王培兵，彭 圓

（水下測(cè)控技術(shù)重點(diǎn)實(shí)驗(yàn)室，遼寧 大連 116013）

0 引言

水聲目標(biāo)識(shí)別技術(shù)在反潛、魚雷防御、海底地形勘探等領(lǐng)域應(yīng)用廣泛。但隨著潛艇降噪技術(shù)的進(jìn)步、水下無人航行器的迅速發(fā)展、魚雷等水下武器的多樣化以及不斷惡劣的水下復(fù)雜環(huán)境都使人們對(duì)目標(biāo)識(shí)別精度有了更高的要求，所以研究更加自主、智能、高效的水聲目標(biāo)識(shí)別技術(shù)刻不容緩。深度學(xué)習(xí)是由Hinton等人[1]于2006年提出來的具有多層結(jié)構(gòu)的深度神經(jīng)網(wǎng)絡(luò)算法，因采用多個(gè)隱藏層相互疊加的結(jié)構(gòu)特點(diǎn)，使其具有強(qiáng)大的數(shù)據(jù)特征自學(xué)能力，并可以從數(shù)據(jù)中挖出其內(nèi)在的變化規(guī)律[2]。

本文就近年來深度學(xué)習(xí)在水聲目標(biāo)識(shí)別中的應(yīng)用進(jìn)行了較為系統(tǒng)的研究，總結(jié)了深度學(xué)習(xí)在處理水聲聲信號(hào)和圖像信號(hào)應(yīng)用中的優(yōu)越性。相比于傳統(tǒng)的識(shí)別算法，其更能提高目標(biāo)識(shí)別的效率。同時(shí)，也指出了深度學(xué)習(xí)在水聲目標(biāo)識(shí)別應(yīng)用中的不足之處，為后續(xù)改進(jìn)提供參考。

1 水聲目標(biāo)識(shí)別技術(shù)的研究現(xiàn)狀及面臨的挑戰(zhàn)

1.1 水聲目標(biāo)識(shí)別技術(shù)研究現(xiàn)狀

水聲目標(biāo)識(shí)別主要依據(jù)目標(biāo)的特征信息。目標(biāo)特征信息是目標(biāo)原始數(shù)據(jù)中包含或者可提取的一種能精確和簡(jiǎn)化表明目標(biāo)狀態(tài)和身份的信息[3]。水聲目標(biāo)主要包括噪聲、運(yùn)動(dòng)、尾流、幾何結(jié)構(gòu)等特征信息[4]。

隨著水聲目標(biāo)識(shí)別越來越受到人們的重視，國內(nèi)外眾多學(xué)者也開展了很多的研究工作。例如Rajgopal等[5]在研制的水聲目標(biāo)識(shí)別專家系統(tǒng)中所使用的特征包括：螺旋槳槳葉數(shù)、螺旋槳轉(zhuǎn)速、推進(jìn)器類型、目標(biāo)殼體輻射低頻噪聲、活塞松動(dòng)產(chǎn)生的諧音基頻噴嘴噪聲、注水器噪聲、最大速度、槽極噪聲、傳動(dòng)裝置類型等。Lourens[6]在識(shí)別特征分析中重點(diǎn)強(qiáng)調(diào)了螺旋槳轉(zhuǎn)速、主機(jī)類型、齒輪噪聲線譜等特征。Arnab等[7]在分類識(shí)別特征分析中歸納了譜中心、譜形、譜起伏、窄帶與寬帶譜特征、倒譜特征、MeI倒譜參數(shù)、音調(diào)頻率參數(shù)等統(tǒng)計(jì)時(shí)頻域特征。AR模型系數(shù)、非線性融合特征等也常被作為水聲目標(biāo)輻射噪聲識(shí)別的特征量[8-12]。國內(nèi)學(xué)者對(duì)船舶輻射噪聲的調(diào)制譜、功率譜、低頻線譜以及高階譜、小波變換、混沌分形、聽覺感知等特征和特性的分析也開展了很多研究工作[13-20]，例如勵(lì)榮峰等人研究了各類水聲目標(biāo)的功率譜分析，提取了目標(biāo)的視頻特征，并通過實(shí)際數(shù)據(jù)分析進(jìn)行了可分性驗(yàn)證。彭圓等人研究了基于雙譜的方法對(duì)水中目標(biāo)輻射噪聲進(jìn)行特征提取與分類，同樣也取得了很好的效果。

1.2 新技術(shù)為水聲目標(biāo)識(shí)別技術(shù)帶來的挑戰(zhàn)

隨著水聲探測(cè)技術(shù)的發(fā)展和降噪水平的提高，傳統(tǒng)識(shí)別技術(shù)的性能正在逐漸下降，這為水聲目標(biāo)識(shí)別技術(shù)帶來了新的挑戰(zhàn)[21]。

1.2.1 聲吶信號(hào)帶寬對(duì)識(shí)別能力的影響

目標(biāo)特征量的提取都是基于一定帶寬的聲吶傳感器得到的。根據(jù)香農(nóng)公式，對(duì)于1個(gè)帶寬為BHz的信道，信道的最大信息傳送速率為

式中：S為信號(hào)功率，W；N為噪聲功率，W。

也就是說，等功率強(qiáng)度的信號(hào)帶寬和信道的信息容量成正比，寬帶信號(hào)可以比窄帶信號(hào)攜帶更多的信息。

1.2.2 低頻探測(cè)對(duì)線譜識(shí)別性能的影響

為了達(dá)到提高探測(cè)距離的目標(biāo)，低頻探測(cè)成為當(dāng)下主流的趨勢(shì)，帶來的問題是波束寬度的增加。對(duì)于作用距離為100 km的聲吶來說，波束寬度內(nèi)目標(biāo)很可能不是單個(gè)目標(biāo)。因此，對(duì)于利用低頻探測(cè)來進(jìn)行線譜識(shí)別，檢測(cè)到的低頻線譜是否就是關(guān)注的水聲目標(biāo)的低頻線譜特征有著很大的不確定性。

1.2.3 減震降噪對(duì)識(shí)別性能的影響

對(duì)于水中目標(biāo)來說，減震降噪是永恒不變的主題和最終的目標(biāo)。減震降噪使得低頻線譜特征顯著降低，而線譜特征都可以通過結(jié)構(gòu)設(shè)計(jì)、工藝設(shè)計(jì)、使用減震裝置等不斷降低。最終這些線譜特征都有可能被消除或者減得很弱，那么基于線譜探測(cè)的識(shí)別技術(shù)將失去意義。

2 水聲目標(biāo)識(shí)別中深度學(xué)習(xí)的研究及應(yīng)用

2.1 深度學(xué)習(xí)常用的開發(fā)工具

深度學(xué)習(xí)常用的開發(fā)工具主要有TensorFlow、Torch、Caffe、Theano，以下詳細(xì)探討這4種。除此之外，Deeplearing4j、MXNet等開發(fā)工具也都有著廣泛的應(yīng)用。

1）TensorFlow開發(fā)工具。

優(yōu)勢(shì)：①機(jī)動(dòng)性：并不是一個(gè)規(guī)則的 neural network，定義新的操作只需要寫1個(gè)Python函數(shù)；②可使用性強(qiáng)：可以應(yīng)用在不同的設(shè)備上，如cpus、gpu移動(dòng)設(shè)備、平臺(tái)等；③自動(dòng)差分：TensorFlow的自動(dòng)差分能力對(duì)很多基于Graph的機(jī)器學(xué)習(xí)算法有益；④多種編程語言可選：有Python接口和C++接口，其他語言可以使用SWIG工具使用接口；⑤最優(yōu)化表現(xiàn)：充分利用硬件資源，TensorFlow可以將Graph的不同計(jì)算單元分配到不同的設(shè)備執(zhí)行。

特點(diǎn)：TensorFlow靈活的架構(gòu)可以部署在1個(gè)或者多個(gè) CPU、GPU的臺(tái)式以及服務(wù)器中，或者使用單一的API應(yīng)用在移動(dòng)設(shè)備中，開源之后幾乎可以適用各個(gè)領(lǐng)域。

2）Torch開發(fā)工具。

優(yōu)勢(shì)：構(gòu)建模型簡(jiǎn)單，高度模塊化，GPU快速高效。具有豐富的索引、切片和transposing的例程，支持LuaJIT接入C數(shù)值優(yōu)化程序等，可移植嵌入到iOS、Android和FPGA后端的接口。

特點(diǎn)：Torch擁有Facebook為其開源的大量深度學(xué)習(xí)模塊和擴(kuò)展，并采用了編程語言Lua。

3）Caffe開發(fā)工具。

優(yōu)勢(shì)：①上手快：模型與相應(yīng)優(yōu)化都是以文本形式而非代碼形式給出；②速度快：能夠運(yùn)行最好的模型與海量的數(shù)據(jù)；③模塊化：方便擴(kuò)展到新的任務(wù)和設(shè)置上；④開放性：公開的代碼和參考模型用于再現(xiàn)；⑤社區(qū)好：可以通過 BSD-2參與開發(fā)與討論。

特點(diǎn)：Caffe是開源的，核心語言是C++，支持命令行、Python、MATLAB，既可以在 CPU上運(yùn)行也可以在GPU上運(yùn)行。

4）Theano開發(fā)工具。

優(yōu)勢(shì)：①集成NumPy的基于Python實(shí)現(xiàn)的科學(xué)計(jì)算包，可以與稀疏矩陣運(yùn)算包SeiPy配合使用，全面兼容NumPy庫函數(shù)；②易于使用GPU進(jìn)行加速，具有比CPU實(shí)現(xiàn)相對(duì)較大的加速比；③具有優(yōu)異的可靠性和速度優(yōu)勢(shì)；④可支持動(dòng)態(tài) C程序生成；⑤擁有測(cè)試和自檢單元，可方便檢測(cè)和診斷多類型錯(cuò)誤。

特點(diǎn)：Theano派生出大量的深度學(xué)習(xí) Python軟件包，最著名的有Blocks和Keras，其核心是1個(gè)數(shù)學(xué)表達(dá)式的編譯器。

2.2 深度學(xué)習(xí)幾種典型的網(wǎng)絡(luò)結(jié)構(gòu)原理及改進(jìn)

2.2.1 深度置信網(wǎng)絡(luò)DBN原理及改進(jìn)

DBN[22]（Deep Belief Network）由多個(gè)受限玻爾茲曼機(jī)RBM和1層反向傳播網(wǎng)絡(luò)BP堆疊而成。其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，圖1中：h為隱藏層數(shù)；v為可視層數(shù)；W為連接權(quán)值矩陣。

圖1 深度置信網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.1 Block diagram of DBN

DBN的訓(xùn)練過程為2部分：預(yù)訓(xùn)練和微調(diào)整訓(xùn)練。預(yù)訓(xùn)練就是對(duì)每層的每個(gè)RBM進(jìn)行訓(xùn)練，而在微調(diào)整階段則采用反向傳播算法將訓(xùn)練誤差逐層向后傳播。其改進(jìn)型網(wǎng)絡(luò)有CRBM-DBN[23]，即首先使用有高斯分布的連續(xù)受限玻爾茲曼機(jī)（CRBM）的DBN模型對(duì)數(shù)據(jù)的輸入量進(jìn)行特征學(xué)習(xí)，然后利用對(duì)比散度算法進(jìn)行抽樣以獲取高層次的特征。此外還有稀疏受限玻爾茲曼機(jī)（SRBM）[24]、稀疏組受限玻爾茲曼機(jī)（SGRBM）[25]等改進(jìn)型深度置信網(wǎng)絡(luò)。

2.2.2 卷積神經(jīng)網(wǎng)絡(luò)CNN原理及改進(jìn)

CNN[26]（Convolutional Neural Network）通過結(jié)合局部感知區(qū)域、共享權(quán)重、空間或時(shí)間上的池化降采樣 3大特點(diǎn)來充分利用數(shù)據(jù)本身包含的局部性等特征，優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，并且保證一定程度上的位移不變性[27]。其網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.2 Block diagram of CNN

隨著CNN網(wǎng)絡(luò)的不斷發(fā)展，也出現(xiàn)了一些新的深層卷積網(wǎng)絡(luò)。其改進(jìn)的過程實(shí)質(zhì)就是用深度學(xué)習(xí)模型來替代淺層機(jī)器學(xué)習(xí)模型的過程，實(shí)現(xiàn)端到端的訓(xùn)練，速度也越來越快。例如R-CNN[28]：物體檢測(cè)目標(biāo)是將圖片中所有物體用方框框出來。首先是生成方框?qū)⑽矬w框出來，然后對(duì)框出來的物體進(jìn)行分類判斷。Fast R-CNN[29]將R-CNN中CNN提取特征、SVM分類、回歸這3個(gè)過程放在一起，形成端到端整體的模型，速度和準(zhǔn)確率都得到提升。再如 Faster R-CNN[30]：Faster R-CNN首先用卷積層、池化層處理整張圖片得到特征圖，在此特征圖上用region proposal network來生成方框，其余的操作跟 Fast R-CNN如出一轍。即Faster R-CNN將生成方框的方法也換成了深度學(xué)習(xí)模型，并由原來在整張圖上生成改成在更小的特征圖上生成，使得模型訓(xùn)練速度進(jìn)一步加快。此外比較常用的還有 Mask R-CNN[31]等改進(jìn)型卷積神經(jīng)網(wǎng)絡(luò)。

2.2.3 循環(huán)神經(jīng)網(wǎng)絡(luò)RNN原理及改進(jìn)

RNN（Recursive Neural Network）亦稱遞歸神經(jīng)網(wǎng)絡(luò)，其最大特點(diǎn)在于神經(jīng)網(wǎng)絡(luò)各隱層之間的節(jié)點(diǎn)是具有連接的。其網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示，圖中：X為輸入層；H為隱藏層；O為輸出層；Y為神經(jīng)網(wǎng)絡(luò)的主體結(jié)構(gòu)。

圖3 循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.3 Block diagram of RNN

RNN的優(yōu)點(diǎn)是可以處理序列數(shù)據(jù)，缺點(diǎn)則是容易隨迭代的進(jìn)行，歷史輸入對(duì)隱含層作用會(huì)逐漸減小乃至消失，即出現(xiàn)梯度消失問題。針對(duì)這個(gè)問題，研究者相繼提出了一些RNN的變種，其中最著名的包括 Hochreiter等人[32]提出的長短時(shí)記憶網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）和Cho等人[33]提出的門限循環(huán)單元（Gated Recurrent Unit，GRU）。長短時(shí)記憶網(wǎng)絡(luò)用LSTM單元替代RNN中的神經(jīng)元，在輸入、輸出、忘記過去信息上分別加了輸入門、輸出門、遺忘門來控制允許多少信息過。LSTM有單元狀態(tài)（cell state）和隱藏狀態(tài)（hidden state）2個(gè)傳輸狀態(tài)。GRU是LSTM的輕量級(jí)變體，只有2個(gè)門——更新門和重置門。更新門決定保留過去多少信息，以及從輸入層輸入多少信息；重置門與LSTM里的遺忘門類似。GRU沒有輸出門，所以總是輸出完整狀態(tài)。除此之外，還有分層RNN、雙向RNN、多維RNN、神經(jīng)圖靈機(jī)等改進(jìn)型循環(huán)神經(jīng)網(wǎng)絡(luò)，在處理實(shí)際任務(wù)時(shí)都表現(xiàn)出了很好的效果。

實(shí)際的使用中，常采用多個(gè)模型相結(jié)合的方式，用于規(guī)避各模型缺點(diǎn)，充分發(fā)揮模型優(yōu)勢(shì)，以達(dá)到目標(biāo)識(shí)別、現(xiàn)象預(yù)測(cè)等研究目的。

2.3 深度學(xué)習(xí)在水聲目標(biāo)識(shí)別中的應(yīng)用

2.3.1 深度學(xué)習(xí)在水聲圖像識(shí)別中的應(yīng)用

傳統(tǒng)的水聲圖像目標(biāo)識(shí)別方法大多數(shù)是基于局部特征的識(shí)別。但是，這種特征匹配在局部特征匹配中僅作為低級(jí)表示，對(duì)復(fù)雜背景進(jìn)行特征提取時(shí)魯棒性不足，沒有足夠的特征來防止假匹配，使得圖像識(shí)別率也較低。這主要是由于傳統(tǒng)目標(biāo)識(shí)別算法語義分割魯棒性較差。

卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)在處理圖像時(shí)的主要工具，可以幫助提取圖像的特征。主要方式是通過使用若干個(gè)卷積核對(duì)圖形進(jìn)行濾波，得到原圖像的多幅特征圖，從各個(gè)角度提取圖像的特征。利用權(quán)值共享使得只需要訓(xùn)練較少的卷積參數(shù)，就可以提取圖像的多個(gè)特征。例如：Perez等人[34]提出了一種基于深度學(xué)習(xí)的水聲圖像增強(qiáng)方法，其基本原理就是利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)采集到的水聲圖像進(jìn)行處理。Kim 等人[35]提出以水聲聲視覺圖像中的陰影作為識(shí)別特征，基于卷積神經(jīng)網(wǎng)絡(luò)的方法對(duì)水聲聲視覺圖像進(jìn)行目標(biāo)識(shí)別與分類。該方法成功地對(duì)4類水聲目標(biāo)的聲視覺圖像進(jìn)行了準(zhǔn)確分類。2015年，Orenstein等人[36]采用卷積神經(jīng)網(wǎng)絡(luò)對(duì)340萬個(gè)浮游生物圖像進(jìn)行了訓(xùn)練和分類，結(jié)果表明：該方法在時(shí)間和精度方面都優(yōu)于傳統(tǒng)人工分類篩選方法，對(duì)大量浮游生物圖像的分類效果較好。胡炎等[37]在Faster R-CNN框架下構(gòu)建了1個(gè)僅3層的卷積神經(jīng)網(wǎng)絡(luò)，并對(duì)4種不同海洋雜波環(huán)境的寬幅SAR圖像進(jìn)行測(cè)試，取得了較好的檢測(cè)結(jié)果。林明旺[38]設(shè)計(jì)了一種基于卷積神經(jīng)網(wǎng)絡(luò)的魚類圖像分類系統(tǒng)，對(duì)魚類圖像的識(shí)別準(zhǔn)確率達(dá)到96%，實(shí)現(xiàn)了預(yù)期效果。趙亮等[39]結(jié)合CNN提取的特征、HOG算法提取的邊緣特征和HSV算法得到的顏色特征，較好地實(shí)現(xiàn)了船舶目標(biāo)識(shí)別。張清博等人[40]提出利用基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法對(duì)水下光電圖像進(jìn)行優(yōu)化圖像質(zhì)量的研究。王博[41]通過選通式水下激光成像系統(tǒng)在不同的光照、水質(zhì)、距離、成像參數(shù)條件下采集水下目標(biāo)的光學(xué)圖像，分別用在線Adaboost方法、BFSPM方法、DCNN方法對(duì)樣本圖像進(jìn)行水下目標(biāo)識(shí)別性能的比較和分析。王念濱等人[42]在卷積神經(jīng)網(wǎng)的基礎(chǔ)上引入特征圖多維加權(quán)層，構(gòu)造了一個(gè)集特征提取和分類器訓(xùn)練于一體的端到端網(wǎng)絡(luò)，有效地提高了目標(biāo)的識(shí)別精度。

2.3.2 深度學(xué)習(xí)在水聲聲信號(hào)識(shí)別中的應(yīng)用

由于深度學(xué)習(xí)在語音識(shí)別上取得的突破性進(jìn)展和自主學(xué)習(xí)的能力，使得學(xué)者們?cè)谔幚硭暵曅盘?hào)的時(shí)候又有了新的思路：利用計(jì)算機(jī)自動(dòng)分析復(fù)雜的水聲聲音信息，通過合理的深層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的訓(xùn)練得到信號(hào)的特征信息，再配合高效率的分類器，完成分類任務(wù)，以提高識(shí)別的準(zhǔn)確度。例如：英國科學(xué)家Sheppard和Gent利用神經(jīng)網(wǎng)絡(luò)技術(shù)開發(fā)的被動(dòng)聲吶分類系統(tǒng)，不僅采用窄帶分析，還采用寬帶分析、DEMON分析和瞬態(tài)分析方法。由于采用神經(jīng)網(wǎng)絡(luò)方法提高了系統(tǒng)的容錯(cuò)能力，使訓(xùn)練不平衡系統(tǒng)有較好的性能，從而能更好地完成對(duì)聲音的分類與識(shí)別。王強(qiáng)等人[43]從實(shí)測(cè)水聲數(shù)據(jù)庫中提取梅爾倒譜特征以及傅里葉變換特征，用 10個(gè)聲音片段作為訓(xùn)練樣本，5個(gè)聲音片段作為測(cè)試樣本，比較了DBN、CNN、SVM（支持向量機(jī)Support Vector Machines，SVM）的識(shí)別率，結(jié)果 DBN和 CNN的識(shí)別率均好于SVM。Xu CAO等人[44]使用21 850個(gè)水聲聲音片段作為訓(xùn)練樣本，用 8 550個(gè)聲音片段作為測(cè)試樣本，使用自動(dòng)編碼器與SVM和概率神經(jīng)網(wǎng)絡(luò)作比較，識(shí)別3種類別的結(jié)果均是自動(dòng)編碼器較好，而且都達(dá)到了92%以上。嚴(yán)韶光[45]等人對(duì)3類目標(biāo)在不同工況和水文氣象條件下采集的 5段長度為32 768 s的實(shí)錄輻射噪聲作為原始信號(hào)，提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的艦船噪聲分類器。通過數(shù)據(jù)仿真實(shí)驗(yàn)表明，CNN的分類效果要好于BP神經(jīng)網(wǎng)絡(luò)的分類效果。趙安邦等人[46]將高階累積量用于希爾伯特變換特征提取中，通過對(duì)艦船目標(biāo)輻射噪聲信號(hào)進(jìn)行采集，得到艦船目標(biāo)噪聲信號(hào)，進(jìn)而提取目標(biāo)輻射信號(hào)各階模態(tài)的相鄰平均瞬時(shí)頻率比、相對(duì)標(biāo)準(zhǔn)差、中心頻率、平均強(qiáng)度、高階矩和高階累積量等作為特征，最終利用神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)對(duì) 2類艦船目標(biāo)的分類識(shí)別。程錦盛等人[47]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和B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，其中CNN和DBN模型的識(shí)別率最高。

3 深度學(xué)習(xí)在水聲目標(biāo)識(shí)別應(yīng)用中的研究展望

1）數(shù)據(jù)庫構(gòu)建。

對(duì)于以數(shù)據(jù)為驅(qū)動(dòng)的深度學(xué)習(xí)，獲取好的水聲數(shù)據(jù)信息顯得尤為重要。但就目前水聲目標(biāo)識(shí)別的研究現(xiàn)狀來看，由于水聲環(huán)境的復(fù)雜性，對(duì)于水聲聲信號(hào)的識(shí)別，研究人員仍會(huì)更多地參照深度學(xué)習(xí)對(duì)空氣中聲音的識(shí)別方法。而對(duì)水聲圖像的識(shí)別，則會(huì)采用以往的圖像處理算法和相關(guān)的深度學(xué)習(xí)理論。所以，應(yīng)建立完備的數(shù)據(jù)庫，從水聲聲信號(hào)與水聲圖像信號(hào)中提取預(yù)識(shí)別的水聲目標(biāo)的有效特征并發(fā)現(xiàn)其變化規(guī)律，訓(xùn)練水聲目標(biāo)識(shí)別模型或分類器，進(jìn)而提高水聲目標(biāo)識(shí)別模型的準(zhǔn)確性、信噪比魯棒性和泛化性。

2）數(shù)據(jù)預(yù)處理方法。

復(fù)雜的海洋環(huán)境，需要花費(fèi)大量的時(shí)間為深度學(xué)習(xí)模型提取理想的樣本，并按照模型要求的圖像大小構(gòu)造訓(xùn)練數(shù)據(jù)。由于處理大數(shù)據(jù)的規(guī)模所帶來的大樣本，使得數(shù)據(jù)呈現(xiàn)高維屬性和多樣性，故而數(shù)據(jù)預(yù)處理方法的優(yōu)劣對(duì)模型的構(gòu)建有重要的影響。深度學(xué)習(xí)在未來的數(shù)據(jù)處理方面應(yīng)面向多種數(shù)據(jù)格式，以期減少數(shù)據(jù)預(yù)處理所耗費(fèi)的大量時(shí)間，從而提高深度學(xué)習(xí)整體模型建立效率。

3）模型構(gòu)建。

深度學(xué)習(xí)模型算法眾多，但當(dāng)面對(duì)具體的水聲目標(biāo)識(shí)別問題時(shí)，沒能及時(shí)給出最優(yōu)的模型算法。其大都是對(duì)現(xiàn)有的模型進(jìn)行改造或者多模型相結(jié)合，在模型的構(gòu)建過程中通過大量實(shí)驗(yàn)對(duì)比才能建立更加準(zhǔn)確的模型。同時(shí)，面對(duì)這些問題還需要構(gòu)建新的學(xué)習(xí)模型，提高模型在面對(duì)不同種類的水聲目標(biāo)信號(hào)時(shí)的通用性，從而提升模型的適用范圍。

4 結(jié)束語

本文首先對(duì)水聲目標(biāo)識(shí)別技術(shù)的研究現(xiàn)狀及面臨的挑戰(zhàn)進(jìn)行了描述。同時(shí)，介紹了深度學(xué)習(xí)的典型網(wǎng)絡(luò)結(jié)構(gòu)、改進(jìn)型網(wǎng)絡(luò)以及常用的幾種開發(fā)工具，并對(duì)深度學(xué)習(xí)在水聲目標(biāo)識(shí)別中的實(shí)際應(yīng)用情況進(jìn)行了闡述?？隙松疃葘W(xué)習(xí)在水聲目標(biāo)識(shí)別應(yīng)用中的優(yōu)勢(shì)，也指出了其中的不足之處，并給出了相應(yīng)的解決思路?？梢灶A(yù)見，未來水聲目標(biāo)識(shí)別技術(shù)發(fā)展方向主要是非聲探測(cè)、多傳感器信息融合、智能目標(biāo)識(shí)別等。人工智能技術(shù)與水聲目標(biāo)識(shí)別技術(shù)有機(jī)結(jié)合將是今后水聲目標(biāo)識(shí)別研究的重要方向。