Page 176 - 《应用声学》2025年第1期

172 2025 年 1 月

将对所提算法进行性能验证，以证实数据扩增变换 间方向上的损失与变形，进而将使学得的模型在测
能提升分类准确率，并且所提的高斯过程辅助的域 试数据上的表现更加鲁棒。
适应算法通过解决增广数据与真实数据在分布上
1.1 时间平移操作
不一致的问题，可以给船舶辐射噪声分类识别带来
¯
时间平移 H 1 (·) 是对时频谱图 S i 沿时间轴进
进一步的性能改善。
行整体平移，得到 S 。这种平移操作是一个线性变
¯ a
需要说明的是，在实际的水声目标识别中，通 i
换，可以记作
常还会面临远场特征畸变 [11] 、多源目标干扰 [4] 和
¯
¯
τ ¯
¯ a
开放集分类 [18−19] 等诸多挑战，但是在闭集场景下 S = H 1 (S i ) = H 1 S i = K S i , (1)
i
对近场船舶辐射噪声的高精度分类是进一步研究
其中，K 代表前向或后向移位矩阵，它是一种托普
的基础。本文提出的算法仅在近场闭集分类设定下
利兹(Toeplitz)矩阵。对于前向移位的情况，
进行验证，应用于实际系统时，需考虑远场带来的信  
道畸变和开放集场景下训练 -测试类别不一致的影 0 1 0 · · · · · · 0
 
响，这通常需要对输入的噪声时频谱图或输出的模  0 0 1 0 .
.

. 
 
.
型结果进行额外的前置或后置处理。 . . . . .


. .
 . 0 0 1  (2)
K =  . . .  .
1 船舶辐射噪声的数据扩增策略  . 0 . . . . 0
.

. . . . . . 


 . . . 1
深度学习中，数据扩增是一种常见的丰富训  
0 · · · · · · · · · 0 0
练数据的方法，通常它会人为选定一些基于固定
规则的映射 H : R A×B → R A×B 作用于真实数据 对于后向移位的情况，
N A×B  
D = {(x i , y i )} i=1 ，其中x i ∈ R 代表数据的值， 0 0 · · · · · · · · · 0
而 y i ∈ R 代表数据相应的标签。定义的映射将直  .


 1 0 0 . . 
a
接处理数据的值 x i ，得到的增广结果 x = H(x i )  
i  . 
一般与原始数据的值具有相同的尺寸。在训练  0 1 0 0 . .


K =  . . . .  . (3)
用于分类的神经网络时，假定扩增变换不改变数  . 1 . . . . 
. 0
. .

据本身的类别，将同时使用大量合成的增广数据 . . . . . . . . 

 . . . . 0
∗ M 和原始真实数据D。  
D = {(H(x i ), y i )} i=1
0 · · · · · · 0 1 0
在船舶辐射噪声分类中，神经网络通常处理
¯
噪声 x i 的时频谱图 S i ，因此真实数据被重新记 这两个矩阵定义的移位运算仅时移一个帧，而
τ
¯ N ，相应的增广数据重新写为 H 1 = K 表示对时频谱图前向或后向整体平移 τ
为 D = {(S i , y i )}
i=1
∗ ¯ M 。扩增变换中定义的映射 个时间帧，且有0 < τ < N t 。
D = {(H(S i ), y i )}
i=1
H(·) 通常是有物理意义的，对于船舶辐射噪声的时 1.2 时间掩蔽操作
频谱图，它们在不同船舶类别间有所差异，但同时
时间掩蔽 H 2 (·) 是将时频谱图 S i 若干个时间
¯
也包含一些明显的不变性：例如，将时频谱图在时
¯ a
帧的幅度值置为零，得到 S 。掩蔽操作显然是一个
间轴上整体进行小幅度的前移或后移不应改变它 i
线性变换，可记为
对应的船舶类别归属，同样，垂直于时间轴的条状 ( )
∏
¯
¯
¯
掩蔽操作在短的掩蔽时长内也不应使时频谱图的 S = H 2 (S i ) = H 2 S i = M v · S i , (4)
¯ a
i
类别发生改变，此外，添加随机噪声在保证信噪比 v∈Φ m
(Signal-to-noise ratio, SNR) 的情况下不应显著影 其中，M v 会掩蔽第v 个时间帧的幅度值，写作
响对时频谱图所属船舶类别的判断。额外给模型输  
I v−1
入扩增变换后的数据可以强制模型去学习这些变  


M v =  0  . (5)
换中蕴含的具有物理意义的不变性，施加更多的约  
束到模型参数的取值域以应对噪声时频谱图在时 I N t −v