摘 要：近年來(lái)隨著深度學(xué)習(xí)理論在水聲領(lǐng)域的應(yīng)用，水中目標(biāo)識(shí)別技術(shù)研究取得了巨大進(jìn)步。然而在工程應(yīng)用實(shí)踐中，應(yīng)用傳統(tǒng)的特征提取和分類(lèi)器方法拼接得到的識(shí)別模型難以維持實(shí)驗(yàn)室性能，復(fù)雜多變的海洋信道使聲信號(hào)在傳感器接收前發(fā)生劇烈畸變，導(dǎo)致識(shí)別算法出現(xiàn)特征失配和過(guò)擬合問(wèn)題，算法性能急劇下降。針對(duì)以上問(wèn)題，提出了一種對(duì)抗殘差網(wǎng)絡(luò)（Ａｄｖｅｒｓａｒｉａｌ Ｒｅｓｉｄｕａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＡＲＮＮ） 模型，利用梯度反向?qū)樱ǎ牵颍幔觯椋簦?Ｒｅｖｅｒｓａｌ Ｌａｙｅｒ，ＧＲＬ） 結(jié)構(gòu)和雙標(biāo)簽對(duì)抗訓(xùn)練的方式補(bǔ)償了不同水文條件下信道傳播之間的差異性，使算法更能夠聚焦到能夠表征目標(biāo)本質(zhì)的特征上，具有更強(qiáng)的魯棒性和更高的識(shí)別率。為驗(yàn)證其有效性，設(shè)計(jì)了２ 次實(shí)驗(yàn)，分別利用在南海不同海域、不同水文條件下多次采集的艦船目標(biāo)機(jī)械輻射噪聲信號(hào)，制作訓(xùn)練樣本集和測(cè)試樣本集以訓(xùn)練和測(cè)試算法模型。結(jié)果表明，相較于支持向量機(jī)（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ，ＳＶＭ）、卷積神經(jīng)網(wǎng)絡(luò)（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＣＮＮ）、殘差網(wǎng)絡(luò)（Ｒｅｓｉｄｕａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＲｅｓＮｅｔ） 等傳統(tǒng)網(wǎng)絡(luò)模型，提出的ＡＲＮＮ 模型可以有效緩解特征失配和過(guò)擬合問(wèn)題，使模型具備不同水文條件下的可移植能力，解決人工智能技術(shù)在水中目標(biāo)識(shí)別工程應(yīng)用中的關(guān)鍵問(wèn)題。

關(guān)鍵詞：水中目標(biāo)識(shí)別；特征失配；過(guò)擬合；對(duì)抗訓(xùn)練；梯度反向?qū)?/p>

中圖分類(lèi)號(hào)：ＴＰ１８１ 文獻(xiàn)標(biāo)志碼：Ａ

文章編號(hào)：１００３－３１０６（２０２４）１０－２３５５－０７