ResNet-18/34/50/152、2D-CNN、Vision Transformer、Lightweight Transformer、Hybrid CNN-Transformer等架构,采用交叉验证、Adam优化器、早停和学习率衰减训练。5)UMAP降维分析:对原始谱图(无监督)、带标签谱图(监督)及网络最终层激活(无监督)进行2D可视化,比较特征分离度。

**分节结果**

*2.1 声学设置:* 仿生系统包含一个发射器(仿鼻叶)和一个接收器(仿耳廓),发射器由两个静电超声换能器驱动,接收器使用MEMS麦克风。耳廓致动通过电机和Kevlar弦实现,两种运动形态(向下和侧向)各五种速度,最大多普勒频移从400 Hz(速度1)至2 kHz(速度5),并设置静态对照。脉冲类型包括CF(50 kHz)、FM(50-35 kHz线性扫频)和CF-FM(4 ms CF+2 ms FM),时长均为6 ms。

*2.2 杂波环境:* 人工树叶(塑料,平均5×3 cm)覆盖三面墙,厚度约0.3米,密度约6,000片/立方米。估计单个回声可照射约16,000片树叶。远场条件(距离1.5米)下采集,噪声底约-66 dB。

*2.3 数据采集:* 共11,000个回声样本,均匀分布于11种运动状态(每种1,000个)。采集序列包括定位、启动运动、记录三种脉冲回声、停止运动、风扇扰动5秒、静置2秒、移动到下一角度。记录元数据包括运动状态、角度、信号类型、时间戳和环境条件。

*2.4 信号处理:* 回声段截取6 ms(与脉冲时长对应),带通滤波,STFT生成谱图,窗长从250到6,250样本(频率分辨率200 Hz-5 kHz),90%重叠。不同分辨率单独用于分类测试。所有谱图线性插值至120×35像素,并进行min-max归一化。

*2.5 数据分析:* 测试ResNet-18/34/50/152、2D-CNN、Vision Transformer、Lightweight Transformer、Hybrid CNN-Transformer、Basic Transformer、Tiny Transformer等架构。采用五折交叉验证,训练使用Adam优化器(初始学习率0.001),交叉熵损失,500 epoch,dropout 0.2,早停(patience=100),学习率衰减(因子0.5,patience=25)。UMAP分析使用邻域大小15,最小距离0.1,欧氏距离。

**结果讨论与结论**

讨论部分指出,CF信号性能较差可能源于杂波中散射体多普勒频移的随机分布导致窄带标记模糊,而FM和CF-FM信号因占据更宽时频区域而携带更多运动信息。限制频带实验排除了整体展宽的作用,证实分类依赖谱时结构。最佳频率分辨率(300-500 Hz)略低于最高值,提示时间分辨率对提取特征有贡献。轻量级网络的成功表明特征可访问性,但极小网络失败表明仍需一定计算复杂度。研究强调了可区分性不等于功能效用,未来需在真实声呐任务中验证动态接收配置的优势。

结论部分翻译:杂波回声频谱图中耳廓运动类型和速度的成功分类表明,尽管杂波回声具有内在随机性,动态耳廓运动仍产生一致(即可区分且可靠)的特征。这些基本特性允许这些运动诱导效应作为感觉信息编码的合适基础。此外,对运动类型和速度的细粒度区分不仅为信息编码提供了细微差异的机会,还能对信息编码过程进行精细控制。因此,当前研究扩展了先前关于蝙蝠耳廓移动潜在作用的研究发现。先前工作局限于刚性旋转(重新定向波束图)或静态波束图差异,而当前工作涵盖了与耳廓快速连续形变相关的非平稳线性及非线性(多普勒)效应。该研究发表在《先进智能系统》(*Advanced Intelligent Systems*)。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号