基于深度学习的舰船目标识别技术研究与显控开发.pdfVIP

基于深度学习的舰船目标识别技术研究与显控开发

摘要

舰船目标识别在水声信号处理领域占据着重要的研究地位。在早期的作战实践中，

这一任务主要由声纳兵执行，但人工识别的效率和准确性都难以得到保障。随着计算机

的发展，目标识别智能化的能力日益增强，很多高效的舰船目标识别方法逐渐被提出。

本文针对已有舰船目标识别方法识别率不高的问题，围绕信号降噪、特征工程和目标识

别等方面开展研究，具体研究内容包含以下几个方面：

首先，本文针对实际环境下采集的舰船辐射信号信噪比低且参考信号无法获取的问

题，分析了海洋环境噪声成因和舰船辐射信号特性，而后提出了基于深度学习无监督学

习理论的舰船辐射信号降噪算法，此算法可以在无参考信号的情况下对舰船辐射信号进

行降噪处理。在实验验证阶段，分别构建了仿真和实际舰船辐射信号数据集，其中实际

舰船辐射信号数据集基于ShipsEar数据集构建，应用两数据集对算法进行了训练和性能

分析后，又与小波阈值降噪算法进行了对比，实验结果表明：无监督模型降噪算法对于

带噪舰船辐射信号中的环境背景噪声抑制效果优于其他算法，同时此算法可以有效地保

留并恢复信号特征；无监督降噪模型训练的阶段数目对于模型降噪能力具有较大的影响，

更大的阶段数目通常有助于模型收敛，从而获得更好降噪性能。

其次，本文通过分析舰船辐射信号分类任务中的常用特征，提出一种结合多种频谱

特征与听觉特征的特征融合方式，而后提出一种结合特征融合与ConvNeXtV2卷积神经

网络模型的目标识别方法。在实验验证阶段，通过引入评价指标，对本文提出的舰船辐

射信号降噪方法及特征融合对目标识别任务的影响进行详尽的消融实验，并与典型的机

器学习分类算法高斯混合模型及基于深度学习模型Inception-V1和LSTM的舰船辐射噪

声目标识别分类算法进行了性能对比，所有目标识别实验均基于ShipsEar数据集开展，

实验结果表明：在同样应用ConvNeXtv2卷积神经网络模型的条件下，MFCC特征数据

集的目标识别准确率为92.45%，ChromaCqt特征数据集的目标识别准确率为88.68%，

融合特征数据集的目标识别准确率为96.23%，从而验证了本文提出多特征融合特征工

程的有效性。对比降噪前后数据集目标识别结果证明了本文提出的无监督降噪算法对目

标识别任务具有增益效果。对比不同目标识别模型的识别结果后，实验结果表明：

ConvNeXtV2卷积神经网络模型的目标识别性能最优，识别准确率达到了96.23%，而高

斯混合模型的识别准确率为88.44%，Inception-V1模型的识别准确率为95.23%，LSTM

哈尔滨工程大学硕士学位论文

模型的识别准确率为92%，从而验证了本文提出目标识别流程和识别方法的可行性和有

效性。

最后，本文结合PyQt5框架开发了舰船目标识别系统显控软件，共形成数据预处理、

无监督降噪、特征工程、目标识别模型训练和目标识别模型测试五个显控软件模块，实

现了数据分割、训练集测试集划分、数据滤波、无监督降噪模型训练、模型降噪、特征

选择、特征生成、目标识别模型训练、模型测试和模型预测等功能，全面覆盖了舰船目

标识别系统全流程。以上5个模块在介绍过程中均给出了设计与实现方式以及相应的显

控软件界面效果和数据处理结果示意图，验证了舰船目标识别系统显控软件的有效性和

实用性。

关键词：水声舰船目标识别；舰船辐射信号；无监督学习；特征工程；深度学习

基于深度学习的舰船目标识别技术研究与显控开发

ABSTRACT

Shiptargetrecognitionoccupiesanimportantresearchpositioninthefieldofunderwater

acousticsignalprocessing.Inearlycombatpractices,thistaskwasmainlyperformedbysonar

operators,buttheefficiencyandaccuracyofmanualrecognitionweredifficulttoensure.With

thedevelopmen