《Journal of Marine Science and Engineering》：A Dual-Input Dense U-Net-Based Method for Line Spectrum Purification Under Interference Background
Zixuan Jia,
Tingting Teng and
Dajun Sun
编辑推荐：
为解决水下探测中目标线谱被强干扰和噪声污染的问题，研究人员提出了一种基于Dense U-Net的双输入架构。该模型通过有监督学习，从包含干扰和目标的混合时频特征中，学习并消除强干扰分量与背景噪声，从而输出纯净的目标线谱。该方法在低信干噪比(SINR)条件下可获得超过8 dB的输出SINR提升，对阵列位置误差也表现出更强的鲁棒性，并且能够利用仿真数据进行训练并部署于实测数据，有效缓解了水下探测中标记样本稀缺的难题。
在水下这片广阔而神秘的领域，如何从嘈杂的背景声中准确地“听”到目标的“心跳声”，是声学探测与识别的核心难题。线谱，作为目标（如舰船）辐射噪声中稳定的窄带分量，是进行检测、识别和定位的关键特征。然而，现实场景往往很“骨感”：感兴趣的目标信号常常被来自其他声源或环境的强干扰所淹没。这导致提取出的目标频率域特征与干扰特征混杂在一起，如同在喧闹的集市中分辨一个特定的说话声，极具挑战性。传统上，人们依赖基于模型的阵列干扰抑制技术，例如基于特征子空间的方法或零点展宽方法。但这些方法通常依赖于理想的阵列模型，并且当干扰与目标的角度间隔小于阵列的瑞利分辨率极限时，其抑制能力和线谱净化性能会显著下降。更棘手的是，实际水下阵列常常存在安装误差、通道响应不一致等非理想情况，这进一步削弱了传统方法的鲁棒性。为了突破这些瓶颈，近年来，数据驱动的机器学习方法开始崭露头角。无论是试图通过大量标注数据强行建立信号混合模式与目标特征之间统计关联的监督学习，还是试图不依赖标注数据、通过自洽优化目标来发现数据内在规律的无监督学习(unsupervised learning)，都为线谱净化提供了新的思路。然而，它们也各自面临标注数据稀缺、物理假设可能无效等局限。在此背景下，一项发表于《Journal of Marine Science and Engineering》的研究提出了一种创新的解决方案。
为了从强干扰背景下提取纯净的目标线谱，研究人员核心采用了两种关键技术方法。首先，构建了一个基于DenseBlock的双输入U-Net神经网络架构。该网络以两个二维矩阵作为输入：一是包含干扰、目标和噪声的混合信号时频特征，二是仅包含干扰和噪声的时频特征。网络通过有监督学习，学习这两个输入之间的差异成分，即目标的时频特征。其次，研究中使用了仿真与实测数据结合的训练与验证策略。模型可以在定义的信号和网络模型下，利用有限的仿真数据集进行训练，然后直接部署到真实的测量数据上，从而有效应对水下目标检测任务中标注真实数据稀缺的挑战。
1. 问题阐述与模型构建
研究考虑了一个由M个全向水听器构成的均匀线性阵列(Uniform Linear Array, ULA)，一个干扰信号和一个目标信号从远场按平面波假设入射到该阵列。通过离散傅里叶变换将接收到的宽带信号转换到频域进行处理。研究提出的核心模型是对经典U-Net的两项关键改进：一是用DenseBlock替代了原始U-Net中的传统二维卷积层和上卷积层，DenseBlock内每一层都与所有后续层直接连接，这种设计促进了特征重用、增强了特征流、降低了参数量；二是将网络输入从一个扩展为两个二维矩阵，分别对应混合物的时频特征和干扰的时频特征。网络通过编码器-解码器的对称结构，学习从混合特征中“减去”干扰特征，从而输出纯净的目标线谱。
2. 仿真验证结果
仿真结果表明，在低信干噪比(Signal-to-Interference-and-Noise Ratio, SINR)条件下，与传统模型驱动的干扰抑制方法相比，本研究提出的方法能够实现超过8 dB的输出SINR提升。更重要的是，该方法对阵列位置误差表现出了显著更强的鲁棒性。这意味着在实际阵列存在 imperfections（如安装误差）时，该方法的性能衰减远小于传统方法，验证了其数据驱动特性带来的优势。
3. 实验数据验证
为了进一步验证方法的实用性，研究将其应用于真实的实验数据。结果表明，经过仿真数据训练的模型，能够成功处理实测数据，有效抑制干扰和背景噪声，输出清晰的目标线谱。这证明了该模型具备强大的泛化能力(generalization capability)，能够跨越仿真与实测数据之间的鸿沟，这对于标记样本稀缺的水下探测任务具有重要价值。
研究结论与讨论部分对本工作进行了总结。本研究提出了一种基于双输入Dense U-Net的线谱净化方法，其主要贡献包括：1） 用DenseBlocks替换传统卷积层，构建了增强特征传播、减少参数量的网络架构；2） 网络以干扰和干扰-目标混合物的时频特征作为双输入，通过有监督学习实现干扰抑制；3） 在低SINR条件下获得了显著的性能提升（>8 dB）和对阵列误差的强鲁棒性；4） 实现了“仿真训练、实测应用”的范式，有效解决了水下声学检测中标记样本稀缺的难题。这项工作表明，数据驱动的深度学习方法能够克服传统模型驱动方法对理想阵列模型的依赖，为复杂干扰环境下的高精度水下目标线谱特征提取提供了新的有效工具。
