Page 108 - 《应用声学》2021年第5期

752 2021 年 9 月

表 4 给出了两组外场实验数据的基频检测结 图7 给出了一段实测噪声的时域波形及其 DE-
果。其中原始数据中目标距离较近，信号的信噪比 MON 谱，从 DEMON 谱中能够看到较多的干扰线
相对较高。因此，本文方法及常规基频检测方法均 谱。表 5 给出了该段数据分别使用 3 种方法得到的
获得了较好的检测结果，但本文方法的平均误差更 检测结果。可以看到，常规方法由于受到干扰线谱
小。对于加噪后的信号，本文方法较常规方法在精 的影响，估计出的基频值误差较大。
度上有较大的提升，并且平均误差在可接受的范围； 表 5 图 7 的基频检测结果
常规方法的精度较低且常出现倍频半频错误的缘 Table 5 Fundamental frequency detection
故导致平均误差很大。 results of the signal segment in Fig.7

表 4 本文方法与传统方法在实测数据上的检测 基频/Hz
性能对比 CNN+LSTM 8.5
Table 4 Comparison between classic 改进的最大公约数法 8
methods and the proposed method on the 序列匹配法 8.8
field dataset 真实值 8.4

P/% 平均误差/Hz 4 结论
海试 湖试 加噪信号 海试 湖试 加噪信号
CNN+LSTM 90.6 98.3 83.4 0.12 0.10 0.31 本文提出了一种基于 CNN 和 LSTM 网络的水
改进的最大 下目标辐射噪声基频检测方法。在网络输入上，与
81.3 85.5 62.3 0.31 0.25 1.53
公约数 [12]
传统方法利用波束形成融合多通道信息不同，本文
序列匹配法 [13] 83.8 87.1 68.8 0.26 0.19 0.82
提取每个通道的 DEMON 谱并以二维矩阵的方式
直接送入网络中，充分利用各个通道的信息；在特征
0.4
提取部分，去掉了先前工作中的去噪和多帧融合步
0.3
骤，在简化预处理步骤的同时提高算法的实时性，也
0.2
0.1 摆脱了传统模型驱动算法在预处理过程中对先验
ࣨए 0 知识的依赖。最后，将经过 CNN+LSTM 提取的特
-0.1
征输入全连接层实现基频估计。仿真实验和实验数
-0.2
据表明，本文方法能够较好适应模拟的不同环境和
-0.3
-0.4 不同信噪比的目标噪声，具有良好泛化性能，可望实
际推广；在一定信噪比下，能够从时序 DEMON 谱
0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0
௑ᫎ/s 特征中估计出较为准确的基频值，可供进一步研究
(a) ௑۫ฉॎ
和应用参考。
1.0
需要注意的是，本文主要关注较高航速下目
0.9
0.8 标噪声的基频检测。当航行速度很低时，无法从
0.7
DEMON 谱中提取到基频的调制信息，所以本文算
0.6
ࣨए 0.5 法不适用于低速状态的航行器的基频检测。且限于
0.4 实测数据规模的限制，本文使用仿真数据进行训练。
0.3
仿真数据并不能完好地模拟实测数据，因此对实测
0.2
0.1 数据的检测结果可能有一定的影响。后续工作中随
0 着实测数据数量的增加，将尽可能利用实测数据对
0 10 20 30 40 50 60 70 80 90 100
ᮠဋ/Hz 网络进行训练，进一步提高网络的性能。
(b) DEMON៨

图 7 某段基频为 8.4 Hz 的渔船噪声数据 参 考 文 献
Fig. 7 A segment of sea trial data with shaft fre- [1] 程玉胜, 邱家兴, 刘振. 水声被动目标识别技术挑战与展望 [J].
quency being 8.4 Hz 应用声学, 2019, 38(3): 653–659.