基于深度学习的水下声源分离技术研究

论文摘要

运用源分离技术不仅可以分离出多个目标信号,还能降低噪声对目标信号的干扰,从而提高被动声呐系统的接收精度和可靠性。因此,研究水声源分离技术有着重要的现实意义。本文首先对传统水声分离的研究过程做深入了解,并通过仿真对传统系统模型进行验证选择,以便为深度学习技术的应用选择合适的系统模型。对正定、超正定模型下的快速独立分量（Fast Independent Component Analysis,FastICA）算法、联合对角化（Joint Approximate Diagonalization of Eigenmatrices,JADE）算法使用舰船辐射噪声仿真信号进行性能分析和对比,仿真结果表明:性能相似,其中,无噪情况下相似系数分别能达到0.94和0.95。对欠定模型下的二值时频掩蔽方法使用线性调频（Linear Frequency Modulation,LFM）信号进行仿真分析,在无噪情况下相似系数达到0.9。源数目估计是源分离的前提条件,于是通过仿真对比了赤池信息准则（Akaike Information Criterion,AIC）、最小描述长度（Minimum Description Length,MDL）、盖尔源圆盘法（Gerschgorin Disk Estimation,GDE）三种估计源数目的方法,仿真结果表明:高信噪比（Signal-to-Noise Ratio,SNR）下MDL、GDE能达到对源数目的一致性估计,准确率几乎为1,而AIC则存在过估计问题。通过对上述仿真结果的分析与对比,本文选择二值时频掩蔽系统模型。由于二值时频掩蔽依赖于聚类特征向量,本文利用深度神经网络将每个时频点嵌入到高维空间,从样本中根据能量主导产生区分特征用于聚类。然后依次选择循环神经网络（Recurrent Neural Network,RNN）、长短期记忆网络（Long Short Term Memory,LSTM）、双向长短期记忆网络（Bidirectional Long Short Term Memory,BiLSTM）作为深度模型,并使用三种实测水声数据进行训练,实验结果表明:使用BiLSTM能有效地分离任意类型组成的混合源,且相似系数可达到0.97。更进一步地,在多种信噪比情况下与传统时频掩蔽方法作对比,虽然应用了深度学习技术之后性能有所提升,但受到噪声影响分离结果都较差。然而实验发现增加聚类数目可以解决未知噪声的影响。为了进一步提高被动声呐的识别能力,同样将深度学习技术应用于识别过程的特征提取。本文使用深度玻尔兹曼机（Deep Boltzmann Machine,DBM）在水声目标信号的原始时频特征上进行特征提取,并设置了三种实验验证方法的性能:（1）先调整不同的结构参数作对比,DBM在隐藏层结构为200-50-20下能达到91%的识别率;（2）相同结构下与多层感知机（Multi-Layer Perceptron,MLP）以及深信网络（Deep Belief Network,DBN）作对比,DBM表现更好;（3）将学习到的特征与线谱、波形结构特征、梅尔倒谱系数特征（Mel Frequency Cepstral Coefficient,MFCC）在相同分类器下作对比。实验结果表明:使用DBM提取到的特征比起人工特征能达到更高的识别率。

论文目录

摘要

abstract

缩略词表

第一章绪论

1.1 研究工作的背景与意义

1.2 国内外研究历史与现状

1.2.1 水声分离技术研究现状

1.2.2 深度学习在源分离问题上的研究现状

1.3 论文研究内容和结构安排

1.3.1 研究内容

1.3.2 个人创新点与贡献

1.3.3 结构安排

第二章传统水下声源分离技术研究

2.1 水声盲源分离基本框架

2.2 正定、超正定情况下的水下声源分离算法

2.2.1 基于ICA的水声盲源分离算法

2.2.2 分离性能评价准则

2.2.3 仿真分析

2.3 欠定情况下的水声盲源分离算法

2.3.1 二值时频掩蔽源分离算法

2.3.2 分离性能评价准则

2.3.3 仿真分析

2.4 盲源分离中的水声源数目估计

2.4.1 基于信息论准则的水声源数目估计

2.4.2 基于盖尔圆估计的水声源数目估计

2.4.3 仿真分析

2.5 本章小结

第三章基于深度学习的水下声源分离

3.1 方案设计

3.1.1 基本框架

3.1.2 基于深度神经网络的特征提取

3.2 离线训练

3.2.1 输入和参考标签处理

3.2.2 循环神经网络

3.3 在线测试

3.4 实验及结果分析

3.4.1 实验数据和配置

3.4.2 结果和分析

3.5 本章小结

第四章基于深度学习的水下声源识别方法

4.1 传统水声识别方法

4.1.1 特征提取

4.1.2 分类

4.2 基于深度玻尔兹曼机的水声识别方法

4.2.1 深度玻尔兹曼机

4.2.2 深度玻尔兹曼机训练

4.3 实验及结果分析

4.3.1 样本处理

4.3.2 不同结构参数下的识别对比

4.3.3 不同模型的识别对比

4.3.4 不同特征下的识别对比

4.4 本章小结

第五章总结与展望

5.1 论文内容总结

5.2 未来的工作展望

致谢

参考文献

攻读硕士学位期间参加的项目与取得的成果

文章来源

类型: 硕士论文

作者: 谢加武

导师: 陈劼

关键词: 水声分离,二值时频掩蔽,深度学习,目标识别,特征提取

来源: 电子科技大学

年度: 2019

分类: 基础科学,工程科技Ⅱ辑

专业: 物理学,工业通用技术及设备

单位: 电子科技大学

分类号: TB56

总页数: 99

文件大小: 8581K

下载量: 223

基于深度学习的水下声源分离技术研究

论文摘要

论文目录

文章来源

相关论文文献

猜你喜欢