Page 184 - 《应用声学》2025年第1期

180
用的数据量。在四等分数据后，对前两份数据中的
每一份测试时，均只使用后两份数据进行训练；同
样对后两份数据中每份数据测试时，也只使用前两
份训练；这样等效使用的训练数据占总数据的比被
减小到 50%。而四等分之后，每次只使用其中一份
数据进行训练，则会使训练数据占比进一步减小到
25%。在这些不同的训练数据占比的设定下，微调
策略与域适应方法训练得到的模型的分类性能变
化如图8所示。图中结果表明，尽管训练阶段实测数
据的减少会损害学得的分类模型的泛化性能，但域
适应算法的分类准确率总优于简单的微调策略。在
所提的域适应算法中，对实测和增广数据集的分布
或分布参数的估计需要一定的数据量作为支撑，因
此更少的训练阶段实测数据意味着分布估计时更
大的偏差；这使得随着训练数据占比的持续减少，域
适应算法相比于微调策略的性能增益也在变小。
0.80
0.781
0.78
0.762 0.760
юᆸဋAcc 0.74 0.743
0.76
0.72
0.70
75 50
ᝫጷ஝૶Ӵඋ/%
图 8 两种迁移策略在不同比例的真实样本作为训
练数据时五分类的准确率
Fig. 8 Five-classification accuracies on ShipsEar
when using different ratios of realistic training
samples
5 结论
针对数据扩增变换引入的边缘分布偏移，本文
提出了一种高斯过程辅助的船舶辐射噪声时频谱
图分类算法，基于有限的实测噪声的时频谱图像，实
现了对船舶类别的准确分类。该算法首先借助数据
扩增技术强化了关于不变性的物理先验知识，丰富
了所用训练数据的多样性；然后在合成的增广数据
集上对模型进行预训练，并使用实测数据集对其参
数进行调整，缓解了深度神经网络的过拟合现象；最
后通过将实测和增广数据集的分布偏移显式纳入
训练的代价函数，实现了两个数据集同分布的效果，
2025 年 1 月
简化了分类器的学习难度，在可得数据有限时，使模
型对船舶辐射噪声的分类性能得到进一步提升。公
开海试数据 ShipsEar 上的实验结果验证了所提算
法的优势，它在水声目标识别、水下长期被动声监
测等实践中均有拓展使用的价值。本文的算法验证
在近场船舶辐射噪声和闭集分类设定下进行，在实
际的远场和开放集场景中算法的性能还有待进一
步研究。
参 考 文 献
[1] Wenz G M. Review of underwater acoustics research:
Noise[J]. The Journal of the Acoustical Society of Amer-
ica, 1972, 51(3B): 1010–1024.
[2] Ross D. Ship sources of ambient noise[J]. IEEE Journal of
Oceanic Engineering, 2005, 30(2): 257–261.
[3] 李启虎. 声呐信号处理引论 [M]. 北京: 科学出版社, 2012:
97–102.
[4] 程玉胜, 李智忠, 邱家兴. 水声目标识别 [M]. 北京: 科学出版
社, 2018: 1–16.
[5] 徐及, 黄兆琼, 李琛, 等. 深度学习在水下目标被动识别中的
ॲូ 应用进展 [J]. 信号处理, 2019, 35(9): 1460–1475.
۫ᤠऄ
Xu Ji, Huang Zhaoqiong, Li Chen, et al. Advances in un-
derwater target passive recognition using deep learning[J].
[6] Neupane D, Seok J. A review on deep learning-based ap-
Journal of Signal Processing, 2019, 35(9): 1460–1475.
0.717 0.726 proaches for automatic sonar target recognition[J]. Elec-
tronics, 2020, 9(11): 1972.
[7] Luo X W, Chen L, Zhou H L, et al. A survey of underwa-
25 ter acoustic target recognition methods based on machine
learning[J]. Journal of Marine Science and Engineering,
2023, 11(2): 384.
[8] 朱可卿, 田杰, 黄海宁, 等. 基于深度学习的船舶辐射噪声识
别研究 [J]. 应用声学, 2018, 37(2): 238–245.
Zhu Keqing, Tian Jie, Huang Haining, et al. Ship-radiated
noise recognition research based deep learning[J]. Journal
of Applied Acoustics, 2018, 37(2): 238–245.
[9] Nie L X, Li C, Wang H B, et al. A contrastive-learning-
based method for the few-shot identification of ship-
radiated noises[J]. Journal of Marine Science and Engi-
neering, 2023, 11(4): 782.
[10] Wang Y Q, Yao Q M, Kwok J T, et al. Generalizing from
a few examples: A survey on few-shot learning[J]. ACM
Computing Surveys, 2020, 53(3): 63.
[11] 凌青, 宋文华, 赵春梅, 等. 浅海信道中舰船辐射噪声包络线
谱传播特性 [J]. 中国科学: 物理学 力学 天文学, 2014, 44(2):
134–141.
Ling Qing, Song Wenhua, Zhao Chunmei, et al. Prop-
agation characteristic of envelope line spectrum of ship
radiating noise in shallow water channel[J]. Scientia
Sinica (Physica, Mechanica & Astronomica), 2014, 44(2):
134–141.
[12] Liu F, Shen T S, Luo Z L, et al. Underwater target recog-
nition using convolutional recurrent neural networks with