Page 196 - 应用声学2019年第4期

656 2019 年 7 月

文献[18]给出了部分匹配重叠率和完全匹配重 本质上是由于线谱分布的频段有限，即模板库的容
叠率两个概念。部分匹配重叠率最大值 (至少有一 量有限，而待匹配样本数量远远大于模板库的容量，
根线谱与模板匹配)：对于某一模板，若样本LOFAR 当样本数量达到一定程度后，必然会造成模板与样
线谱中至少有 1 根与模板重合，则将该样本统计在 本的重叠。
内，直至所有样本比对完毕后，统计与该模板存在重 除此之外，线谱特征还与船舶的船体结构、运
合线谱的样本总数，即为该模板的匹配目标数，最终 动工况以及海洋环境等相关，再加上目标本身的一
取所有模板匹配目标数的最大值与总样本的比值。 些因素，这些都可能导致目标线谱不稳定，以上这些
完全匹配重叠率最大值 (所有线谱和模板匹配)：对 因素限制了利用线谱特征识别目标的能力。
于某一模板，若样本所含 LOFAR 线谱与模板线谱
完全重合，则将该样本统计在内，直至所有样本比对 2 深度学习技术在船舶辐射噪声识别中
完毕后，统计与该模板线谱完全重合的样本总数，即 的应用
为该模板的完全匹配目标数，最终取所有模板完全
匹配目标数的最大值与总样本的比值。 2.1 自编码神经网络
近年来，深度学习技术快速发展，在图像识别、
1.4.2 仿真计算 [18]
语音识别、自然语言处理等领域取得巨大进步。深
根据上述方法计算包含不同线谱数的模板匹
度学习模型的特点在于通过神经网络模型中的多
配率，仿真目标样本数为 10000 个，包含线谱数量
隐层结构能够自动提取数据特征，进而完成分类识
1∼3根，统计结果如表2所示。
别。自编码神经网络是一类典型的深度学习网络模
表 2 线谱模板匹配率统计分析 型，在特征压缩和特征自动提取方面具有很强的能
Table 2 Statistical analysis of matching 力。模型结构如图2所示。
rate of line spectrum template
x  ϕ x 
线谱 模板 仿真生成 部分匹配 完全匹配
数量 总数 样本个数 重叠率最大值 重叠率最大值 x  h x ϕ 
1 106 5450 9.94% 9.94% h 1
x  ϕ x 
2 103 3234 13.87% 1.78% h 2 xϕ
x x  ϕ x 
3 44 1316 18.74% 0.6%
h 3
x  ϕ x 
从表 2 可以看出，针对 10000 个目标样本，对 b 2
于含有 1 根线谱的模板而言，当含线谱样本个数为 x  ϕ x 
10000 时，最多有 994 个样本的线谱与模板有重合， b 
即对单根线谱模板来说，匹配重叠率为 9.94%；而
图 2 自编码神经网络
对于含有 3 根线谱的模板而言，最多有 1874 个样
本的线谱与模板存在有重合，最大匹配重叠率为 Fig. 2 Auto-encoder neural network
18.74%，这表明这一模板对应着大量的目标，即使
将多个自编码神经网络进行堆叠，使用第一层
某一目标线谱与此模板匹配，也不能认为该目标和
网络模型提取的h层信息作为下一层自编码神经网
模板具有一一对应关系。
络的输入，逐层提取输入数据的深度特征。该过程
以上分析结果表明模板所含线谱数量越多，越
如图3所示。
容易与样本线谱存在重合，虽然完全重合的概率很
低，但即使部分重合，仍会导致无法确认目标个体。 x h 1 h 2 h n֓ h n
AE  AE  AE n
也就是说，虽然模板与目标的线谱信息可能无法进
行完全匹配，但仍存在部分线谱匹配情况，且概率较 图 3 深度特征的逐层提取过程
高，严重干扰识别结果。分析上述现象产生的原因， Fig. 3 Extraction of depth features layer-by-layer