一种基于MFCC和RACNN的新型水下声学目标识别方法
Dali Liu1, Hongyuan Yang1, Weimin Hou2
1School of Electronics and Information Engineering, Tiangong University, Tianjin 300387, China.
Sensors (Basel, Switzerland)
|January 11, 2024
概括
一个新的残留注意力卷积神经网络 (RACNN) 通过分析船舶辐射噪声来准确识别水下声学目标. 该方法改进了现有的海洋生物调查和海洋勘探技术.
科学领域:
- 海洋学 海洋学 海洋学
- 声学 声学 在声学方面
- 人工智能的人工智能
背景情况:
- 水下声学目标识别对于海洋研究和勘探至关重要.
- 复杂的声学传播和噪声对准确的目标识别构成重大挑战.
- 像DEMON频谱分析和特征融合这样的现有方法在噪声免疫和计算效率方面存在局限性.
研究的目的:
- 开发一种先进的深度学习模型,以准确有效地识别水下声学目标,特别是船舶辐射噪声.
- 增强噪声免疫力,减少对水下声学目标识别专业知识的依赖.
- 提出一种新的卷积神经网络架构,以提高性能.
主要方法:
- 从水下声学信号的Mel频率 Cepstral系数 (MFCC) 提取内部特征.
- 实现一个剩余注意力卷积神经网络 (RACNN) 架构.
- 在ShipsEar数据集上对RACNN模型的培训和评估.
主要成果:
- 拟议的RACNN模型在ShipsEar数据集上实现了99.34%的整体准确性.
- 与传统识别方法和其他深度学习模型相比,表现优越.
- 展示了MFCC对船舶辐射噪声的有效特征提取能力.
结论:
- RACNN模型在水下声学目标识别方面取得了重大进展.
- 拟议的方法提供了高精度,改进的计算性能,以及更好的噪声免疫力.
- RACNN是海洋生物调查,海洋探索和其他水下声学传感应用的有希望的工具.
