基于异构神经网络的水下声学信号检测技术

《Ocean Engineering》:Underwater acoustic signal detection technology based on heterogeneous neural networks

【字体: 大 中 小 】 时间:2026年05月02日 来源:Ocean Engineering 5.5

编辑推荐:

  秦子丽|李超|王海斌|聂乐欣|张家坤|尹浩 中国科学院声学研究所声学与海洋信息国家重点实验室,北京100190,中国 **摘要** 本文在之前基于图像模式识别技术的主动水下声学信号检测研究的基础上进行了扩展。针对以往工作的局限性和工程应用中遇到的实际挑战,我们提出了

  秦子丽|李超|王海斌|聂乐欣|张家坤|尹浩
中国科学院声学研究所声学与海洋信息国家重点实验室,北京100190,中国

**摘要**
本文在之前基于图像模式识别技术的主动水下声学信号检测研究的基础上进行了扩展。针对以往工作的局限性和工程应用中遇到的实际挑战,我们提出了一种结合物理传播机制与深度学习方法的鲁棒检测框架。首先,我们设计了一种传输信号波形,该波形兼具恒定包络特性和独特稳定的图像样模式,提高了换能器的电声转换效率,同时为后续检测提供了坚实的物理基础。其次,尽管传统的匹配滤波方法在实用声纳系统中被广泛采用,但其阈值设定的固有限制往往导致对弱目标的漏检率较高或误报率过高。为了解决这一问题,我们保留了匹配滤波的检测优势,并提出了一种无阈值的开峰提取方法,用于匹配相关方位-时间记录。该方法能够实现高召回率的初步检测和目标的联合方位-时间定位。最后,我们构建了一个异构的双分支神经网络,有效抑制了由时间旁瓣干扰和环境噪声引起的误报。仿真和海试结果表明,在强干扰条件下,与传统的匹配滤波方法相比,所提出的方法在相同误报率下实现了显著更高的检测精度,平均提升幅度超过10%。

**引言**
在主动检测过程中,信号检测是一个基本阶段,需要解决目标存在与否的鉴别问题。这一过程需要通过各种检测技术有效提取目标信号,尽管存在信号衰减、环境噪声、多路径传播、多普勒频移以及时空非平稳性的干扰。检测系统的性能通常通过两个指标进行评估:检测概率、漏检率和误报率。
在当前的主动检测实践中,匹配滤波仍然是信号检测的传统方法。通过将传输波形的副本与接收信号进行相关处理,它在理想的加性白高斯噪声条件下能够获得最佳的检测性能,理论上的信噪比(SNR)增益与时间-带宽乘积成正比。然而,在真实的海洋环境中,多种复杂因素会降低传统方法的检测增益。水下声学通道的多路径结构会导致目标回波的延迟扩展和波形重叠;目标运动引入的多普勒频移会扭曲波形;而海洋环境噪声的非高斯特性违反了经典检测器所假设的最优条件。此外,匹配滤波增益与信号时间-带宽乘积之间的比例关系在实际应用中也会引发问题。因此,当前许多方法都试图将相关技术融入到经典匹配滤波器的后续研究中,以提高主动检测系统的信号检测性能。Xue等人(2021年)使用声场模型估计信道传输函数并进行信道匹配,从而抑制多路径效应并增强不确定环境中的回波检测能力。Dong和Fang(2022年)提出了一种基于多脉冲积分的改进匹配滤波方法。Xue等人(2022年)提出了一种基于参数化时频分析的连续波信号处理算法。Liang等人(2024年)提出了一种基于分数傅里叶变换域的直接波抑制方法。Zhao等人(2024年)将匹配滤波后的接收数据分割成多个具有适当脉冲宽度的子信号,并分别对每个子信号进行匹配滤波。Cui等人(2024年)提出了一种基于非负矩阵分解的增强双曲调频信号中目标回波的方法。Sun等人(2025年)基于Richardson-Lucy反卷积算法推导出匹配滤波的卷积模型,并提出了求解水下声学通道脉冲响应的迭代公式。Li(2025年)使用时间反转镜(TRM)框架评估其在具有挑战性的海洋环境中的适用性,并研究了不同水文因素、元件间距和脉冲持续时间下的时间反转聚焦特性。然而,这些方法仍然存在局限性。以TRM为例,在低SNR下,信号容易被噪声掩盖,从而增加信道估计误差。在这种条件下,与匹配滤波的联合处理无法一致地提高检测增益。同时,传统方法依赖于固定或自适应阈值进行决策,这往往会导致能量较弱但相干性高的目标被漏检,以及在强杂散信号存在时产生误报。

近年来,由于深度学习方法具有较高的信息感知能力和环境适应性,它们逐渐成为水下声学领域的研究焦点。Doan等人(2020年)使用卷积神经网络(CNN)提取时间特征。Hu等人(2021年)提出了一种基于原始一维时域信号的水下目标检测深度神经网络模型。Pang和Gao(2023年)提出了一种改进的分解方法,称为Go-SOR,专门用于将目标回波与背景噪声分离。Chen等人(2022年)引入了双向长短期记忆(BiLSTM)网络,并与循环神经网络和LSTM模型进行了比较实验,证明了BiLSTM在提取水下声学信号特征方面的优越性。Chu等人(2023年)开发了一种适用于强度波动环境中的基于深度学习的两阶段水下声学信号检测器。Yin等人(2024年)利用人类视觉感知原理在方位-时间记录目标检测研究中融合了算法驱动和数据驱动方法,实现了目标和噪声的分类,并有效降低了检测过程中的误报率。Bao等人(2025年)提出了基于迁移学习的双标签反转集成水下声学目标检测器,该方法提取时域或频域特征,将两个预训练模型从源域转移到目标域并集成它们的输出。Li等人(2025年)提出了一种结合分数注意力熵和增强内在时间尺度分解的新混合框架,以提高特征提取的鲁棒性。大多数现有方法直接将神经网络应用于一维信号,但由于特征较弱且大规模验证有限,性能大多停留在理论层面。随着深度学习和计算硬件的同步发展,图像模式识别也取得了显著进步。因此,我们(秦子丽等人,2025年)将一维信号映射到二维表示,并利用成熟的图像识别框架进行主动信号检测。仿真结果表明该方法具有鲁棒的检测性能。

**直接应用**
将现有的信号检测方法(秦子丽等人,2025年)直接应用于水下主动检测场景时,在实际环境中仍存在显著局限性和不足:当目标回波的时频特性图因信道传播、多路径干扰或时间旁瓣响应的共同作用而发生偏移、扭曲或错位时,该方法的有效检测率会显著下降。此外,该方法在低SNR的复杂海洋环境中的检测性能并不明显优于传统的匹配滤波技术。此外,它通常无法为检测到的目标提供精确的方位估计。这些不足共同限制了其在实际工程中的应用和采纳。传统的匹配滤波技术本质上依赖于固定阈值进行目标检测,但这种阈值机制存在固有的局限性:无论阈值选择如何,过高的阈值会导致弱目标被漏检,而过低的阈值则会导致大量误报。即使在仔细微调的情况下,在复杂和动态的水下声学环境中,也难以在全球范围内实现误报和漏检之间的最佳平衡。为了解决这个问题,本文将该方法与波束成形、匹配相关方位-时间记录和开峰提取相结合,以提高检测性能并减少误报和漏检。同时,它摒弃了传统的基于阈值的硬决策逻辑,引入了“模糊识别”机制,将判断标准从“超过阈值”转变为“具有该特征”。这增强了检测的适应性、可扩展性和鲁棒性。这种方法有望在低SNR和强干扰条件下显著提高水下主动声纳的检测性能,显示出广阔的应用前景和长期研究价值。实验结果表明,在低SNR条件下,改进后的方法在主动检测场景中的性能优于匹配滤波。

**本文结构**
第2节介绍相关工作;第3节详细介绍了主动水下声学信号检测方法;第4节展示了实验结果;第5节总结了本文的结论。

**传统基于阵列的主动水下声学信号检测方法**
传统基于阵列的主动水下声学信号检测方法的核心处理流程包括对阵列接收数据进行波束成形,以增强来自特定方向的信号。随后,对波束输出应用匹配滤波以获得匹配相关方位-时间记录。最后,在标准化记录上实施能量检测以实现目标信号检测。图1展示了传统方法的整个过程。

**本文提出的方法**
本文提出的主动检测信号检测方法的总体框架如图5所示,其核心处理流程如下:在发射端,我们设计了一个具有恒定包络特性的调制信号,该信号由换能器发射到水下声学通道中。在传播过程中,信号反射到目标上形成回波,由接收阵列捕获。这一过程不可避免地受到多路径效应的影响。

**数据集构建**
本文的工作研究了所提出的主动信号检测方法的可行性。目标信号严格按照第3.1节中描述的方法论设计,通过组合五个具有特定参数的LFM信号段来构建一个在时频图中具有独特波形特征的组合信号。实验信号的构建参数详见表1。我们设置了5000 Hz的采样率和信号周期。

**结论**
本文旨在解决以往理论研究与实际水下声学检测应用之间的关键差距,以及传统匹配滤波在复杂海洋环境中的固有限制和性能瓶颈。为此,我们提出了一种集成检测方法,该方法具有高表示能力、强环境适应性和鲁棒的检测性能。首先,在...

**作者贡献声明**
秦子丽:撰写——原始草稿、验证、软件开发、方法论设计、概念化;
李超:撰写——审稿与编辑、监督、方法论设计、研究实施、资金获取、数据分析、概念化;
王海斌:撰写——审稿与编辑、监督、项目管理、研究实施、资金获取、概念化;
聂乐欣:撰写——审稿与编辑、监督、研究实施、概念化;

**利益冲突声明**
作者声明没有已知的可能影响研究的财务利益或个人关系。

**致谢**
本文由中国国家自然科学基金(项目编号:62171440)、中国科学院(项目编号:XDB0700403)和中国留学基金委资助。
相关新闻
生物通微信公众号
微信
新浪微博

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