Page 106 - 《应用声学》2019年第6期

1008 2019 年 11 月

时，为控制输入特征总维数，将不会采取扩帧的操作 辐射噪声作为目标信号，其实验条件如下：声源深
而直接将所有阵元的当前时间帧拼接在一起，但这 度为 5 m，水深 152 m，八阵元接收垂直阵深度为
样不能充分利用时间信息，所以总体上由于输入维 128 ∼ 135 m，阵元间隔 1 m；沉积层厚 24 m，声
3
数限制，阵列 DNN 不能同时充分利用时间和空间 速 1572 ∼ 1593 m/s，密度 1.76 g/cm ；水底为流体
3
上的信息。为解决这一问题，本文提出一种两阶段 半空间，声速 5200 m/s，密度 1.8 g/cm ；深度剖面
阵列DNN融合的处理方法。这是一个组合模型，其 为典型负梯度。本文选用时间段为 2009 年 1 月 31
结构如图 2 所示。第一阶段是增强阶段，将 M 个阵 日 01:43–02:05，期间目标匀速逐渐远离接收阵。本
元分为 Q 组，每一组 K 个阵元组成一个子阵，扩帧 文将公开数据集 SWellEX-96 [29] S5 实验中的信号
后采用阵列 DNN 进行训练，记为增强 DNN。这里 作为要去除的噪声，选取垂直阵前八个阵元的信
DNN 不进行 IRM 的训练，以便输出给下一个阶段。 号，所用时间段为 1996 年 5 月 10 日 23:15–23:58，其
这一阶段的每个 DNN 强调利用时间信息，但没有 有两个噪声源，较深的源发射信号为 65 个单频信
利用所有的阵元信息。第二阶段为融合阶段，在第 号和 FM chirp 信号，较浅的源发射另外 9 个单频
一阶段的 Q 个 DNN 之上进一步挖掘阵列的空间信 信号，所有单频信号在 49 ∼ 400 Hz 之间。依据公
息，记为融合 DNN。将增强阶段的 Q 个增强 DNN 式 (1) 合成阵列接收信号，单阵元接收 SNR 分别为
输出和所有阵元带噪 LPS 特征拼接在一起作为融 −10 dB、−5 dB、0 dB、5 dB、10 dB。训练信号是
合 DNN 的输入去映射目标信号的 LPS 和 IRM。融 将船辐射噪声数据的前17 min和SWellEX-96数据
合DNN的目标函数定义为 的前38 min 拆分成多个时间片段，进行随机组合按
1 NN

2 信噪比混合在一起，得到一个约 90 h 记录时间的训
∑
E INT =
ˆ ¯ ¯

S k (X k , W , b) − S k
NN 2 练集。测试集信号为船辐射噪声最后 6 min 数据和
k=1
SWellEX-96 最后6 min数据混合而成，因而是训练
1 NN
\
2
∑
¯

+ α
IRM k (X k , W , b) − IRM k
, (7) 数据集中不存在的，其信噪比设置与训练集相同。
NN 2
k=1 训练数据中的目标信号和噪声的时频图分别为图 3
¯
¯
˜
˜
¯
其中，X k = [S 1,k , · · · , S Q,k , Z 1,k , · · · , Z M,k ] 为融
和图 4，可以看出目标信号与噪声的频域分布不同，
合DNN 的输入向量，包含 Q 个增强 DNN 的当前帧
目标信号和噪声都既包含连续谱也包含强线谱。
˜
输出和所有阵元的带噪当前帧 LPS，S i,k 为上一阶
段的第 i 个 DNN 的输出。通过两阶段融合 DNN 模 500 10
0
型，可以充分利用 DNN 的映射能力并挖掘各阵元 400
-10
的时间信息和空间信息来进行目标信号恢复。 300
ᮠဋ/Hz -20
ᚸՌ DNN 200 -30
᫼ѵࣜ٪ηՂ -40
100
ܙूᄊηՂ ܙूᄊηՂ ܙूᄊηՂ -50
ᚸՌ᫽඀
0 -60
ܙू᫽඀ 200 400 600 800 1000
௑ᫎ/s
ܙूDNN ܙूDNN ܙूDNN
图 3 前 17 min 目标信号时频谱
1Ղߕ᫼ྲढ़ 2Ղߕ᫼ྲढ़ QՂߕ᫼ྲढ़ Fig. 3 The time-frequency spectrum (TFS) of the
K˔᫼Ћ K˔᫼Ћ K˔᫼Ћ
first 17 minutes of target signal
图 2 两阶段融合 DNN 结构图
本实验的分析频带为 0 ∼ 500 Hz，频域分辨率
Fig. 2 The structure of the two-stage integration DNN
为1.95 Hz，LPS特征维数为257(一帧)，IRM维数也
3 实验结果和分析 为 257 维。降噪所用的 DNN 结构为输入层为线性
层，中间为两层隐藏层，每层 2048 节点数，S 型函数
为验证本文所提方法的降噪能力，本文进行了 为 sigmoid，输出层也为线性层。DNN 初始学习率
七组对比实验。本实验采用一次海试实验中的船 为 0.00002，采用随机梯度下降法训练，批处理数量