鹿紹慶，計(jì) 方，*，徐 鵬，李國楠，劉力溟

（1.中國艦船研究院，北京 100192；2.中國人民解放軍第92730 部隊(duì)92 分隊(duì)，海南 三亞 572016）

0 引言

大型水下航行體特征提取是海洋工程中一個(gè)重要的基礎(chǔ)性研究課題，尤其是針對遠(yuǎn)場低頻特征的相關(guān)研究，近年來逐漸成為了熱點(diǎn)與難點(diǎn)。通過分析低頻特征有利于掌握水下航行體的許多信息，對水下目標(biāo)探測與鑒別起到了積極作用。

由于大型水下航行體存在水聲數(shù)據(jù)樣本少、環(huán)境時(shí)變、信噪比低等問題，各種方法的特征提取難度大大增加。一方面，從水聲數(shù)據(jù)中提取出高質(zhì)量的特征具有一定困難；另一方面，對于特征的提取與鑒別機(jī)制尚不完善，目前較流行的基于數(shù)據(jù)的智能方法尚無法取得可解釋性的效果，基于專家知識(shí)的傳統(tǒng)提取鑒別方法由于嚴(yán)重依賴經(jīng)驗(yàn)使得結(jié)果穩(wěn)定性不足。因此，對于水下大型航行體遠(yuǎn)場低頻特征提取問題，尋求一種滿足現(xiàn)有數(shù)據(jù)條件的方法顯得尤為重要和迫切。本文對當(dāng)前使用的幾種水下大型航行體特征提取方法進(jìn)行了綜述，并展望了未來特征提取方法的發(fā)展方向，希望對于改進(jìn)當(dāng)前水下低頻特征提取的不足產(chǎn)生積極意義。

隨著水聲領(lǐng)域探測技術(shù)的發(fā)展，對水下目標(biāo)的探測頻率甚至能夠低至幾赫茲，由于深海聲信道具有時(shí)變性、低信噪比等特點(diǎn)，對于水下大型航行體遠(yuǎn)場低頻特征的提取鑒別變得異常困難。目前較為流行的方法有2 種，一種是使用傳統(tǒng)方法與智能方法相結(jié)合，另一種是直接使用智能方法進(jìn)行特征提取，后者一般是通過深度神經(jīng)網(wǎng)絡(luò)完成。然而，多數(shù)神經(jīng)網(wǎng)絡(luò)方法對數(shù)據(jù)樣本的要求過于苛刻，而這正是水聲領(lǐng)域一直以來所面臨的短板。因此，小樣本的水下大型航行體目標(biāo)低頻特征提取問題亟待解決。本文從傳統(tǒng)方法和智能方法2 個(gè)方面對國內(nèi)外在相關(guān)領(lǐng)域的研究做了綜述。

1 水下低頻特征提取的傳統(tǒng)方法

傳統(tǒng)方法針對水下大型體的低頻特征主要是從時(shí)頻域單獨(dú)、時(shí)頻域結(jié)合和人體感官等方面進(jìn)行提取[1]。

1.1 時(shí)頻域單獨(dú)特征提取

水下航行體時(shí)域特征提取比較簡單，主要是分析目標(biāo)傳回來的時(shí)域波形結(jié)構(gòu)，用統(tǒng)計(jì)的方法提取出目標(biāo)比較明顯的特征。國內(nèi)研究者對此進(jìn)行過比較深入的研究。1999年，蔡悅斌等[2]利用噪聲信號(hào)的過零點(diǎn)、幅值、波長差、波列面積等特性提取噪聲信號(hào)的特征，得到了11 維特征信息，并對噪聲信號(hào)的時(shí)域波形結(jié)構(gòu)特征進(jìn)行分類。2015年，孟慶昕等[3]類比音色特征，對商船和水面運(yùn)輸機(jī)2 類水面目標(biāo)時(shí)域波形結(jié)構(gòu)特征進(jìn)行提取，得到了9 維特征矢量，將其輸入分類器中可以有效識(shí)別兩類水面目標(biāo)。

水下航行體時(shí)域波形結(jié)構(gòu)特征提取方法雖然比較簡單，但是使用范圍受限嚴(yán)重，在隱身技術(shù)飛速發(fā)展的現(xiàn)代，信噪比過小時(shí)，水下航行體的時(shí)域波形特征提取很難實(shí)現(xiàn)，因此研究者轉(zhuǎn)而分析信號(hào)的頻域特征。但是單獨(dú)的頻域分析使用較少，常用的是對信號(hào)的連續(xù)譜和線譜分析，因?yàn)榫€譜的唯一性，以線譜為特征具有很高的識(shí)別率，這在吳國清等[4]的調(diào)查中曾被證明。

1.2 時(shí)頻域結(jié)合特征提取

相較于單獨(dú)使用水下航行體的時(shí)域特征和頻域特征，時(shí)頻域結(jié)合的特征提取在國內(nèi)外的研究中更為流行[1]。起初人們發(fā)現(xiàn)單獨(dú)的頻域分析雖然對有限平穩(wěn)的周期信號(hào)非常有效，可以處理時(shí)域上難以提取的特征，但是卻無法時(shí)、頻兩域結(jié)合分析，因此人們引入了短時(shí)傅里葉變換。然而，在研究中發(fā)現(xiàn)，無論傳統(tǒng)傅里葉變換的頻域分析還是短時(shí)傅里葉變換的時(shí)頻兩域分析，都對非平穩(wěn)信號(hào)的處理效果欠佳，而且短時(shí)傅里葉變換中固定窗長使得信號(hào)有時(shí)分辨率不足。針對于此，研究者們引入了一種新的數(shù)學(xué)工具——小波函數(shù)。

小波變換的多種形式中有一種是離散二進(jìn)制小波變換，可以保持信號(hào)的時(shí)移不變形性，對信號(hào)的奇異點(diǎn)進(jìn)行檢測。趙建平等[5]用二進(jìn)離散小波變換提取信號(hào)回波邊緣特征，到了四階以上就對4 種湖底介質(zhì)返回的無規(guī)、低SNR 信號(hào)有很高的分辨力，而且離散二進(jìn)小波變換計(jì)算量小，有快的處理速率。卜英勇等[6]針對傳統(tǒng)Hilbert 變換復(fù)解析信號(hào)時(shí)遇到直流會(huì)出現(xiàn)毛刺的問題，構(gòu)造了新的包絡(luò)濾波器，使信號(hào)的實(shí)對稱小波滿足條件以得到信號(hào)的包絡(luò)，用離散小波變換提取信號(hào)包絡(luò)尾部特征，分辨出細(xì)、中、粗沙和礫石4 種水底介質(zhì)。離散小波變換提取信號(hào)特征較連續(xù)小波變換計(jì)算量小，可以在提取信號(hào)特征的同時(shí)起到壓縮的作用，處理速度快。目前對于奇異點(diǎn)處目標(biāo)信號(hào)特征提取，二進(jìn)離散小波變換是一種非常有效的手段，可以得到目標(biāo)的表面形狀、結(jié)構(gòu)、材料等特征。張靜遠(yuǎn)等[7]基于小波變換實(shí)現(xiàn)了包括奇異性特征提取在內(nèi)的4種特征提取方法，另外3 種分別是提取的信號(hào)能量特征、熵特征以及適應(yīng)性小波網(wǎng)絡(luò)的特征，得到了很好的效果。上述幾種小波變換方法進(jìn)行的特征提取雖然效果都很好，但都是對水底不同類型的底質(zhì)回波信號(hào)進(jìn)行特征提取，與實(shí)際目標(biāo)特征關(guān)系不是很大。郭雪松[8]基于李秀坤對彈性亮點(diǎn)模型特征的研究，提出將連續(xù)小波變換和離散小波變換應(yīng)用于目標(biāo)彈性亮點(diǎn)干涉譜的提取。該研究更加貼近于水雷、潛艇等實(shí)際目標(biāo)。CANG 等[9]使用二階同步壓縮變換提取信號(hào)特征，他們先對信號(hào)進(jìn)行連續(xù)小波變換，再計(jì)算解調(diào)信號(hào)頻率初值估計(jì)，最后重新分配壓縮連續(xù)小波變換，較通常的小波變換有更強(qiáng)的時(shí)頻特征提取能力。

低頻分析和記錄（Low Frequency Analysis and Recording，LOFAR）、噪聲包絡(luò)調(diào)制檢測（Detection of Enveloped Modulation on Noise，DEMON）是2種常用的信號(hào)分析手段[10]，前者可以提取信號(hào)中寬帶線譜特征，卻無法提取信號(hào)的軸頻和倍頻特征，后者可以解調(diào)以提取信號(hào)的低頻包絡(luò)譜，從而提取信號(hào)中的軸頻、葉頻等特征。二者互補(bǔ)中可以提取出較為準(zhǔn)確的信號(hào)時(shí)頻特征，是如今水下大型航行體低頻特征提取的常用方法。需要注意的是，傳統(tǒng)的LOFAR 譜與DEMON 譜相結(jié)合進(jìn)行特征提取時(shí)，可能會(huì)出現(xiàn)2 類特征的“兼并”現(xiàn)象，無法分辨出是2 個(gè)信號(hào)特征，導(dǎo)致特征的遺漏。針對于此，CHO 等[11]提出來一種基于調(diào)制譜圖域的水下信號(hào)綜合分析算法，可以分辨不同信號(hào)特征的視覺差異，提高計(jì)算效率，對“兼并”現(xiàn)象有一定的改進(jìn)效果。

1.3 基于人體感官特征提取

基于人體感知的特征提取也可以處理水下大型航行體特征，而且有利于聲吶操作人員判斷目標(biāo)的類型。

聽覺方面：之前已有基于聽覺響度的特征提取計(jì)算模型，但響度易受到海況等因素的影響。因此，楊陽[12]研究了基于音色參量的聲吶回波特征，結(jié)合高階譜，可以更有效地抑制噪聲，提高信混比。音色參量和高階譜的結(jié)合可以減小海況對信號(hào)特征提取的影響，有利于更準(zhǔn)確地識(shí)別目標(biāo)特征。吳姚振[13]提出了5 種基于聽覺濾波的特征提取方法，其性能優(yōu)于傳統(tǒng)的MFCC、LPCC、PLP 方法。不過他的實(shí)驗(yàn)是在加性噪聲的前提下進(jìn)行的，對加性和卷積混合的噪聲并沒有分析。

視覺方面：基于人體視覺感官的特征提取一般是二維特征提取，可以對水下圖像進(jìn)行特征提取。計(jì)算機(jī)視覺工具是不可或缺的一個(gè)重要工具，ZHANG 等[14]將視覺檢測應(yīng)用于水下圖像特征提取求解魯棒性問題，形成了更穩(wěn)定、更貼近人類認(rèn)知機(jī)制的特征提取算法。NAGARAJA 等[15]先利用同態(tài)濾波、曲波去噪和LBP 擴(kuò)散相結(jié)合增強(qiáng)水下圖像，再從中提取出有效的、魯棒性的特征，可以提高圖像特征的識(shí)別度。

上述幾種基于人體感官的特征提取在實(shí)際應(yīng)用中有一定的優(yōu)勢，但并不完善，無法完全貼合人體的感覺以分辨不同的目標(biāo)，所以此類特征提取方法仍有發(fā)展空間。

1.4 傳統(tǒng)方法的局限性

針對水下大型航行體遠(yuǎn)場低頻特征，傳統(tǒng)的方法通常在預(yù)處理和特征提取過程中需要一定的先驗(yàn)知識(shí)，并且需要引入某些假設(shè)，容易出現(xiàn)信息丟失的問題。雖然現(xiàn)存的水下航行體聲學(xué)不變特征的提取方法五花八門，但由于開展水下試驗(yàn)需要投入大量人力物力，數(shù)據(jù)獲取代價(jià)較大，普遍缺乏對水下航行體的系統(tǒng)性認(rèn)識(shí)，提取結(jié)果往往易受非目標(biāo)干擾影響，不僅如此，復(fù)雜的水聲環(huán)境、目標(biāo)的運(yùn)動(dòng)姿態(tài)等因素也對特征提取增加了難度。從文獻(xiàn)可知，現(xiàn)存的水聲目標(biāo)特征提取方法大多不能實(shí)現(xiàn)對非目標(biāo)特征、環(huán)境噪聲和目標(biāo)噪聲的有效分離，提取結(jié)果往往包含大量的非目標(biāo)干擾，這無疑給下一步的特征鑒別造成了一定困難。因此，研究人員致力于尋找性能更優(yōu)的智能方法。

2 水下低頻特征提取早期智能方法

針對水下大型航行體低頻特征的提取與鑒別，智能的方法有專家系統(tǒng)、統(tǒng)計(jì)類方法和人工神經(jīng)網(wǎng)絡(luò)方法。其中專家系統(tǒng)依靠領(lǐng)域內(nèi)專業(yè)知識(shí)來推理分析目標(biāo)特征，以實(shí)現(xiàn)目標(biāo)識(shí)別；統(tǒng)計(jì)類方法依靠各種判決系統(tǒng)來分類識(shí)別目標(biāo)，如支持向量機(jī)（SVM）[16-18]；淺層人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）方法是目標(biāo)識(shí)別領(lǐng)域潛力最大也是最為火熱的目標(biāo)識(shí)別方法。

在人工神經(jīng)網(wǎng)絡(luò)推廣之前，最早的水下航行體特征分類算法是經(jīng)典統(tǒng)計(jì)模式分類方法[19]，它利用之前已經(jīng)收集到目標(biāo)特征范例進(jìn)行統(tǒng)計(jì)分析和基于距離度量的模式匹配，這種方法在當(dāng)時(shí)對可識(shí)別目標(biāo)的決策速度很快，但難以識(shí)別與模板不匹配的目標(biāo)。20世紀(jì)70年代，基于模型的算法、知識(shí)的算法和模糊集合理論的分類技術(shù)被廣泛應(yīng)用于水聲目標(biāo)識(shí)別，這些算法、技術(shù)的性能要優(yōu)于傳統(tǒng)的統(tǒng)計(jì)模式分類方法，然而實(shí)現(xiàn)較為復(fù)雜、知識(shí)驗(yàn)證和獲取困難、主觀性太強(qiáng)使它們的發(fā)展受到了限制。80年代，人工神經(jīng)網(wǎng)絡(luò)技術(shù)被應(yīng)用于水聲領(lǐng)域的目標(biāo)自動(dòng)識(shí)別，為后來的自動(dòng)識(shí)別技術(shù)打開了良好的開端。21世紀(jì)初，深度神經(jīng)網(wǎng)絡(luò)步入歷史的舞臺(tái)，水聲工作者也由此嘗試使用深度神經(jīng)網(wǎng)絡(luò)提取常規(guī)方法難以分辨的深度特征，并且取得了良好的進(jìn)展。如今，水下大型航行體特征提取方法引入了深度學(xué)習(xí)模型，基于深度神經(jīng)網(wǎng)絡(luò)的各種方法層出不窮，在許多應(yīng)用中展現(xiàn)了強(qiáng)大的特征提取能力和優(yōu)秀的識(shí)別效果。

人工神經(jīng)網(wǎng)絡(luò)技術(shù)是模仿大腦神經(jīng)元的結(jié)構(gòu)而發(fā)明的，包含許多結(jié)構(gòu)單元，可以根據(jù)學(xué)習(xí)方式及內(nèi)容不同而具有不同的功能。神經(jīng)網(wǎng)絡(luò)減少了聲吶操作人員的工作量，提高了效率。神經(jīng)網(wǎng)絡(luò)的使用可以分為2 個(gè)階段：第1 個(gè)階段是學(xué)習(xí)階段，第2個(gè)階段是應(yīng)用階段。神經(jīng)網(wǎng)絡(luò)通過學(xué)習(xí)集（Learning Set）作為輸入信號(hào)，分類識(shí)別已知參數(shù)的目標(biāo)，以此來訓(xùn)練該神經(jīng)網(wǎng)絡(luò)，類似與人類學(xué)習(xí)知識(shí)。當(dāng)該神經(jīng)網(wǎng)絡(luò)可以達(dá)到一定的識(shí)別率之后，進(jìn)入應(yīng)用階段，可以用來分類判決未知的目標(biāo)信號(hào)，以此達(dá)到最終自動(dòng)識(shí)別目標(biāo)的效果。目前自動(dòng)目標(biāo)識(shí)別技術(shù)還未發(fā)展至最終成熟階段，基于人工神經(jīng)網(wǎng)絡(luò)得到的識(shí)別結(jié)果并不能完全被信賴，所以很多時(shí)候是機(jī)器自動(dòng)識(shí)別與操作人員的判斷相結(jié)合，以提高識(shí)別的準(zhǔn)確率。

2.1 早期神經(jīng)網(wǎng)絡(luò)特征提取

水聲領(lǐng)域使用的神經(jīng)網(wǎng)絡(luò)有BP 神經(jīng)網(wǎng)絡(luò)、反饋神經(jīng)網(wǎng)絡(luò)、RBF 神經(jīng)網(wǎng)絡(luò)[20-21]、自組織競爭神經(jīng)網(wǎng)絡(luò)、有限脈沖神經(jīng)網(wǎng)絡(luò)[22]、概率神經(jīng)網(wǎng)絡(luò)[23]、深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)等多種類型。其中RBF 神經(jīng)網(wǎng)絡(luò)有著良好逼近能力、分類能力和學(xué)習(xí)速度，而且不易陷入局部極小值、訓(xùn)練時(shí)間比BP 神經(jīng)網(wǎng)絡(luò)時(shí)間短，但是目前對水下大型航行體特征的研究較少，沒有BP 神經(jīng)網(wǎng)絡(luò)的應(yīng)用廣泛。在很多深度模型中也需要BP 網(wǎng)絡(luò)來調(diào)整參數(shù)。

BP 神經(jīng)網(wǎng)絡(luò)的誕生是 20世紀(jì) 80年代的RUMELHART 和McClelland 對神經(jīng)網(wǎng)絡(luò)的第3 次里程碑式的優(yōu)化，否定了之前研究人員認(rèn)為多層感知器毫無意義的觀點(diǎn)[24]，從此神經(jīng)網(wǎng)絡(luò)進(jìn)入了快速擴(kuò)張的時(shí)期?；贐P 算法的多層感知器較單層感知器有強(qiáng)大的非線性映射能力、泛化能力和容錯(cuò)能力[25]。每一個(gè)BP 神經(jīng)網(wǎng)絡(luò)至少包含3 層結(jié)構(gòu)，即輸入層、隱含層和輸出層，有時(shí)候也可以有多個(gè)隱含層。BP 算法的學(xué)習(xí)過程包括輸入信號(hào)的正向傳播和誤差的逆向傳播2 部分，如果輸出信號(hào)誤差超出期望值，它就會(huì)轉(zhuǎn)向誤差逆向傳播，調(diào)整各層權(quán)值，再進(jìn)行計(jì)算輸出，周而復(fù)始，直到誤差符合期望或者達(dá)到預(yù)設(shè)循環(huán)次數(shù)，學(xué)習(xí)過程結(jié)束，該神經(jīng)網(wǎng)絡(luò)進(jìn)入應(yīng)用階段。

傳統(tǒng)的BP 網(wǎng)絡(luò)收斂速度慢，國內(nèi)外研究人員對于該缺點(diǎn)，常用的解決辦法有動(dòng)態(tài)調(diào)整學(xué)習(xí)步長、自適應(yīng)改變慣性權(quán)值等[26]，對于易受局部極小值影響的缺點(diǎn)，王菲提出了一種基于自適應(yīng)遺傳BP算法[27]，與之前利用動(dòng)量規(guī)則的改進(jìn)算法比較，都可以改進(jìn)傳統(tǒng)的BP 算法，王菲的自適應(yīng)遺傳BP 算法效果更優(yōu)；自1992年，ZHANG[28]提出小波神經(jīng)網(wǎng)絡(luò)的概念，許多學(xué)者將其不斷優(yōu)化，BAKSHI[29]將小波函數(shù)和尺度函數(shù)結(jié)合，給出了網(wǎng)絡(luò)的全局誤差和局部誤差的指標(biāo)，ZHANG 等[30]將正交小波基引入神經(jīng)網(wǎng)絡(luò)，不過這種正交小波網(wǎng)絡(luò)的解析形式很難構(gòu)造，因此目前在實(shí)際中應(yīng)用較少；SZU[31]提出共軛梯度算法的小波神經(jīng)網(wǎng)絡(luò)，比文獻(xiàn)[28]的隨機(jī)梯度算法更快。ZHANG 等[32]以人工魚群算法（AFSA）[33]為基礎(chǔ)，提出了一種改進(jìn)的神經(jīng)網(wǎng)絡(luò)，該神經(jīng)網(wǎng)絡(luò)也可以優(yōu)化傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)收斂速度慢和易陷入局部最優(yōu)的問題。袁駿等[34]將主成分分析（PCA）方法與BP 神經(jīng)網(wǎng)絡(luò)結(jié)合，實(shí)驗(yàn)結(jié)果表明，在主成分個(gè)數(shù)較少時(shí)，可以有效提高目標(biāo)識(shí)別率，但是當(dāng)主成分個(gè)數(shù)較多時(shí)會(huì)降低識(shí)別率，因此需要合理選擇主成分個(gè)數(shù)。

2.2 早期智能方法的局限性

早期智能方法中，專家系統(tǒng)存在可移植性差、學(xué)習(xí)能力差、上限低等問題，支持向量機(jī)對大規(guī)模的訓(xùn)練樣本處理能力不足，并且難以勝任多分類問題，傳統(tǒng)的BP 神經(jīng)網(wǎng)絡(luò)收斂速度較慢，在遇到2種類別的目標(biāo)數(shù)量差距較大時(shí)，小類目標(biāo)的識(shí)別率很低，而且在多層網(wǎng)絡(luò)中容易出現(xiàn)梯度消失的問題，所謂的梯度消失，是當(dāng)BP 網(wǎng)絡(luò)層數(shù)較低時(shí)，可以得到較好的目標(biāo)識(shí)別效果，但隨層數(shù)的增加，BP 神經(jīng)網(wǎng)絡(luò)無法正常完成學(xué)習(xí)階段。這是由于BP神經(jīng)網(wǎng)絡(luò)使用的sigmoid 激活函數(shù)，該函數(shù)的導(dǎo)數(shù)值域非常小。

如圖1所示，sigmoid 函數(shù)的導(dǎo)數(shù)取值范圍很小，當(dāng)神經(jīng)網(wǎng)絡(luò)的層數(shù)增加，多個(gè)sigmoid 函數(shù)的疊加作用下，就容易產(chǎn)生梯度消失問題，無法使BP 神經(jīng)網(wǎng)絡(luò)的參數(shù)得到優(yōu)化。

圖1 Sigmoid 函數(shù)及其導(dǎo)數(shù)Fig.1 Sigmoid function and its derivative

綜合來看，雖然有許多研究人員對BP 網(wǎng)絡(luò)做了一些改進(jìn)，但仍有各自的缺陷存在。因此，傳統(tǒng)的BP 神經(jīng)網(wǎng)絡(luò)在水下大型航行體目標(biāo)特征提取和識(shí)別中發(fā)揮的作用有限，單純地對BP 神經(jīng)網(wǎng)絡(luò)優(yōu)化改進(jìn)無法滿足當(dāng)前水下低頻目標(biāo)特征提取和識(shí)別的需求，因此，深度神經(jīng)網(wǎng)絡(luò)逐漸成為研究的熱點(diǎn)。

3 深度神經(jīng)網(wǎng)絡(luò)特征提取方法

由于多層BP 神經(jīng)網(wǎng)絡(luò)容易出現(xiàn)梯度消失問題，所以當(dāng)時(shí)深層的神經(jīng)網(wǎng)絡(luò)在各個(gè)領(lǐng)域一度陷入灰暗。直到2006年，HINTON 等[35]提出深度置信網(wǎng)絡(luò)（DBN）這種快速算法，將深度學(xué)習(xí)帶入新的發(fā)展階段。時(shí)至今日，深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)已被廣泛應(yīng)用于包括水聲在內(nèi)的各個(gè)領(lǐng)域。

深度神經(jīng)網(wǎng)絡(luò)較其他方法可以學(xué)習(xí)到更穩(wěn)定的深度特征，這些深度特征有更高級(jí)的不變性，對于獲得水下大型航行體的特征更有優(yōu)勢。目前針對水下大型航行體目標(biāo)的特征提取和識(shí)別，常用的深度神經(jīng)網(wǎng)絡(luò)方法有：深度置信網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）、自編碼器（AE）神經(jīng)網(wǎng)絡(luò)和其他神經(jīng)網(wǎng)絡(luò)。其他神經(jīng)網(wǎng)絡(luò)主要指生成對抗網(wǎng)絡(luò)（GAN）和遷移學(xué)習(xí)使用的深度網(wǎng)絡(luò)。

3.1 DBN 特征提取

國外學(xué)者HINTON 等[35-36]提出了一種深度網(wǎng)絡(luò)結(jié)構(gòu) DBN，其基本結(jié)構(gòu)為受限玻爾茲曼機(jī)（RBM），如圖2所示，RBM 結(jié)構(gòu)中同一層的神經(jīng)元之間沒有連接，相鄰的顯層和隱層之間的神經(jīng)元全連接。DBN 在訓(xùn)練時(shí)采用逐層貪婪的算法，以層層遞進(jìn)的方式，將前一層網(wǎng)絡(luò)訓(xùn)練好之后再訓(xùn)練下一層，這種方法弱化了梯度消失的問題。近些年國內(nèi)外對此有多種應(yīng)用。

圖2 RBM 結(jié)構(gòu)Fig.2 Structure of RBM

KAMAL 等[37]使用深度置信神經(jīng)網(wǎng)絡(luò)在航行體信號(hào)中提取深層次的不變性特征，相對于人工設(shè)計(jì)的傳統(tǒng)特征提取方法更加穩(wěn)定，在多種干擾源干擾的情況下，該深度置信網(wǎng)絡(luò)在實(shí)例測試集上的分類識(shí)別正確率達(dá)到了90.23%。王強(qiáng)和曾向陽[18]使用DBN 和CNN 對實(shí)測水聲數(shù)據(jù)進(jìn)行特征提取和識(shí)別，并與傳統(tǒng)的SVM 分類識(shí)別MFCC 特征作比較，其結(jié)果由于數(shù)據(jù)量的限制，三者相差不大，是水聲學(xué)引入深度神經(jīng)網(wǎng)絡(luò)的一次嘗試。近年來西北工業(yè)大學(xué)楊宏暉老師所在的團(tuán)隊(duì)對DBN 也有研究[38-41]：在DBN 中引入互信息分組策略結(jié)合而成的MIGS-DBN 可以稀疏傳統(tǒng)的DBN 提取的特征，使模型更加簡潔高效；在CDBN 模型中，首先初始化的單元分組，然后在競爭層中獲得隱層單元中特征較優(yōu)的分組，從而實(shí)現(xiàn)了較少的特征與較高的正確識(shí)別率并存；此外，在競爭網(wǎng)絡(luò)中再進(jìn)行剪枝處理，將冗余的參數(shù)去除，再次提高了深度網(wǎng)絡(luò)的效率。YUE 等[42-43]構(gòu)建的DBN 模型用于艦船輻射噪聲的特征提取和識(shí)別，其分類結(jié)果的正確率達(dá)到了 96%以上。XIE 等[44]的深度玻爾茲曼機(jī)（DBM）模型與DBN 模型類似，也取得了優(yōu)秀的特征提取效果，對水聲信號(hào)的識(shí)別正確率在90%以上。在姚思冰的研究中[45]，將測試樣本的線譜特征、LOFAR 譜特征、MFCC 特征和DEMON 譜特征分別作為DBN 的輸入，對水面目標(biāo)進(jìn)行識(shí)別，其總體識(shí)別率在80%～90%。

綜合國內(nèi)外的研究來看，DBN 方法一方面可以依靠自身完整的深度網(wǎng)絡(luò)結(jié)構(gòu)提取目標(biāo)特征并識(shí)別，也可以與傳統(tǒng)特征提取方法相結(jié)合，處理傳統(tǒng)方法預(yù)處理過的特征數(shù)據(jù)集，從文獻(xiàn)的研究來看，其識(shí)別結(jié)果都比較優(yōu)秀。

3.2 CNN 征提取

卷積神經(jīng)網(wǎng)絡(luò)最初是為了二維形狀的識(shí)別而被設(shè)計(jì)出來的，對于圖像類的特征提取與分類識(shí)別性能很好，同時(shí)也可以用于水下大型航行體的特征提取與鑒別。一般卷積神經(jīng)網(wǎng)絡(luò)都是多層的深度結(jié)構(gòu)，其組成是輸入層、多個(gè)卷積層和池化層交替連接、全連接層、輸出層。其中的卷積層是卷積神經(jīng)網(wǎng)絡(luò)的核心，也是該種神經(jīng)網(wǎng)絡(luò)的主要特征，卷積層中有多個(gè)卷積核，來提取圖像的多個(gè)特征，使卷積神經(jīng)網(wǎng)絡(luò)有更好的識(shí)別效果?，F(xiàn)在的應(yīng)用多為改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)，研究者們根據(jù)不同的任務(wù)來設(shè)計(jì)相應(yīng)的卷積網(wǎng)絡(luò)結(jié)構(gòu)。

王小宇等[46]將卷積層中的卷積核設(shè)為1，并且以全局平均池化層（GAP）代替全連接層，可以把原始時(shí)域信號(hào)作為輸入，更加突出目標(biāo)信號(hào)的局部特征，而且提高了結(jié)果的可解釋性。金磊磊等[47]使用的卷積神經(jīng)網(wǎng)絡(luò)對聲吶圖像進(jìn)行識(shí)別，他們將輸入的數(shù)據(jù)先經(jīng)過顯著性分割處理，并且引入金字塔池化層（SSP），可以將輸入數(shù)據(jù)的維數(shù)統(tǒng)一，聲吶圖像識(shí)別提高了便利性，并且有良好的準(zhǔn)確性和實(shí)時(shí)性。WILLIAMS[48-49]使用深度卷積神經(jīng)網(wǎng)絡(luò)對合成孔徑聲吶圖像進(jìn)行分類識(shí)別，較傳統(tǒng)的分類器有更卓越的性能。深度卷積神經(jīng)網(wǎng)絡(luò)在目前的水下目標(biāo)識(shí)別方面已經(jīng)是非常先進(jìn)高效的特征提取和分類識(shí)別方法。PARK 等[50]以CNN 模型處理聲吶低頻分析和記錄（LOFAR）譜圖，將LOFAR 譜圖分為曉得斑塊來尋找其中的頻率特征，從而實(shí)現(xiàn)快速、高精度的自動(dòng)化識(shí)別船舶目標(biāo)。

近五年，基于聽覺感知的CNN 特征提取模型展現(xiàn)出了很好的性能[51-56]。聽覺感知模型模擬人耳對聲音的感知過程，以原始聲學(xué)信號(hào)作為輸入，在“耳蝸”部分由時(shí)間卷積層將輸入信號(hào)進(jìn)行初始化；在“聽覺皮層”部分，由置換層、能量池化層、二維頻率卷積層、全連接層、全局平均池化層等將初始化的信號(hào)轉(zhuǎn)換到頻域，并且可以保留局部性特征并減少船舶噪聲的頻譜變化；最后通過目標(biāo)函數(shù)對網(wǎng)絡(luò)進(jìn)行優(yōu)化并分類識(shí)目標(biāo)。文獻(xiàn)[57]對傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的卷積核特征提取方式進(jìn)行改進(jìn)，使提取的特征具有物理意義，增強(qiáng)了深度特征的可解釋性。DOAN 等[58]也是將原始的時(shí)域信號(hào)作為輸入，用深度DNN 進(jìn)行特征提取和識(shí)別，在0 dB 的信噪比下對聲吶數(shù)據(jù)的整體識(shí)別精度達(dá)到了98.85%。此外，哈爾濱工程大學(xué)[17，59-61]、國防科技大學(xué)[43]、中國艦船研究院[62]、杭州電子科技大學(xué)[63]均對水下目標(biāo)特征提取和分類識(shí)別的CNN 模型有所研究。

CNN 還可以作為一個(gè)完整深度神經(jīng)網(wǎng)絡(luò)框架的一部分來發(fā)揮特征提取的作用。在文獻(xiàn)[64]中，SONG 等提出了一種雙路徑循環(huán)神經(jīng)網(wǎng)絡(luò)模型，該模型的作用主要是實(shí)現(xiàn)水聲信號(hào)的降噪處理，模型包括特征提取、模板分離和信號(hào)回復(fù)3 個(gè)部分，其中特征提取部分就是使用的CNN 來提取信號(hào)的高階非線性特征并進(jìn)行分塊處理。

CNN 在各個(gè)領(lǐng)域的應(yīng)用都極為廣泛，從國內(nèi)外的文獻(xiàn)來看，在特征提取和目標(biāo)識(shí)別領(lǐng)域，CNN方法也是所有深度網(wǎng)絡(luò)方法中應(yīng)用最多的，這與其優(yōu)秀的特征提取能力和識(shí)別精度、便于構(gòu)建的網(wǎng)絡(luò)結(jié)構(gòu)密切相關(guān)。

3.3 RNN 特征提取

聲音信號(hào)作為一種序列信號(hào)，是與時(shí)間有關(guān)的。RNN 對時(shí)間先后相關(guān)的數(shù)據(jù)集處理的能力極為優(yōu)秀，它的結(jié)構(gòu)特點(diǎn)是：隱層的輸入不僅來自于顯層，而且與隱層上一時(shí)刻的輸出有關(guān)，RNN 可以讓信息在網(wǎng)絡(luò)中循環(huán)，在進(jìn)行當(dāng)前任務(wù)時(shí)調(diào)用以往的信息。

RNN 中有一種典型的網(wǎng)絡(luò)結(jié)構(gòu)是長短期記憶網(wǎng)絡(luò)（Long Short Term Memory，LSTM）[65]。LSTM網(wǎng)絡(luò)改進(jìn)了RNN 時(shí)間跨度小，不能長期依賴的問題。在水聲領(lǐng)域中，RNN 可以與CNN 組合使用。Das 等[66]將LSTM 網(wǎng)絡(luò)應(yīng)用于水聲傳感器網(wǎng)絡(luò)異常檢測；MU 等[26]將LSTM 網(wǎng)絡(luò)引入AUV 導(dǎo)航，比之前的方法有更好的精度和容錯(cuò)性；盧安安[17]建立了多隱層的DBLSTM 模型作為目標(biāo)識(shí)別的主網(wǎng)絡(luò)，可以保留有意義的梯度，這有利于水聲目標(biāo)識(shí)別。MU 和盧的研究中都證明了雙向LSTM 網(wǎng)絡(luò)優(yōu)于單向LSTM 網(wǎng)絡(luò)，盧的實(shí)驗(yàn)還證明了LSTM網(wǎng)絡(luò)優(yōu)于常規(guī)的RNN 和DNN。正因如此，LSTM 網(wǎng)絡(luò)越來越受水聲研究者的喜愛。KAMAL 等將CNN與雙向長短時(shí)記憶網(wǎng)絡(luò)（BLSTM）結(jié)合，可以減輕淺水聲信號(hào)頻譜–時(shí)間變量的影響[67-68]。ZHANG 等[69]所使用的遞歸和卷積神經(jīng)網(wǎng)絡(luò)（R&CNN）由循環(huán)層、卷積層和全連接層組成，該深度神經(jīng)網(wǎng)絡(luò)結(jié)合RNN 和CNN 二者，提高了神經(jīng)網(wǎng)絡(luò)的自動(dòng)提取特征能力和學(xué)習(xí)能力，在對比實(shí)驗(yàn)中的識(shí)別精度達(dá)到了最高，并且所消耗的平均時(shí)間也較少。

如今國內(nèi)外用RNN 處理水聲低頻特征提取和識(shí)別任務(wù)的研究比較匱乏，RNN 的設(shè)計(jì)是針對時(shí)間相關(guān)的信號(hào)，而時(shí)域的水聲信號(hào)正是一種時(shí)間序列信號(hào)，因此在以后的研究中，可能會(huì)有越來越多的RNN 方法應(yīng)用于水下低頻特征提取和識(shí)別中。

3.4 AE 神經(jīng)網(wǎng)絡(luò)特征提取

AE 神經(jīng)網(wǎng)絡(luò)也是水下大型航行體特征提取效果很好的一種神經(jīng)網(wǎng)絡(luò)。單個(gè)AE 一般由編碼器和解碼器組成，經(jīng)過編碼和解碼之后要求輸出逼近輸入。多個(gè)AE 堆棧形成的棧式自編碼器（SAE），也是一種深度結(jié)構(gòu)。AE 神經(jīng)網(wǎng)絡(luò)可以無監(jiān)督地提取特征，不需要已知的標(biāo)簽標(biāo)注，因此在許多水下目標(biāo)特征提取的場景中有許多優(yōu)勢。

國內(nèi)外的研究中，CAO 等[70]建立的SAE-softmax模型利用堆棧稀疏AE 神經(jīng)網(wǎng)絡(luò)提取航行體信號(hào)譜圖中的深度特征，稀疏AE 神經(jīng)網(wǎng)絡(luò)還可以提取其中隱藏的相關(guān)性特征，使用該SAE-softmax 模型對三類真實(shí)水聲目標(biāo)進(jìn)行分類識(shí)別，其正確識(shí)別結(jié)果均在92%以上，整體識(shí)別率達(dá)到了94.12%。在此基礎(chǔ)上，CAO 等[71]將各個(gè)子帶的軸頻特征、高維對數(shù)功率譜特征（LPS）和小波包分量能量特征（WPCE）聯(lián)合構(gòu)建多域特征，作為堆疊稀疏自編碼器（SSAE）的輸入，較單域特征更有優(yōu)勢。YANG等[72]使用去噪AE 和稀疏AE 對水下接收信號(hào)的調(diào)制類型進(jìn)行識(shí)別，在低信噪比的環(huán)境中可以保留較好的魯棒性。SATHEESH 等[73]提出一種超參數(shù)的變分自編碼器（β-VAE）的無監(jiān)督生成框架，在航行體信號(hào)的分類識(shí)別中表現(xiàn)出優(yōu)秀的成績。陳卓[74]使用稀疏降噪AE 對被動(dòng)聲吶數(shù)據(jù)進(jìn)行特征提取，鞠東豪等[75]使用堆棧稀疏去噪AE 訓(xùn)練特征提取神經(jīng)網(wǎng)絡(luò)，宋奎勇等[76]使用去噪AE 和不同的降維方法進(jìn)行特征級(jí)融合，這些研究展現(xiàn)了AE 神經(jīng)網(wǎng)絡(luò)在水聲數(shù)據(jù)的特征提取中強(qiáng)大的無監(jiān)督處理數(shù)據(jù)的能力。

綜上，AE 網(wǎng)絡(luò)的深度模型常用的是SAE，由多層編碼器與解碼器堆疊而成，在其中加入稀疏、去噪等功能較為常見，其強(qiáng)大的無監(jiān)督提取特征的能力深受研究人員喜愛。

3.5 其他神經(jīng)網(wǎng)絡(luò)特征提取

在水聲目標(biāo)的特征提取領(lǐng)域，除了上述幾種發(fā)展比較成熟的深度智能方法，還有GAN 和遷移學(xué)習(xí)的新興方法。二者相較于其他的深度模型，所需的數(shù)據(jù)量更小，是新興的2 種針對水下大型航行體特征的分析方法。

對于GAN 模型，文獻(xiàn)[77]以基于GAN 的模型提取深層特征進(jìn)行水聲信號(hào)的識(shí)別實(shí)驗(yàn)，在低信噪比下的正確識(shí)別率可以達(dá)到85%以上，較相同數(shù)據(jù)集訓(xùn)練的CNN 模型更高。文獻(xiàn)[78]將self-attention模塊引入GAN 模型，生成了高質(zhì)量的LOFAR 譜樣本，在數(shù)據(jù)不足的情況下可以提高模型的準(zhǔn)確度。文獻(xiàn)[79]使用輔助分類器生成對抗網(wǎng)絡(luò)（ACGAN），使用無監(jiān)督學(xué)習(xí)的方式進(jìn)行對抗訓(xùn)練，對從印度洋獲取的水聲數(shù)據(jù)進(jìn)行分類識(shí)別實(shí)驗(yàn)，其結(jié)果較監(jiān)督、非對抗式的對比模型更優(yōu)。

對于遷移學(xué)習(xí)方法，JIN 等[80]通過ImageNet上大量的光學(xué)圖像數(shù)據(jù)集遷移學(xué)習(xí)少量的聲吶圖像數(shù)據(jù)，實(shí)現(xiàn)了快速高效的聲吶圖像特征提取和識(shí)別。李俊豪等[81]提出了一種聽覺感知的深度卷積網(wǎng)絡(luò)（ADCNN）遷移模型，以已有的艦船輻射噪聲大量數(shù)據(jù)訓(xùn)練該網(wǎng)絡(luò)后，將特征參數(shù)遷移到小樣本的識(shí)別任務(wù)中。實(shí)驗(yàn)表明：以遷移學(xué)習(xí)的方法較之前小樣本識(shí)別的正確率提高了4.17%。胡鋼[82]、劉璐[83]研究的模型中，均是在大量ImageNet 圖像中訓(xùn)練出參數(shù)后，通過遷移學(xué)習(xí)引入水聲領(lǐng)域，令原水聲目標(biāo)識(shí)別的準(zhǔn)確率得到提高。

3.6 深度神經(jīng)網(wǎng)絡(luò)方法的局限性

深度神經(jīng)網(wǎng)絡(luò)對先驗(yàn)知識(shí)的依懶性不強(qiáng)，但是DBN，CNN 和RNN 想要發(fā)揮出優(yōu)異的性能，對數(shù)據(jù)量及數(shù)據(jù)格式有較為苛刻的要求，這對于水下大型航行體特征而言是很難實(shí)現(xiàn)的，有時(shí)需要付出巨額的成本。而小樣本的GAN、遷移學(xué)習(xí)方法屬于新興的技術(shù)手段，還存在許多未知的挑戰(zhàn)。對于遷移學(xué)習(xí)來說，所基于的大數(shù)據(jù)圖像和所要實(shí)際分類的聲吶圖像之間的統(tǒng)計(jì)特征會(huì)有一定的區(qū)別，這樣進(jìn)行微調(diào)的時(shí)候缺乏跨域適應(yīng)性，可能無法獲得令人滿意的遷移效果。

此外，智能方法中深度神經(jīng)網(wǎng)絡(luò)存在一種“黑箱”性質(zhì)，這意味著不知道神經(jīng)網(wǎng)絡(luò)如何以及為何會(huì)得出一定的輸出，在水下大型航行體遠(yuǎn)場低頻特征提取問題中這是缺乏可解釋性的，因此深度模型對水下航行體特征的識(shí)別結(jié)果往往并不能被完全信賴。

4 結(jié)束語

對于小樣本的大型航行體遠(yuǎn)場低頻特征提取問題，依靠大數(shù)據(jù)提高性能的深度網(wǎng)絡(luò)在未來的應(yīng)用中可能略顯無力，而對于GAN、遷移學(xué)習(xí)等對數(shù)據(jù)依賴不大的深度神經(jīng)網(wǎng)絡(luò)方法，在這些場景中可能會(huì)發(fā)揮出越來越重要的作用。使用累積數(shù)據(jù)訓(xùn)練好模型，再通過遷移學(xué)習(xí)的方法來解決新的小樣本問題將成為未來水下大型航行體遠(yuǎn)場低頻目標(biāo)特征提取和識(shí)別的常用方法。對于深度神經(jīng)網(wǎng)絡(luò)方法的可解釋性不足的問題，研究人員對此積極尋求解決方案，已經(jīng)有學(xué)者初步提出將高維特征低維化，以獲得可以解釋的特征，這將是未來的一個(gè)研究方向。結(jié)合傳統(tǒng)方法與智能方法各自的優(yōu)點(diǎn)，將低維、高維特征相結(jié)合來共同構(gòu)建水下大型航行體目標(biāo)的特征表達(dá)，更有利于正確識(shí)別目標(biāo)。未來，打破各種方法之間的壁壘，建立一種機(jī)器深度學(xué)習(xí)與專家系統(tǒng)、傳統(tǒng)方法更深度融合的水下航行體低頻特征鑒別機(jī)制，在水下大型航行體遠(yuǎn)場低頻特征提取和目標(biāo)識(shí)別任務(wù)中，有望改善各方法存在的不足。