使用混合模型与卷积神经网络和长短期记忆网络的混合模型,Denoising odontocete回声定位点击
Wuyi Yang1, Wenlei Chang1, Zhongchang Song1
1Key Laboratory of Underwater Acoustic Communication and Marine Information Technology of the Ministry of Education, College of Ocean and Earth Sciences, Xiamen University, Xiamen, People's Republic of China.
The Journal of the Acoustical Society of America
|August 15, 2023
概括
一种新的混合深度学习模型有效地消除了来自odontocete回声定位点击的海洋噪音. 这种方法提高了生物声学数据的记录,这对于海洋哺乳动物研究至关重要.
科学领域:
- 海洋生物声学 海洋生物声学
- 信号处理 信号处理
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 海洋噪音显著降低了记录的声回声定位点击的质量.
- 精确记录回声定位点击对于研究牙的鱼的行为和交流至关重要.
- 现有的无声化方法难以应对水下声环境的复杂性.
研究的目的:
- 开发和评估一种混合深度学习模型,用于识别Odontocete回声定位点击.
- 为深度学习模型解决有限的无噪声培训数据的挑战.
- 为了确定最佳的网络架构以实现有效的回声定位,请点击 denoising.
主要方法:
- 提出了一个混合卷积神经网络 (CNN) 和长短期记忆 (LSTM) 模型.
- 为模型训练,回声定位点击被人为破坏了海洋噪音.
- 数据增强和转移学习,包括基于Gabor函数的模拟点击,用于克服数据稀缺.
- 网络参数的微调使用真正的odontocete回声定位点击数据.
主要成果:
- 混合CNN-LSTM模型在拒绝狭带高频和宽带回声定位点击方面表现出显著的有效性.
- 使用合成数据进行的实验评估证实了该模型的无色化能力.
- 一个卷积层和多个LSTM层的混合模型显示出卓越的性能.
结论:
- 拟议的混合CNN-LSTM模型提供了一种强大的解决方案,用于消除来自虫回声定位点击的海洋噪音.
- 推的架构 (一个卷积层,多个LSTM层) 适用于各种回声定位点击类型.
- 这种方法可以提高用于海洋哺乳动物研究的声学监测数据的质量.
