Page 175 - 《应用声学》2025年第1期

第 44 卷 第 1 期 聂磊鑫等： 高斯过程辅助的船舶辐射噪声分类算法 171

练过程中使用这种策略可以丰富数据的多样性，缓
0 引言
解因真实数据不足而诱发的深度神经网络过拟合
海面船舶在航行过程中会不可避免地向外辐 问题。
射噪声 [1−2] ，这种噪声由不同成分构成，包括：机械 在远场船舶辐射噪声的分类中，由于信道效应
噪声、螺旋桨噪声和水动力噪声 [3] 。通过对水听器 的影响，接收到的信号往往会发生严重畸变，其时
接收到的声波信号进行分析，可以对辐射噪声所属 频结构相比近场特性可能发生显著变化 [11] 。但对
的船舶进行细化的分类。船舶辐射噪声相比船舶的 于近场接收的噪声来说，时间上的整体平移和部分
光学或雷达图像更难被伪装，因此通过辐射噪声对 时段信号的遮蔽显然不会改变它的类别属性。然而
船舶进行类别预测在安全领域有重要的研究意义 深度神经网络模型却不包含这些物理先验知识，数
和实用价值。 据扩增方法可以在模型训练中显式地引入这些不
船舶辐射噪声分类通常包括特征提取和分类 变性，有助于在实测数据受限的情况下使用深度学
器设计两个部分 [4] ，其中关键是特征提取部分，它 习进行船舶辐射噪声分类。在2021年，Liu等 [12] 提
需要尽可能地抑制信号中与船舶类别无关的成分。 出通过对噪声时频谱图进行增广来扩充训练数据
从物理机理出发，船舶辐射噪声中包含一些明显的 集，并使用卷积递归神经网络模型进行水声目标识
特征：(1) 由于船舶机械装置的周期性振动，辐射噪 别，借助公开数据定义的不同难度的分类实验证实
声中有明显的低频线谱结构 [3] ；(2) 辐射噪声中的 了方法能有效提升准确率性能。基于条件卷积生成
连续谱会受到螺旋桨旋转的调制，形成听觉上的低 对抗网络，李理等 [13] 在 2022 年提出了一种船舶辐
频周期性节奏感，反映在时频谱图上中高频段沿时 射噪声分类方法，通过生成丰富多样的伪调制谱图，
间轴明暗相间的亮斑 [4] ；(3) 辐射噪声在频域上通 缓解了训练数据不足的问题，公开数据上的实验结

常有遵循特定模式的谐波结构，这可以通过倒频变 果表明，此方法能够显著改善样本不足时的模型分
换来提取 [5] 。 类性能。借助生成对抗网络合成数据与实测数据的
在此基础上，现阶段智能识别船舶噪声类别通 共同训练，Fernandes等 [14] 在2022年提出了一种用
常采用过参数化的深度神经网络模型数据驱动地 于分类任务的卷积神经网络 (Convolutional neural
从接收信号中提取特征 [5−6] ，它具有灵活性好、可 network, CNN)，在军用目标上的分类实验结果确
以快速适应当前工作环境等优点，但此类方法在进 证了方法的可行性。
行模型参数优化时，需要使用大量的训练数据。然 已有方法在进行船舶辐射噪声时频谱图的数
而对于船舶辐射噪声分类识别问题，由于真实海洋 据扩增时，未充分考虑数据扩增变换引入的分布偏
浩瀚广阔，其环境时空变化显著，航行于大海上的各 移。这使得同时使用真实数据和增广数据训练神经
类船舶数目相对有限，包含有多种船舶类型的辐射 网络模型违反了机器学习中对数据独立同分布的
噪声数据采样效率低、获取成本高，因此实测船舶 基本要求，会导致分类模型在训练收敛和测试泛化
辐射噪声往往只有受限的数据样本量 [7−8] 。直接利 时性能下降 [15] 。考虑到这一点，本文分析常见的扩
用少量的真实数据去训练过参数化的深度神经网 增变换对数据边缘分布的影响，提出一种高斯过程
络会引发过拟合问题，典型表现为训练出的分类模 辅助的域适应算法去解决增广数据与真实船舶辐
型在测试集上性能会显著减退 [9] ，这制约了深度学 射噪声数据在分布特性上的不一致：将在训练分类
习类方法在船舶辐射噪声分类中的应用。 模型时，除了最小化分类器输出与标签之间的交叉
深度学习中解决训练数据不足的一种常见思 熵 (Cross entropy, CE) 损失，也同时通过高斯过程
路是数据扩增 (Data augmentation) [10] 。它在训练 回归 (Gaussian process regression, GPR) [16] ，最小
过程中，通过一些人为定义的规则对真实数据进行 化不同数据上特征提取器输出的边缘分布差异，进
映射，得到大量的增广数据。此类映射的选取需要 而在特征空间实现分布对齐。该算法使真实数据和
基于对数据产生和传输过程的物理认知，它们不应 增广数据的特征在输入分类器时具有尽可能一致
改变数据的类别属性。因此增广数据可以认为是 的边缘分布，这可以促进对分类器的训练。本文最
来自真实数据分布不同于实测的又一种采样，在训 后借助船舶辐射噪声的公开海试数据 ShipsEar [17]