Page 181 - 《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 177

在方法验证实验中，首先对变换为时频谱图形 时频谱图如图 3 所示，噪声信号分别来自五个不同
式的实测训练数据样本进行数据扩增，得到两个数 的大类，这些大类由不同类别的船舶组成。
据集：一个是有限的实测训练数据集，另一个是合成 使用表3 中的数据增广变换进行扩增后的时频
的增广训练数据集；然后将使用不同方法利用这两 谱图示例如图 4 所示，所选原始数据属于客轮类别
个数据集去求解优化深度神经网络模型中的未知 (大类 C)。从视觉角度来说，这些数据增广变换作
参数：与所提算法进行比较的基准迁移学习方法是 用后的时频谱图仍可以认为是原来的船型；但常规
微调策略，它在增广数据集上预训练模型后，再利用 的CNN类网络不一定能捕捉到这个明显的不变性。
实测数据集对模型参数进行微调；最后统计不同方 因此，通过在增广数据集上的训练显式地将这一信
法训练得到的模型在测试数据集上的性能，报告交 息“告知”给分类模型是必要的。这样的增广时频谱
叉验证后的平均结果。
图弥补了有限的原始数据在多样性上的不足，将有
4.2 使用数据扩增的船舶辐射噪声分类性能 助于模型应对采集时的噪声和时间轴上的信息缺
ShipsEar数据中实测的船舶辐射噪声信号的 失，进而改善模型实际工作时的泛化能力。

ܸዝA ܸዝB ܸዝC ܸዝD ܸዝE
0
10 4
ᮠဋ/Hz 10 3 2 Ҫဋूए/dB
10
10 1
-60
0 10 20 300 10 20 300 10 20 30 0 10 20 30 0 10 20 30
௑ᫎ/s
图 3 ShipsEar 中来自不同船舶类型的辐射噪声信号的时频谱图示例
Fig. 3 Examples of spectrograms of ship-radiated noise from different ship-types in ShipsEar

8000 0 8000 0 8000 0

3000 -20 3000 -20 3000 -20
ᮠဋ/Hz 1000 -40 Ҫဋूए/dB ᮠဋ/Hz 1000 -40 Ҫဋूए/dB ᮠဋ/Hz 1000 -40 Ҫဋूए/dB

300 -60 300 -60 300 -60

100 -80 100 -80 100 -80
0 1 2 0 1 2 0 1 2
௑ᫎ/s ௑ᫎ/s ௑ᫎ/s
(a) Ԕݽ஝૶ (b) Ցረ20ࣝ (c) ଏᘉኄ40҂50ࣝ
8000 0 8000 0

3000 -20 3000 -20
ᮠဋ/Hz 1000 -40 Ҫဋूए/dB ᮠဋ/Hz 1000 -40 Ҫဋूए/dB

300 -60 300 -60

100 -80 100 -80
0 1 2 0 1 2
௑ᫎ/s ௑ᫎ/s
(d) ҫК6 dB٪ܦ (e) mixupຉՌ

图 4 对来自 ShipsEar 中的一个客轮信号进行数据增广变换的示例
Fig. 4 Examples of the data augmentation operators for the signal from a passenger ship in ShipsEar