Page 106 - 《应用声学》2021年第5期

750 2021 年 9 月

2.2 阵列信号仿真 为 12 h 的数据，采样频率为 10 kHz，数据的基频范
海洋环境噪声和水声信道传输过程会降低接 围在 5 ∼ 10 Hz 之间，按 0.2 Hz 的间隔划分为 25 个
收点处接收信号的信噪比，本节介绍如何仿真受海 类别。估计的基频值定义为预测类别的中点。例
洋环境影响的接收点信号。 如：划分到 5 ∼ 5.2 Hz 类别的基频预测值为 5.1 Hz。
本文主要面向接收点与目标之间距离为中近 仿真的噪声数据中桨叶数的取值为 3 ∼ 7 叶。此
距离的情形，侧重考虑随距离变化的声能平均传 外，本文将 80% 的样本作为训练数据集，剩余 20%
播损失、海底与海面反射引起的相干多途干扰以 的数据作为测试样本集。评价指标包括：P，定
及海洋环境噪声加性干扰。采用基于射线声学的 义为误差小于 0.1 Hz 的预测值比例，计算公式为
bellhop模型对传播损失和多途干扰进行仿真，声源 P = (N − N e )/N × 100%，其中 N e 为预测误差超
深度 10 m，接收 6 元阵，接收深度 10 m，为垂直线 过 0.1 Hz 的数据个数，N 为总数据量；平均误差
N
3
阵，接收阵水平距离 2000 m，海水密度 1.0 g/cm ， E = 1 ∑ |f ig − f ip |，其中 f ig 表示第 i段数据的真
海底声速 1680 m/s，海底密度 1.8 g/cm ，吸收系 N i=1
3
实基频值，f ip 表示第i段数据的预测基频值。
数 0.6 dB/λ。声速剖面分别选用等声速梯度剖面、
负声速梯度剖面、含有温跃层的浅海声速剖面、深 3.1 数据驱动方法与模型驱动方法
海 Munk 声速剖面等，水深分别选用 50 m、500 m、 传统检测方法存在对先验知识的依赖，尤其
5000 m，来模拟不同环境下的相干多途传播信道。 DEMON 谱提取过程和倍频统计步骤需要人工设
声源使用 2.1 节中合成的仿真信号。海洋环境噪声 定很多参数。本文方法简化预处理过程，并利用神
使用不同信噪比高斯白噪声模拟。 经网络建模的方式降低检测算法对先验知识的依
合成的仿真噪声数据与真实工况下的噪声并 赖。为了比较两类方法的性能，本文选取文献 [12]
不完全一致，但可以使用仿真数据完成网络训练后， 和文献 [13] 中提出的两种基于 DEMON 谱的基频
再利用真实数据对网络进行微调来弥补二者之间 提取算法作为对比。这两种方法计算基频时，首先
的差别。 利用波束形成将阵列信号约减为一维信号，再进行
计算。
3 实验结果及分析 表 1 给出了两种不同信噪比 (Signal to noise
ratio, SNR) 背景噪声强度下对仿真数据进行基频
本文设计了 4个实验来测试本文提出的基频检
检测的结果，两种模型驱动算法的检测性能相当，
测算法。
而本文方法在误差小于 0.1 Hz 的预测值比例 P 上
(1) 分别采用本文提出的深度学习算法 (数据
有较大提升，且平均误差更小。相对于传统方法从
驱动) 和传统的模型驱动方法对仿真噪声信号进行
DEMON 谱提取人工特征然后计算基频而言，基于
基频检测，以测试数据驱动方法在抗噪性和适应性
深度网络的方法提取 DEMON 谱的高层特征再进
上的提升。
行基频估计，能够降低噪声的影响，从而改善检测结
(2) 本文在文献 [26] 的基础上，去掉了去噪步
果。而传统方法提取的浅层特征对噪声线谱的抗干
骤，增加了LSTM网络。为此，本文设计了一组对比
扰能力相对较弱，因此对于 SNR 较低、线谱质量较
实验来比较二者在准确性和实时性上的性能差异。
差的 DEMON 谱，本文方法能够取得较常规方法更
(3) 为了测试 LSTM 网络在提取时序谱特征上
好的检测结果。但是，当DEMON谱质量较好，干扰
的可行性，分别采用 CNN 和 CNN+LSTM 网络开
线谱很少的时候，常规方法也能获得比较理想的检
展时序基频检测。实验中保持两者卷积层部分的结
测结果。
构相同。
(4) 分别采用本文提出的深度学习算法 (数据 3.2 本文算法与文献[26]的检测结果对比
驱动) 和传统的模型驱动方法对外场实测噪声数据 文献 [26] 提出了一种基于 CNN 网络的基频检
进行基频检测，以测试本文方法在实测数据上的检 测方法。而本文优化了网络结构，去掉了 DEMON
测性能。 谱去噪和多帧融合步骤，使得特征提取部分更加简
在仿真数据准备阶段，总共生成了长度大约 单。两种方法的检测结果对比如表2所示。