基于轻量级神经网络的远程水下声学高波频率调制信号消噪)

科学领域:

• 海洋声学 海洋声学
• 信号处理 信号处理
• 机器学习用于水下应用.

背景情况:

• 在复杂的环境中,水下声学 (UWA) 高波频调制 (HFM) 信号面临信号噪声比 (SNR) 低.
• 传统的无声化方法与非高斯噪声作斗争,需要先前的知识.
• 现有的无声化神经网络对于UWA应用程序来说是计算密集的.

研究的目的:

• 提出一个轻量级的时频封闭融合网络 (LTFG-Net) 进行有效的远程UWA信号消噪.
• 为应对UWA环境中有限数据的挑战.
• 为海洋声学开发一个计算效率高的消噪解决方案.

主要方法:

• 使用模拟通道和阿尔法稳定噪声创建了一个数据集,以克服数据稀缺.
• 设计了一种轻量级的双分支网络,在时间频域中处理信号.
• 在环境适应方面,采用了结合预培训和转移学习的两阶段培训策略.

主要成果:

• 在模拟中,LTFG-Net从0dB显著改善了通用SNR (GNR),达到43.13dB.
• 在模拟中,相关系数从0.1928增加到0.8954.
• 在海上试验中,GNR从4.56dB提高到38.65dB,相关性从0.3542上升到0.9122,仅使用0.23M参数.

结论:

• 与传统方法相比,拟议的LTFG-Net在UWA信号消音方面表现出优异的性能.
• 轻量级的设计和高效的培训策略使得LTFG-Net适合于实际的水下声学应用.
• 该研究通过模拟和现实世界海洋实验验证LTFG-Net的有效性.