水下船舶的声音识别基于多层功能和注意力机制

科学领域:

• 海洋声学 海洋声学
• 信号处理 信号处理
• 人工智能的人工智能是人工智能.

背景情况:

• 使用水声信号识别船只至关重要,但由于复杂的海洋环境和噪音,这是一个挑战.
• 水下声信号传输受到环境变化和波浪和海洋生物等来源的干扰的影响.
• 由于信号退化和噪音,对船舶目标的准确识别受到阻碍.

研究的目的:

• 提出一种先进的深度学习模型,用于从水声信号中强有力的船舶识别.
• 提高模型捕获上下文信息的能力,并在噪音条件下专注于关键特征.
• 提高特征表示能力,以在复杂的水下场景中获得更好的性能.

主要方法:

• 发展强调维度注意力和未来融合时间延迟神经网络 (EDAFF-TDNN).
• 集成挤压和激发区块 (SE-Block) 进行动态特征地图重量调整和情境信息捕获.
• 实现特征融合,用于多层特征提取,以及关注关键特征维度的注意力机制.

主要成果:

• EDAFF-TDNN模型在捕获上下文信息和特征表示方面表现出更好的性能.
• 注意力机制使模型能够专注于关键信息,提高复杂的水下场景的性能.
• 在ShipsEar数据集上的实验给出了船舶目标的高识别准确率98.2%.

结论:

• 拟议的EDAFF-TDNN模型有效地解决了复杂海洋环境中船舶识别的挑战.
• 强调维度注意力和未来融合的结合大大提高了水声信号分析的准确性和稳定性.
• 这项研究为水下目标识别提供了一个强大的工具,在海上监视和安全方面有潜在的应用.