相关实验视频
Updated: May 10, 2025
10:56
Long-term Behavioral Tracking of Freely Swimming Weakly Electric Fish
Published on: March 6, 2014
12.5K
水下目标识别方法基于单一频谱分析和频道注意力卷积神经网络.
Fang Ji1, Shaoqing Lu1, Junshuai Ni1
1China Ship Research and Development Academy, Beijing 100101, China.
Sensors (Basel, Switzerland)
|April 26, 2025
概括
一种新的单元光谱分析和道注意力卷积神经网络 (SSA-CACNN) 模型通过有效分离噪声来增强水下声学目标识别. 这种SSA-CACNN模型以更少的参数实现了高精度和强大的性能.
科学领域:
- 声学 声学 在声学方面
- 信号处理 信号处理
- 机器学习 机器学习
背景情况:
- 水下声学目标识别对于海洋应用至关重要.
- 深度学习模型在处理杂的辐射噪声信号时面临着挑战.
- 现有的方法在复杂的声学环境中往往难以提高效率和稳定性.
研究的目的:
- 为水下声学目标识别引入一个高效和强大的深度网络模型.
- 为了提高辐射噪声信号处理的准确性和减少计算复杂性.
- 增强模型识别基本信号特征的能力,尽管存在噪声干扰.
主要方法:
- 单一频谱分析 (SSA) 用于噪声分离和信号重建.
- 频道注意力卷积神经网络 (CACNN) 用于特征提取和降噪.
- 利用重建信号的前三种顺序作为CACNN模型的输入.
主要成果:
- 在SSA-CACNN模型中,在ShipsEar数据集上实现了98.64%的识别精度.
- 该模型表现出对噪声的稳定性,在-10 dB SNR下保持84.61%的精度.
- 实现了低参数计数 (0.26 M),表明高效率.
- 将学习转移到DeepShip数据集的准确率为94.98%.
结论:
- 该SSA-CACNN模型有效地处理辐射噪声信号,用于水下声学目标识别.
- 与其他深度模型相比,该模型提供了精度,效率和噪声强度的卓越平衡.
- 拟议的方法对需要可靠的水下声学目标识别的现实应用具有前景.
