程錦盛，杜選民，周勝增，曾 賽

(上海船舶電子設(shè)備研究所，上海 201108)

0 引 言

由于水聲環(huán)境的復(fù)雜性及水聲對(duì)抗技術(shù)的不斷發(fā)展，傳統(tǒng)被動(dòng)聲吶目標(biāo)識(shí)別中，基于經(jīng)驗(yàn)及數(shù)學(xué)推理的模糊專家系統(tǒng)的局限性日益明顯。而人耳聽覺系統(tǒng)在多目標(biāo)、低信噪比下的優(yōu)異性能，成為新的研究熱點(diǎn)。王磊等[1]提出基于聽覺外周模型的水聲目標(biāo)識(shí)別方法。李秀坤等[2]利用Gammatone濾波器構(gòu)建人耳聽覺模型，進(jìn)行水下目標(biāo)識(shí)別。

隨著計(jì)算機(jī)硬件技術(shù)、信號(hào)處理技術(shù)的進(jìn)一步發(fā)展，以機(jī)器學(xué)習(xí)（Machine Learning，ML）、深度學(xué)習(xí)（Deep Learning，DL）技術(shù)為代表的人工智能（Artificial Intelligence，AI）技術(shù)，已經(jīng)在手寫字符識(shí)別、語音識(shí)別、圖像理解、機(jī)器翻譯等各個(gè)方面取得了一定成就，也為水聲目標(biāo)識(shí)別提供了新的思路。常國勇等[3]提出了從能量角度出發(fā)，采用小波變換、經(jīng)驗(yàn)?zāi)B(tài)分解處理，以BP神經(jīng)網(wǎng)絡(luò)進(jìn)行水聲目標(biāo)識(shí)別的方法。吳姚振等[4]提出了提取目標(biāo)聽覺特征，經(jīng)BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)進(jìn)行分類的水聲目標(biāo)識(shí)別方法。曾向陽等[5]提出了智能水聲目標(biāo)識(shí)別系統(tǒng)的理論和設(shè)計(jì)實(shí)例。

本文根據(jù)水聲目標(biāo)信號(hào)特點(diǎn)，提取目標(biāo)經(jīng)典聽覺感知特征——梅爾倒譜（Mel Frequency Cepstrum Coefficient，MFCC）特征，并引入機(jī)器學(xué)習(xí)中的幾種典型方法——K近鄰算法（K-nearest Neighbor，KNN）、支持向量機(jī)（Support Vector Machine，SVM）、卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）、深度置信網(wǎng)絡(luò)（Deep Belief Network，DBN），對(duì)兩類水聲目標(biāo)進(jìn)行監(jiān)督學(xué)習(xí)識(shí)別研究。根據(jù)樣本特性及算法特點(diǎn)，建立目標(biāo)樣本集及網(wǎng)絡(luò)模型；調(diào)整網(wǎng)絡(luò)模型參數(shù)，分別進(jìn)行預(yù)訓(xùn)練，并進(jìn)行泛化性能測試，以獲得網(wǎng)絡(luò)參數(shù)最優(yōu)設(shè)置方案；建立海試數(shù)據(jù)測試樣本集，對(duì)預(yù)訓(xùn)練網(wǎng)絡(luò)模型的識(shí)別性能進(jìn)行統(tǒng)計(jì)分析。并給出了相應(yīng)的樣本集建立、網(wǎng)絡(luò)模型設(shè)計(jì)和參數(shù)設(shè)置方案。

1 水聲目標(biāo) MFCC 特征

目標(biāo)識(shí)別能力是聲吶性能的重要部分，目標(biāo)特征的提取和選擇是提高目標(biāo)識(shí)別率的關(guān)鍵。當(dāng)前被動(dòng)聲吶目標(biāo)識(shí)別主要依靠聲吶員聽覺感知，結(jié)合目標(biāo)時(shí)域、頻域、時(shí)頻域特征來完成。因此，對(duì)人類視覺、聽覺等生理感知特征的研究具有重要的現(xiàn)實(shí)意義。

在被動(dòng)聲吶發(fā)現(xiàn)水下快速目標(biāo)并進(jìn)行初步判斷后，經(jīng)過大致距離估算，啟用主動(dòng)聲吶對(duì)目標(biāo)進(jìn)行精確定位。本文對(duì)被動(dòng)聲吶目標(biāo)輻射噪聲提取MFCC特征進(jìn)行識(shí)別研究。

MFCC特征是一種經(jīng)典的人耳聽覺感知特征。根據(jù)聽覺機(jī)理的相關(guān)研究發(fā)現(xiàn)，人耳對(duì)不同頻率聲波的靈敏度不同。Mel頻率尺度反映了人耳頻率感知的非線性特征，更符合人耳聽覺特性，而MFCC是在Mel頻率域提取的倒譜參數(shù)。

Mel頻率與實(shí)際頻率的具體關(guān)系可表示為：

式中，f為實(shí)際頻率，臨界頻率帶寬隨頻率的變化而變化，并與Mel頻率的增長一致，在1 000 Hz以下大致呈線性分布，帶寬為 100 Hz 左右，在 1 000 Hz 以上呈對(duì)數(shù)增長，這就使得人耳對(duì)低頻信號(hào)比高頻信號(hào)更敏感。Mel頻率的提出是為了方便人耳對(duì)不同頻率聲學(xué)信號(hào)的感知特性的研究。

按式（1）變換到Mel域后，Mel帶通濾波器組的中心頻率按照Mel頻率刻度均勻劃分。用Mel濾波器組對(duì)語音頻譜進(jìn)行濾波和加權(quán)使語音信號(hào)更加逼近人類的聽覺特性。

MFCC的計(jì)算過程如下：

將端點(diǎn)檢測后的目標(biāo)噪聲信號(hào)經(jīng)過預(yù)加重、分幀、加窗處理，再將時(shí)域分幀信號(hào)經(jīng)過N點(diǎn)的離散傅里葉變換后得到線性頻譜，轉(zhuǎn)換公式為：

將上述對(duì)數(shù)頻譜經(jīng)過離散余弦變換（DCT）得到Mel頻率倒譜系數(shù)（即MFCC系數(shù)）

2 監(jiān)督學(xué)習(xí)算法

監(jiān)督學(xué)習(xí)（Supervised Learning）是指：給定一組輸入x和輸出y的訓(xùn)練集，學(xué)習(xí)如何關(guān)聯(lián)輸入和輸出的過程。即利用一組已知類別的樣本，通過調(diào)整分類器的參數(shù)，使其達(dá)到所要求性能的過程。

本文選取機(jī)器學(xué)習(xí)中經(jīng)典的KNN、SVM、CNN和DBN識(shí)別模型，對(duì)兩類被動(dòng)聲吶目標(biāo)MFCC特征進(jìn)行監(jiān)督學(xué)習(xí)和識(shí)別分析。

2.1 KNN模型

KNN學(xué)習(xí)模型工作機(jī)制為：給定測試樣本，基于某種距離度量找出訓(xùn)練集中與其最靠近的k個(gè)訓(xùn)練樣本，然后基于這k個(gè)近鄰樣本的信息來進(jìn)行預(yù)測[6 – 7]。

KNN通過測量不同特征值之間的距離進(jìn)行分類。其思路為：如果一個(gè)樣本在特征空間中的k個(gè)特征空間中最鄰近的樣本中的大多數(shù)屬于某一個(gè)類別，則該樣本也屬于這個(gè)類別。

具體流程為：

1）計(jì)算已知類別數(shù)據(jù)集合匯總的點(diǎn)與當(dāng)前點(diǎn)的距離；

2）按照距離遞增次序排序，選取與當(dāng)前點(diǎn)距離最近的k個(gè)點(diǎn)；

3）確定距離最近的前k個(gè)點(diǎn)所在類別的出現(xiàn)頻率；

4）返回距離最近的前k個(gè)點(diǎn)中頻率最高的類別作為當(dāng)前點(diǎn)的預(yù)測分類。

KNN算法的結(jié)果很大程度上取決于近鄰數(shù)k的選擇，此處距離一般使用歐氏距離或曼哈頓距離：

KNN算法的優(yōu)勢在于：依據(jù)k個(gè)對(duì)象中占優(yōu)的類別進(jìn)行決策，而非單一的對(duì)象類別決策；且通過計(jì)算對(duì)象間距離作為各個(gè)對(duì)象之間的非相似性指標(biāo)，避免了對(duì)象之間的匹配問題。

2.2 SVM模型

SVM由Vapnik等于1995年提出，是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的模式識(shí)別方法。SVM基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則，能夠在訓(xùn)練誤差和分類器容量之間達(dá)到較好的平衡，在解決小樣本、非線性及高維模式識(shí)別中表現(xiàn)出許多獨(dú)特優(yōu)勢[8]。

分類問題最基本的思路，就是基于訓(xùn)練集在樣本空間找到一個(gè)劃分超平面，將不同類別的樣本分開。樣本空間中，劃分超平面可通過式（5）描述：

其中ω為超平面法向量，b為偏置項(xiàng)，滿足關(guān)系：

距離超平面最近的幾個(gè)訓(xùn)練樣本點(diǎn)使式（6）等號(hào)成立，被稱為“支持向量”，2個(gè)異類支持向量到超平面的距離之和被稱為間隔：

求解分類最優(yōu)超平面的過程即尋找最大間隔的過程，而最大化間隔，僅需最大化，等價(jià)于最小化，則尋找最優(yōu)超平面的問題可寫為：

對(duì)非線性可分問題，則將樣本從原始空間映射到高維特征空間，將非線性可分為題轉(zhuǎn)化為線性可分為題。常用的核函數(shù)有：線性核函數(shù)、高斯核函數(shù)、Sigmoid 核函數(shù)等[6,9]。

2.3 CNN模型

CNN最初是針對(duì)二維形狀的識(shí)別而設(shè)計(jì)的一種多層傳感器，在平移情況下具有高度不變性，在縮放和傾斜的情況下也具有一定的不變性。LeCun等提出了權(quán)值共享技術(shù)，又將卷積層和降采樣層結(jié)合構(gòu)成卷積神經(jīng)網(wǎng)絡(luò)的主要結(jié)構(gòu)，形成了現(xiàn)代卷積神經(jīng)網(wǎng)絡(luò)的雛形LeNet結(jié)構(gòu)，這是第一個(gè)真正的多層結(jié)構(gòu)學(xué)習(xí)網(wǎng)絡(luò)，利用空間相對(duì)關(guān)系減少參數(shù)數(shù)目以提高訓(xùn)練性能[10, 11]。本文主要選用LeNet結(jié)構(gòu)進(jìn)行改進(jìn)和識(shí)別研究。

CNN是一種特殊的前饋神經(jīng)網(wǎng)絡(luò)模型，其最顯著的特點(diǎn)在于其局部感受野的概念和層層迭代的結(jié)構(gòu)[12]。CNN一般由輸入層、卷積層、下采樣層、全連接層及輸出層組成。

以圖2中用于手寫字符識(shí)別的LeNet網(wǎng)絡(luò)為例：先將樣本圖像進(jìn)行規(guī)整后輸入網(wǎng)絡(luò)；經(jīng)過卷積層C1、C3將樣本圖像與卷積核進(jìn)行卷積操作，得到若干特征圖；在降采樣層C2，C4進(jìn)行模糊和泛化；最后通過全連接層，生成和輸出識(shí)別結(jié)果。

其中，樣本與卷積核進(jìn)行卷積后，經(jīng)激活函數(shù)映射，可得到輸出特征：

由卷積層和下采樣層的組合迭代，可不斷將目標(biāo)低維特征提取出來，并組合成為抽象的高維特征，某種程度上實(shí)現(xiàn)了網(wǎng)絡(luò)的“抽象思維”，而且在多維特征的學(xué)習(xí)中可以有效關(guān)注維度之間的關(guān)聯(lián)性。同時(shí)，引入BP算法，使CNN網(wǎng)絡(luò)訓(xùn)練更高效，應(yīng)用更廣泛。

在網(wǎng)絡(luò)訓(xùn)練過程中，將訓(xùn)練樣本集分為相同大小批次（batch）進(jìn)行訓(xùn)練，對(duì)誤差函數(shù)采用梯度下降算法進(jìn)行迭代訓(xùn)練直至收斂。學(xué)習(xí)率決定梯度下降速度，若太小，會(huì)導(dǎo)致誤差函數(shù)收斂過慢，若太大，則參數(shù)更新幅度過大，導(dǎo)致網(wǎng)絡(luò)收斂到局部最優(yōu)點(diǎn)，或誤差函數(shù)發(fā)生異常上升。試驗(yàn)中設(shè)定學(xué)習(xí)率，以獲得穩(wěn)定的梯度下降。

2.4 DBN模型

DBN由Hinton等于2006年提出，是一種無監(jiān)督貪婪逐層訓(xùn)練算法，為解決深層結(jié)構(gòu)相關(guān)的優(yōu)化難題提供了新的途徑。DBN以受限波茲曼機(jī)（RBM：Restricted Boltzmann Machine）為基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu)，可以進(jìn)行逐層堆疊。這種結(jié)構(gòu)對(duì)于形成逐層抽象網(wǎng)絡(luò)結(jié)構(gòu)比其他網(wǎng)絡(luò)模型更容易實(shí)現(xiàn)[14]。

RBM是一種特殊的馬爾可夫隨機(jī)場（MRF：Markov Random Field，MRF），一個(gè)RBM包含一個(gè)由隨機(jī)單元構(gòu)成的隱層（一般為伯努利分布）和一個(gè)由隨機(jī)的可見預(yù)測單元構(gòu)成的可見層（一般為伯努利或者高斯分布）[15]。RBM網(wǎng)絡(luò)的特點(diǎn)是：在給定可視層單元狀態(tài)時(shí)，各隱層單元的激活條件獨(dú)立；給定隱層單元狀態(tài)時(shí)，可見層單元的激活條件也獨(dú)立。且只要隱層單元的數(shù)目足夠，RBM可以擬合任意離散分布[16 – 18]。

其中E為RBM能量函數(shù)：

其中Z為歸一化函數(shù)：

DBN由多個(gè)RBM堆疊，進(jìn)行無監(jiān)督預(yù)訓(xùn)練獲得權(quán)值，再對(duì)生成模型進(jìn)行調(diào)優(yōu)。DBN訓(xùn)練過程中，首先充分訓(xùn)練第1個(gè)RBM；固定第1個(gè)RBM的權(quán)重和偏移量，然后使用其隱性神經(jīng)元的狀態(tài)，作為第2個(gè)RBM的輸入向量；充分訓(xùn)練第2個(gè)RBM后，將第2個(gè)RBM堆疊在第1個(gè)RBM的上方；重復(fù)上述步驟多次直至所有RBM訓(xùn)練結(jié)束。DBN調(diào)優(yōu)過程中，除了頂層RBM，其他層RBM的權(quán)重被分成向上的認(rèn)知權(quán)重和向下的生成權(quán)重；之后經(jīng)Contrastive Wake-Sleep算法調(diào)整和更新網(wǎng)絡(luò)參數(shù)。

DBN網(wǎng)絡(luò)可以用來對(duì)數(shù)據(jù)的概率分布建模，也可以用來對(duì)數(shù)據(jù)進(jìn)行分類。試驗(yàn)中，為每種目標(biāo)樣本分別建立了DBN模型進(jìn)行識(shí)別研究，DBN模型經(jīng)RBM逐層預(yù)訓(xùn)練之后，再進(jìn)行參數(shù)調(diào)優(yōu)。

3 海試數(shù)據(jù)處理及監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)設(shè)計(jì)

試驗(yàn)中對(duì)A、B兩類水聲目標(biāo)海試數(shù)據(jù)進(jìn)行分析和識(shí)別研究。先選取海試數(shù)據(jù)建立樣本集，對(duì)網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練及泛化性測試，以獲得最優(yōu)網(wǎng)絡(luò)參數(shù)設(shè)置方案及預(yù)訓(xùn)練網(wǎng)絡(luò)；再另選海試數(shù)據(jù)建立樣本集，以預(yù)訓(xùn)練網(wǎng)絡(luò)對(duì)新樣本集進(jìn)行識(shí)別研究。

監(jiān)督學(xué)習(xí)模型的識(shí)別泛化性能可通過試驗(yàn)測試進(jìn)行評(píng)估，常采用一個(gè)“測試集”來測試模型的識(shí)別性能，并以測試集“測試誤差”作為模型泛化誤差的近似[6]。測試集樣本也從樣本真實(shí)分布中獨(dú)立同分布采樣而得，且與訓(xùn)練集互斥，即測試樣本盡量不在訓(xùn)練集中出現(xiàn)、未在模型訓(xùn)練過程中使用過。

試驗(yàn)中，采用“留出法”，將樣本集劃分為2個(gè)互斥的集合，其中A、B類目標(biāo)各隨機(jī)抽取80%作為訓(xùn)練集，其余20%作為測試集。

其中，識(shí)別率采用預(yù)訓(xùn)練網(wǎng)絡(luò)對(duì)樣本集的識(shí)別正確數(shù)，除以樣本總數(shù)得到，所有試驗(yàn)方案重復(fù)3次，結(jié)果取均值。

3.1 樣本集建立

試驗(yàn)中根據(jù)樣本集參數(shù)設(shè)置，分別對(duì)信號(hào)分幀后各自提取特征建立樣本集。試驗(yàn)中信號(hào)分幀長度80 ms，幀移50%。

首先，對(duì)歷次海試數(shù)據(jù)按信噪比進(jìn)行排序，其中A類目標(biāo)6次海試數(shù)據(jù)按信噪比由高到低編為A1–A6，B類目標(biāo)4次海試數(shù)據(jù)按信噪比由高到低編為B1–B4，每段數(shù)據(jù)長約 200 s。

選取A類目標(biāo)數(shù)據(jù)A1、A3、A5，B類目標(biāo)數(shù)據(jù)B1、B3，分別提取MFCC樣本構(gòu)建網(wǎng)絡(luò)預(yù)訓(xùn)練及泛化性測試樣本集；另取A類目標(biāo)數(shù)據(jù)A2、A4、A6，B類目標(biāo)數(shù)據(jù)B2、B4，分別提取MFCC樣本建立目標(biāo)識(shí)別樣本集，通過預(yù)訓(xùn)練網(wǎng)絡(luò)進(jìn)行識(shí)別分析。

其次，針對(duì)不同監(jiān)督學(xué)習(xí)模型對(duì)樣本的要求，對(duì)網(wǎng)絡(luò)預(yù)訓(xùn)練及泛化性測試樣本集、目標(biāo)識(shí)別樣本集分別進(jìn)行處理。

對(duì)KNN、SVM模型，以每幀數(shù)據(jù)提取的MFCC參數(shù)作為一個(gè)樣本，對(duì)樣本每一參數(shù)進(jìn)行標(biāo)記，生成table格式樣本；對(duì)CNN模型，將10幀數(shù)據(jù)提取的一維MFCC特征組合生成二維矩陣作為一個(gè)樣本，樣本重疊率80%；對(duì)DBN模型，每幀數(shù)據(jù)提取的MFCC特征作為一個(gè)樣本，所有樣本分別歸一化至[0，1]。

表 1 為各監(jiān)督學(xué)習(xí)模型建立的樣本集大小Tab. 1 Databases for various unsupervised learning models

3.2 監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)預(yù)訓(xùn)練及泛化性測試

試驗(yàn)中，結(jié)合Matlab平臺(tái)Classification Learner APP、DeepLearnToolbox，對(duì)各樣本集分別建立識(shí)別網(wǎng)絡(luò)進(jìn)行相關(guān)研究。

首先對(duì)KNN、SVM、CNN、DBN模型，分別設(shè)定不同網(wǎng)絡(luò)參數(shù)，以預(yù)訓(xùn)練樣本集進(jìn)行訓(xùn)練，直至網(wǎng)絡(luò)誤差函數(shù)收斂；再以泛化性測試集對(duì)預(yù)訓(xùn)練網(wǎng)絡(luò)進(jìn)行泛化性測試，對(duì)比各參數(shù)設(shè)置方案下的網(wǎng)絡(luò)泛化性能，獲得最優(yōu)參數(shù)設(shè)置方案，保存預(yù)訓(xùn)練網(wǎng)絡(luò)進(jìn)行新樣本集識(shí)別研究。

對(duì)KNN模型，根據(jù)目標(biāo)信號(hào)特點(diǎn)，分別以近鄰數(shù)為1、10、100，距離選擇歐氏距離、平方反比加權(quán)歐氏距離進(jìn)行預(yù)訓(xùn)練。

對(duì)SVM模型，根據(jù)目標(biāo)信號(hào)特點(diǎn)，調(diào)整核函數(shù)為線性核函數(shù)、二次多項(xiàng)式核函數(shù)、三次多項(xiàng)式核函數(shù)、高斯核函數(shù)進(jìn)行預(yù)訓(xùn)練。

對(duì)CNN模型，根據(jù)目標(biāo)信號(hào)特點(diǎn)，在LeNet5結(jié)構(gòu)的基礎(chǔ)上進(jìn)行相關(guān)改進(jìn)，調(diào)整參數(shù)預(yù)訓(xùn)練多個(gè)CNN網(wǎng)絡(luò)進(jìn)行識(shí)別。設(shè)定學(xué)習(xí)率，以獲得穩(wěn)定的梯度下降。調(diào)整卷積核大小3×3、5×5，分批訓(xùn)練規(guī)模為50個(gè)樣本、100個(gè)樣本，隱含層為2層、4層，組合為多種參數(shù)設(shè)置方案進(jìn)行預(yù)訓(xùn)練，直至網(wǎng)絡(luò)對(duì)訓(xùn)練集識(shí)別均方誤差收斂；

部分網(wǎng)絡(luò)模型預(yù)訓(xùn)練結(jié)果如圖4和圖5所示。

各參數(shù)設(shè)置方案對(duì)應(yīng)的網(wǎng)絡(luò)預(yù)訓(xùn)練完畢后，對(duì)泛化性測試集進(jìn)行識(shí)別，統(tǒng)計(jì)識(shí)別誤差以表征預(yù)訓(xùn)練網(wǎng)絡(luò)泛化性能。得到預(yù)訓(xùn)練網(wǎng)絡(luò)泛化性能最優(yōu)的參數(shù)設(shè)置方案為：KNN模型參數(shù)選擇歐氏距離，10個(gè)近鄰樣本；SVM模型參數(shù)選擇高斯核函數(shù)；CNN模型參數(shù)選擇學(xué)習(xí)率，分批訓(xùn)練規(guī)模為100個(gè)樣本，核函數(shù)大小為3×3，網(wǎng)絡(luò)隱含層為4層；DBN模型參數(shù)選擇學(xué)習(xí)率，動(dòng)量momentum=0.5，3個(gè)RBM，RBM包含隱藏單元200個(gè)，分批訓(xùn)練規(guī)模為50個(gè)樣本。

3.3 目標(biāo)識(shí)別結(jié)果

以預(yù)訓(xùn)練網(wǎng)絡(luò)對(duì)目標(biāo)識(shí)別樣本集進(jìn)行識(shí)別分析，所有試驗(yàn)重復(fù)3次結(jié)果取均值。分別計(jì)算預(yù)訓(xùn)練網(wǎng)絡(luò)對(duì)兩類目標(biāo)的識(shí)別性能，識(shí)別結(jié)果如表2所示。

表 2 各預(yù)訓(xùn)練網(wǎng)絡(luò)目標(biāo)識(shí)別性能（%）Tab. 2 Recognition accuracy of various pre-trained networks (%)

試驗(yàn)結(jié)果表明，4種模型對(duì)A類目標(biāo)識(shí)別率達(dá)到100%，KNN模型對(duì)B類目標(biāo)的識(shí)別率較低，SVM、CNN、DBN模型對(duì)B類目標(biāo)的識(shí)別結(jié)果相近，其中DBN模型對(duì)B類目標(biāo)識(shí)別性能最佳。

4 結(jié) 語

本文從被動(dòng)聲吶目標(biāo)識(shí)別出發(fā)，用4種監(jiān)督學(xué)習(xí)模型對(duì)A、B兩類水聲目標(biāo)，不同次海試、不同信噪比數(shù)據(jù)中提取的MFCC特征樣本進(jìn)行了識(shí)別研究。分析海試數(shù)據(jù)處理及多種模型識(shí)別結(jié)果可得到以下結(jié)論：

提取目標(biāo)MFCC特征并以監(jiān)督學(xué)習(xí)模型進(jìn)行識(shí)別的方法，用于被動(dòng)聲吶目標(biāo)識(shí)別具有可行性，其運(yùn)算速度快、識(shí)別率較高的特點(diǎn)對(duì)于提高被動(dòng)聲吶目標(biāo)識(shí)別性能有一定優(yōu)勢；水聲環(huán)境復(fù)雜多變，試驗(yàn)中僅對(duì)有限數(shù)據(jù)按照信噪比粗略排序后進(jìn)行識(shí)別分析，信噪比條件對(duì)各識(shí)別模型性能的影響有待進(jìn)一步量化和分析研究;由于樣本集規(guī)模及特征維數(shù)較小，CNN、DBN兩種深度學(xué)習(xí)模型在大數(shù)據(jù)、高階特征挖掘中的優(yōu)勢未得到充分體現(xiàn)。