楊爽， 曾向陽(yáng)

(西北工業(yè)大學(xué) 航海學(xué)院，陜西 西安 710072)

水聲目標(biāo)識(shí)別是水聲信號(hào)處理領(lǐng)域的重要研究方向和難題之一。由于復(fù)雜海洋環(huán)境中噪聲的影響，實(shí)驗(yàn)室仿真效果很好的識(shí)別方法應(yīng)用于現(xiàn)實(shí)場(chǎng)景時(shí)，效果可能不如預(yù)期。因此，抑制噪聲干擾、提高識(shí)別方法的魯棒性對(duì)于識(shí)別方法的實(shí)際應(yīng)用非常關(guān)鍵。

傳統(tǒng)水聲目標(biāo)被動(dòng)識(shí)別系統(tǒng)中，特征提取和分類器通常是相對(duì)獨(dú)立的2個(gè)環(huán)節(jié)，因而噪聲抑制或依賴于信號(hào)預(yù)處理，或在特征提取環(huán)節(jié)進(jìn)行。其中，預(yù)處理方面的降噪方法已有大量的研究；在特征提取環(huán)節(jié)，也有一些抗噪特征提取方法。陸晨翔等[1]提出水下目標(biāo)信號(hào)的結(jié)構(gòu)化稀疏特征提取方法，可借助稀疏貝葉斯學(xué)習(xí)模型，利用相鄰幀樣本間的相關(guān)性信息增強(qiáng)窄帶線譜成分，在噪聲失匹配條件下，能夠保持較高的識(shí)別率。連梓旭[2]提出了基于Gammatone頻率倒譜系數(shù)的水聲目標(biāo)特征提取方法以及基于Gammatone濾波器組與子帶瞬時(shí)頻率的水聲目標(biāo)特征提取方法。這2種方法能夠有效地提升水聲目標(biāo)識(shí)別系統(tǒng)的性能，具有較強(qiáng)的魯棒性。

近幾年，深度學(xué)習(xí)(deep learning，DL)理論廣受關(guān)注，也為水聲目標(biāo)識(shí)別技術(shù)提供了新的思路[3]。王強(qiáng)等[4]研究了深度學(xué)習(xí)方法在水聲目標(biāo)識(shí)別中的適用性，建立卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks, CNN)和深度置信網(wǎng)絡(luò)(deep brief networks，DBN)模型。3種實(shí)測(cè)水聲目標(biāo)的識(shí)別結(jié)果表明，利用深度學(xué)習(xí)模型進(jìn)行水聲目標(biāo)識(shí)別是一種可行的途徑。盧安安等[5]將長(zhǎng)短時(shí)記憶(long short-term memory，LSTM)網(wǎng)絡(luò)應(yīng)用于水聲目標(biāo)識(shí)別。LSTM 結(jié)構(gòu)在梅爾頻率倒譜系數(shù)(mel frequency cepstral coefficient, MFCC)特征上的識(shí)別效果要優(yōu)于常規(guī)的循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural networks, RNN)、CNN和深度神經(jīng)網(wǎng)絡(luò)(deep neural networks, DNN)，說(shuō)明網(wǎng)絡(luò)利用更多的時(shí)序信息往往會(huì)取得更好的效果。但是，LSTM網(wǎng)絡(luò)的前后依賴導(dǎo)致RNN并行計(jì)算較為困難，所以其計(jì)算速度遠(yuǎn)沒(méi)有CNN快。Tao Lei等[6]基于對(duì)LSTM模型的研究，提出了簡(jiǎn)單循環(huán)單元(simple recurrent unit, SRU)，在自然語(yǔ)言處理(natural language processing, NLP)任務(wù)方面證明了SRU的有效性。在分類和問(wèn)題回答數(shù)據(jù)集上，SRU比cuDNN優(yōu)化的LSTM加速5～9倍。

本文將SRU方法引入水聲目標(biāo)識(shí)別，利用深度學(xué)習(xí)端到端的處理能力，基于孟慶昕等[7]的研究，利用原始時(shí)域波形對(duì)目標(biāo)進(jìn)行分類識(shí)別，時(shí)域波形結(jié)構(gòu)特征隱含了音色信息。在此基礎(chǔ)上，提出一種多尺度稀疏SRU模型，通過(guò)與CNN模型的對(duì)比實(shí)驗(yàn)，檢驗(yàn)其識(shí)別性能。

1 簡(jiǎn)單循環(huán)單元

RNN權(quán)重系數(shù)是共享的，即在一次算法迭代中，循環(huán)節(jié)點(diǎn)使用相同的權(quán)重系數(shù)處理所有的時(shí)間步[8]。對(duì)于單向RNN，循環(huán)節(jié)點(diǎn)中不同的時(shí)間步所學(xué)習(xí)到的特征依賴于當(dāng)前時(shí)間步前的所有時(shí)間步的輸入和隱含狀態(tài)，所以，每個(gè)時(shí)間步所學(xué)習(xí)到的時(shí)間長(zhǎng)度是不同的。RNN結(jié)構(gòu)如圖1所示。

圖1 RNN結(jié)構(gòu)Fig.1 Structure of RNN

常規(guī)的RNN網(wǎng)絡(luò)是串行結(jié)構(gòu)，當(dāng)前層的計(jì)算必須等到上一層完全執(zhí)行完畢后才可以開始，嚴(yán)重限制了網(wǎng)絡(luò)的運(yùn)算速度。為了解決這一問(wèn)題，Tao Lei等[6]提出了一種具有并行計(jì)算和序列建模能力的SRU網(wǎng)絡(luò)。

單層SRU的計(jì)算為：

ft=σ(WfXt+vf?ht-1+bf)

(1)

rt=σ(WrXt+vr?ht-1+br)

(2)

(3)

(4)

SRU能夠并行運(yùn)算的關(guān)鍵在于前一時(shí)刻隱含狀態(tài)ht-1的使用方式。在門控循環(huán)單元(gated recurrent unit, GRU)網(wǎng)絡(luò)中，ht-1與參數(shù)矩陣相乘來(lái)計(jì)算2個(gè)門控的隱含狀態(tài)，門控狀態(tài)的每個(gè)維數(shù)都依賴于ht-1的所有項(xiàng)，而計(jì)算必須等到ht-1完全完成后才能進(jìn)行。SRU網(wǎng)絡(luò)為了便于并行計(jì)算，式(1)和式(2)使用vf?ht-1、vr?ht-1這種點(diǎn)乘的方式代替矩陣相乘，通過(guò)這種簡(jiǎn)化，隱含狀態(tài)的每個(gè)維數(shù)都變得獨(dú)立，因此SRU網(wǎng)絡(luò)中大部分計(jì)算是可并行的。這種并行結(jié)構(gòu)提高了SRU計(jì)算速度。

2 多尺度稀疏SRU模型

受到特征融合在豐富分類特征信息方面的優(yōu)勢(shì)啟發(fā)，提出了基于多尺度稀疏SRU的融合深度神經(jīng)網(wǎng)絡(luò)用于水聲目標(biāo)輻射噪聲分類識(shí)別。深度網(wǎng)絡(luò)通過(guò)多層隱層學(xué)習(xí)輸入數(shù)據(jù)的特征表達(dá)，不同隱層學(xué)習(xí)到的特征是不同的，這些特征可以被認(rèn)為是輸入數(shù)據(jù)不同的特征表達(dá)形式。網(wǎng)絡(luò)底層獲取低層次特征，頂層學(xué)習(xí)高層次特征。越低層次的特征越能反映數(shù)據(jù)的局部特性，高層次的特征則具有抽象性和不變性。受到CNN模型Inception[10]架構(gòu)的啟發(fā)，網(wǎng)絡(luò)不是單純地通過(guò)增加模型的深度和寬度提高網(wǎng)絡(luò)的表達(dá)能力，而是可以通過(guò)一種非均勻的稀疏結(jié)構(gòu)來(lái)實(shí)現(xiàn)多尺度的特征表達(dá)。

這種多尺度的特征表達(dá)也可以應(yīng)用于RNN網(wǎng)絡(luò)中。SRU作為一種可并行的RNN，同時(shí)具備了時(shí)間序列建模能力和計(jì)算成本低的優(yōu)點(diǎn)。本文將多尺度的特征表達(dá)應(yīng)用在SRU中，提出了一種多尺度稀疏SRU模型，利用不同層SRU學(xué)習(xí)到的不同特征表達(dá)，對(duì)輸入數(shù)據(jù)多尺度的特征進(jìn)行融合，將融合后的特征組合作為分類器(模型頂層)的特征輸入，完成多類目標(biāo)的分類識(shí)別任務(wù)。

多尺度稀疏SRU模型框架結(jié)構(gòu)如圖2所示。圖2(a)是模型的總體架構(gòu)，由輸入層、4個(gè)SRU塊、多特征層(特征融合層)和1個(gè)全連接層構(gòu)成。圖2(b)是SRU塊結(jié)構(gòu)，每個(gè)SRU塊都由一個(gè)n(n=1,2,3,4) 層堆疊的SRU網(wǎng)絡(luò)和一個(gè)層標(biāo)準(zhǔn)化(layer normalization, LN)構(gòu)成。LN多用于RNN網(wǎng)絡(luò)中，在通道方向上對(duì)目標(biāo)輸入進(jìn)行歸一化操作，保證數(shù)據(jù)在通道方向上分布一致。同時(shí)，每個(gè)SRU塊在模型輸入和多特征層間添加跳躍連接，構(gòu)成了網(wǎng)絡(luò)的局部構(gòu)造。跳躍連接多應(yīng)用于較深的網(wǎng)絡(luò)結(jié)構(gòu)中，比深度模型直接學(xué)習(xí)輸入和輸出之間的映射更容易收斂，同時(shí)解決了SRU在訓(xùn)練過(guò)程中的梯度消散問(wèn)題。4個(gè)SRU塊中的SRU分別為1層、2層、3層和4層；隱含節(jié)點(diǎn)數(shù)分別為16、32、64和256。每個(gè)SRU塊內(nèi)部結(jié)構(gòu)都是全連接的、非稀疏的，4個(gè)SRU塊之間則是稀疏連接的。可以將4個(gè)SRU塊理解為稀疏連接的濾波器組，將4個(gè)濾波器組連接成一個(gè)單一的輸出向量，形成下一階段的輸入，即將4個(gè)SRU塊的輸出合并構(gòu)成多特征層，多特征層包含不同層SRU學(xué)習(xí)到的特征表達(dá)。批量標(biāo)準(zhǔn)化(batch normalization, BN) 操作應(yīng)用于多特征層之后，通過(guò)對(duì)數(shù)據(jù)批次歸一化，加快網(wǎng)絡(luò)收斂速度，同時(shí)防止網(wǎng)絡(luò)的梯度消失和梯度爆炸。模型頂層連接一層全連接層。全連接層作為判別層輸出各類水聲目標(biāo)樣本的實(shí)際輸出(概率)。

3 實(shí)驗(yàn)與分析

3.1 實(shí)測(cè)水聲數(shù)據(jù)的處理

實(shí)驗(yàn)基于實(shí)際海域測(cè)試得到的3類水聲目標(biāo)(艦船、商船及某水下目標(biāo))數(shù)據(jù)，采樣頻率均為8 kHz。每類水聲目標(biāo)數(shù)據(jù)包含 15 個(gè)片段，每個(gè)片段的聲音長(zhǎng)度截取5 s。首先對(duì)水聲目標(biāo)數(shù)據(jù)進(jìn)行預(yù)處理。對(duì)每段目標(biāo)數(shù)據(jù)分幀，每幀長(zhǎng)為100 ms，幀移為0，即每0.1 s的目標(biāo)數(shù)據(jù)為一個(gè)樣本，總計(jì)3類目標(biāo)共2 250個(gè)樣本。目標(biāo)數(shù)據(jù)被嚴(yán)格地被劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。使用總樣本的3/5作為訓(xùn)練，1/5作為驗(yàn)證，1/5作為測(cè)試。表1中總結(jié)了3類水聲目標(biāo)樣本的統(tǒng)計(jì)數(shù)量。將3類目標(biāo)的訓(xùn)練數(shù)據(jù)和驗(yàn)證數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理(零均值化同時(shí)方差歸一化)，消除聲源距離遠(yuǎn)近對(duì)目標(biāo)樣本的影響，提取它們的時(shí)域波形作為網(wǎng)絡(luò)模型的輸入，構(gòu)建時(shí)間序列網(wǎng)絡(luò)模型。測(cè)試時(shí)，為了構(gòu)建噪聲失匹配條件，分別給3類目標(biāo)測(cè)試數(shù)據(jù)加帶限白噪聲，生成SNR分別為-20、-15、-10、-5、0、5、10、15和 20 dB的測(cè)試數(shù)據(jù)，再對(duì)測(cè)試數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。

圖2 多尺度稀疏SRU模型Fig.2 Multi-scale sparse SRU model

表1 3類水聲目標(biāo)樣本數(shù)量Table 1 Number of samples of three types of underwater acoustic targets

3.2 對(duì)比方法和參數(shù)設(shè)置

本文使用3種模型與提出的網(wǎng)絡(luò)模型進(jìn)行對(duì)比：1)多尺度稀疏SRU模型(未加跳躍連接)；2)多層SRU模型；3)多層CNN模型。其中模型2)和模型3)的架構(gòu)和參數(shù)設(shè)置在下面分別進(jìn)行介紹。

3.2.1 多層SRU模型

圖3是多層SRU模型架構(gòu)，由輸入層、4層堆疊SRU和2個(gè)全連接層構(gòu)成。模型中，4層堆疊SRU的隱藏節(jié)點(diǎn)數(shù)設(shè)為256，每層SRU后都添加了隨機(jī)失活(dropout)層防止網(wǎng)絡(luò)過(guò)擬合，網(wǎng)絡(luò)單元的隨機(jī)失活概率為0.1。第1個(gè)全連接層使用ReLU作為激活函數(shù)，激活前使用BN操作對(duì)輸入數(shù)據(jù)進(jìn)行批量歸一化。第2個(gè)全連接層作為判別層輸出各類水聲目標(biāo)樣本的實(shí)際輸出(概率)。

圖3 多層SRU模型Fig.3 Multi-layer SRU model

3.2.2 多層CNN模型

圖4是多層CNN模型架構(gòu)，由輸入層、3個(gè)一維卷積層、3個(gè)一維池化層和2個(gè)全連接層構(gòu)成。模型中，每層卷積層進(jìn)行ReLU激活，激活前都執(zhí)行BN操作，后加一維池化層來(lái)降低數(shù)據(jù)的空間尺寸。3個(gè)一維卷積層中卷積核的大小為3，數(shù)量分別為32、64和128，一維池化層中卷和核的大小為3。第1個(gè)全連接層使用ReLU作為激活函數(shù)，激活前使用BN操作對(duì)輸入數(shù)據(jù)進(jìn)行批量歸一化，激活后添加隨機(jī)失活層防止網(wǎng)絡(luò)過(guò)擬合，網(wǎng)絡(luò)單元的隨機(jī)失活概率為0.5。第2個(gè)全連接層作為判別層輸出各類水聲目標(biāo)樣本的實(shí)際輸出(概率)。

3.3 評(píng)價(jià)指標(biāo)

完成模型構(gòu)建后，需要對(duì)模型進(jìn)行訓(xùn)練(訓(xùn)練過(guò)程包括驗(yàn)證)和測(cè)試。其中，訓(xùn)練過(guò)程的評(píng)價(jià)指標(biāo)是損失(loss)和正確識(shí)別率(accuracy)，測(cè)試過(guò)程的指標(biāo)是F1值。

網(wǎng)絡(luò)模型中損失函數(shù)用來(lái)衡量網(wǎng)絡(luò)模型的實(shí)際輸出(概率)和期望輸出(概率)之間的差異(誤差)。網(wǎng)絡(luò)模型在訓(xùn)練過(guò)程中，首先進(jìn)行前向傳播計(jì)算實(shí)際輸出(概率)，再通過(guò)反向梯度傳播算法更新網(wǎng)絡(luò)參數(shù)，降低損失函數(shù)的損失值來(lái)不斷減小誤差，使模型的實(shí)際輸出(概率)越來(lái)越接近期望輸出(概率)。因此網(wǎng)絡(luò)訓(xùn)練過(guò)程中計(jì)算獲得的損失值越小，網(wǎng)絡(luò)模型的識(shí)別性能越好。4種網(wǎng)絡(luò)模型的訓(xùn)練均采用稀疏分類交叉熵?fù)p失函數(shù)來(lái)計(jì)算損失，采用自適應(yīng)力矩估計(jì)(adaptive moment estimation, Adam)算法優(yōu)化梯度，學(xué)習(xí)率為0.001。正確識(shí)別率是正確分類的水聲目標(biāo)占所有水聲目標(biāo)的百分比。

圖4 多層CNN模型Fig.4 Multi-layer CNN model

對(duì)訓(xùn)練好的網(wǎng)絡(luò)模型進(jìn)行測(cè)試時(shí)，使用F1值對(duì)網(wǎng)絡(luò)模型進(jìn)行誤差度量。F1值的定義為:

(5)

其中:

式中：TP為預(yù)測(cè)是目標(biāo)i(i=1，2，3)實(shí)際也是目標(biāo)i的個(gè)數(shù)；FN為預(yù)測(cè)不是目標(biāo)i實(shí)際是目標(biāo)i的個(gè)數(shù)；FP為預(yù)測(cè)是目標(biāo)i實(shí)際不是目標(biāo)i的個(gè)數(shù)；TN為預(yù)測(cè)不是目標(biāo)i實(shí)際也不是目標(biāo)i的個(gè)數(shù)。P為查準(zhǔn)率(所有預(yù)測(cè)是目標(biāo)i的目標(biāo)中，實(shí)際是目標(biāo)i的比例),R為召回率(所有實(shí)際為目標(biāo)i的目標(biāo)中，成功預(yù)測(cè)為目標(biāo)i的比例)。F1值可以看作是P和R的加權(quán)平均值。本文使用F1值評(píng)價(jià)不同算法的優(yōu)劣。F1值越高，算法性能越好。

3.4 實(shí)驗(yàn)結(jié)果和分析

3.4.1 網(wǎng)絡(luò)模型的訓(xùn)練

4種模型的輸入都是不添加額外噪聲的水聲目標(biāo)時(shí)域波形。模型的訓(xùn)練和驗(yàn)證都在GPU上進(jìn)行，使用cuDNN來(lái)加快模型的訓(xùn)練速度。圖5～8分別是4種模型損失和正確識(shí)別率隨訓(xùn)練次數(shù)的變化曲線。表2是4種模型的驗(yàn)證結(jié)果和每次訓(xùn)練的花費(fèi)時(shí)間。

圖5 多尺度稀疏SRU模型損失和正確識(shí)別率隨訓(xùn)練次數(shù)的變化曲線Fig.5 Losses and accuracy of the multi-scale sparse SRU model on classification

圖6 多尺度稀疏SRU模型(未加跳躍連接)損失和正確識(shí)別率隨訓(xùn)練次數(shù)的變化曲線Fig.6 Losses and accuracy of the multi-scale sparse SRU model without skip connections on classification

圖7 多層SRU模型損失和正確識(shí)別率隨訓(xùn)練次數(shù)的變化曲線Fig.7 Losses and accuracy of the multi-layer SRU model on classification

圖8 多層CNN模型損失和正確識(shí)別率隨訓(xùn)練次數(shù)的變化曲線Fig.8 Losses and accuracy of the multi-layer CNN model on classification

從圖5～8的(a)可以看出，隨著訓(xùn)練次數(shù)的增加，模型損失均收斂。其中多層CNN模型的訓(xùn)練損失波動(dòng)較大，可能會(huì)影響網(wǎng)絡(luò)的穩(wěn)健性。從圖5～8的(b)中可以看出，隨著訓(xùn)練次數(shù)的增加，訓(xùn)練集和驗(yàn)證集的正確識(shí)別率都趨于穩(wěn)定。其中，多尺度稀疏SRU模型訓(xùn)練到第6次時(shí)模型參數(shù)已達(dá)到最優(yōu)，獲得了驗(yàn)證集最優(yōu)正確識(shí)別率。與之相比，未加跳躍連接的多尺度稀疏SRU模型訓(xùn)練到第22次時(shí)獲得了驗(yàn)證集最優(yōu)正確識(shí)別率，因此添加跳躍連接使得模型收斂加快，減少模型訓(xùn)練時(shí)間。

綜合表2的內(nèi)容可以看出，多尺度稀疏SRU模型(未加跳躍連接)的正確識(shí)別率和損失是最優(yōu)的。多層SRU模型通過(guò)簡(jiǎn)單的堆疊SRU，很難獲得與多層CNN相媲美的正確識(shí)別率。除此之外，3種SRU模型每次訓(xùn)練花費(fèi)的時(shí)間都多于多層CNN模型。即SRU雖然弱化了RNN網(wǎng)絡(luò)中的前后依賴結(jié)構(gòu)，但是算法中仍然存在反饋，使得訓(xùn)練不能完全并行，導(dǎo)致訓(xùn)練時(shí)間較多層CNN模型長(zhǎng)。

表2 4種模型的驗(yàn)證結(jié)果和每次訓(xùn)練花費(fèi)時(shí)間Table 2 Validation results of the four models and the processing time per epoch

3.4.2 噪聲失匹配條件下網(wǎng)絡(luò)模型的測(cè)試分析

為了測(cè)試網(wǎng)絡(luò)模型在噪聲失匹配條件下的識(shí)別性能，將訓(xùn)練好的4種網(wǎng)絡(luò)模型應(yīng)用于噪聲失匹配條件下的水聲目標(biāo)分類識(shí)別任務(wù)，對(duì)模型進(jìn)行進(jìn)一步分析。3.1節(jié)中為了構(gòu)建噪聲失匹配條件，分別給3類水聲目標(biāo)測(cè)試集數(shù)據(jù)加帶限白噪聲，生成SNR分別為-20、-15、-10、-5、0、5、10、15和 20 dB的水聲目標(biāo)數(shù)據(jù)?，F(xiàn)將不同SNR條件下測(cè)試集數(shù)據(jù)的時(shí)域波形作為網(wǎng)絡(luò)模型的輸入，對(duì)4種網(wǎng)絡(luò)模型的分類識(shí)別性能進(jìn)行測(cè)試。

圖9為不同SNR下，4種模型的F1值變化曲線，“未加噪聲”標(biāo)注表示測(cè)試樣本不添加額外的帶限白噪聲，和訓(xùn)練樣本保持同一噪聲環(huán)境的情況。可以看出，3種SRU模型的F1值在SNR小于5 dB時(shí)均高于多層CNN模型。提出的多尺度稀疏SRU模型的F1值在SNR小于15 dB 條件下高于多層CNN模型，在SNR為20 dB和“未加噪聲”條件下與多層CNN模型相同。同時(shí)可以看出，跳躍連接對(duì)噪聲失匹配條件下多尺度稀疏SRU模型F1值的影響甚微。

圖9 4種模型的F1值Fig.9 F1 scores of the four models

水聲目標(biāo)的時(shí)域波形本質(zhì)上是時(shí)間序列信號(hào)，包含了幅度和相位信息，信息保留完整，其生成和感知都是一個(gè)動(dòng)態(tài)的層次。時(shí)間序列信號(hào)具有時(shí)間上的相關(guān)性，即相鄰幀信號(hào)甚至長(zhǎng)距離幀之間特征相關(guān)。對(duì)于SRU，網(wǎng)絡(luò)提取的時(shí)間特征和由時(shí)間延遲產(chǎn)生的歷史隱層狀態(tài)共同輸入給隱層產(chǎn)生當(dāng)前狀態(tài)和輸出。因此網(wǎng)絡(luò)最后時(shí)刻的輸出和所有時(shí)刻的輸入是相關(guān)的，是所有時(shí)刻輸入的相關(guān)函數(shù)[11]。4種網(wǎng)絡(luò)模型的測(cè)試結(jié)果表明，SRU能夠利用水聲時(shí)域波形時(shí)間上的相關(guān)性，生成具有噪聲魯棒的內(nèi)部特征表示，從而使得SRU能夠適應(yīng)復(fù)雜的噪聲環(huán)境，抑制噪聲失配帶來(lái)的影響。提出的多尺度稀疏SRU模型對(duì)不同層的SRU進(jìn)行并聯(lián)，獲得了多尺度的特征信息，使得網(wǎng)絡(luò)模型在獲得更高F1值的同時(shí)能夠抑制噪聲的干擾。

4 結(jié)論

1)本文提出的多尺度稀疏SRU模型對(duì)不同層數(shù)堆疊的SRU塊并聯(lián)，獲得多尺度的特征信息，使得網(wǎng)絡(luò)模型獲得了較高正確識(shí)別率；同時(shí)提出模型的F1值在低SNR下高于多層CNN模型，說(shuō)明提出的模型能夠抑制噪聲失匹配帶來(lái)的影響。

2)通過(guò)4種網(wǎng)絡(luò)模型的對(duì)比實(shí)驗(yàn)發(fā)現(xiàn)，3種SRU模型的F1值在SNR小于5 dB時(shí)均高于多層CNN模型。說(shuō)明SRU這種循環(huán)神經(jīng)網(wǎng)絡(luò)在低SNR條件下有能力生成具有噪聲魯棒的內(nèi)部特征表示。

3)3種SRU模型每次訓(xùn)練花費(fèi)的時(shí)間都多于多層CNN模型，所以在面向?qū)嶋H應(yīng)用時(shí)需要考慮如何縮減訓(xùn)練時(shí)間。提出的多尺度稀疏SRU模型在輸入層和多特征層(特征融合層)之間添加跳躍連接，加快了模型收斂，減小了訓(xùn)練時(shí)間。

循環(huán)神經(jīng)網(wǎng)絡(luò)由于具有內(nèi)部反饋機(jī)制，擅長(zhǎng)處理序列信號(hào)。水聲目標(biāo)時(shí)域信號(hào)是一個(gè)典型的包含幅值和相位信息的序列信號(hào)，其波形結(jié)構(gòu)特征隱含了音色信息，所以本文從最原始的時(shí)域波形入手，研究提出的具有內(nèi)部反饋機(jī)制的網(wǎng)絡(luò)模型對(duì)序列數(shù)據(jù)在噪聲失匹配條件下的適應(yīng)性問(wèn)題。在后續(xù)的研究中，將提取時(shí)域波形結(jié)構(gòu)特征，與提出的模型聯(lián)合，進(jìn)一步研究分類識(shí)別系統(tǒng)的性能。