基于深度学习的船舶辐射噪声识别研究
朱可卿1,2 田 杰1? 黄海宁1 张扬帆1
【摘 要】摘要 为了改善船舶辐射噪声识别系统的性能，进一步提高船舶辐射噪声识别的正确率，该文提出采用一种基于深度学习的船舶辐射噪声识别方法。该方法首先提取了船舶辐射噪声的频谱、梅尔倒谱系数等特征，将提取特征后的图像样本分别用于训练卷积神经网络和深度置信网络，再对船舶辐射噪声进行识别。通过文中所给实例，将深度学习和支持向量机两种识别方法的性能进行比较，得出深度学习方法可以有效地提高船舶辐射噪声识别正确率的初步结论。
【期刊名称】应用声学 【年(卷),期】2018(037)002 【总页数】8
【关键词】关键词 深度学习，卷积神经网络，深度置信网络，船舶辐射噪声识别
?研究报告?
1 引言
船舶辐射噪声的识别属于复杂的识别问题。由于大量采集船舶辐射噪声数据较为不易，再加上船舶航行工况的复杂性，船舶辐射噪声的识别是在有限样本甚至是小样本的条件下完成的。文献[1]提取了船舶辐射噪声的功率谱线谱数、线谱连续谱能量比等特征，用支持向量机(Support vector machine,SVM)的方法进行分类，得到了比较精确的结果。文献[2]提出了一种基于奇异值的辐射噪声识别算法，它提取了二阶累积量谱的特征，设计概率识别模板和距离分类器
来完成分类。不同于文献[1]，文献[3]对辐射噪声先做了LOFAR分析，将LOFAR谱的频率信息整理成向量作为SVM的样本，也取得了比较好的分类效果。另外，也有人使用传统的神经网络对船舶辐射噪声进行分类[4]。但是，这些方法也存在一定程度上的局限性，例如，SVM虽然具有泛化能力强，利于小样本分类等优点，但它借助二次规划求解，对于大规模样本难以实施；而且，由于经典的SVM算法是针对于二分类问题的，多分类问题需要通过多个SVM的组合来解决，增加了系统的复杂性。传统神经网络的容错性和鲁棒性都比较强，但它学习过程比较长，也存在容易过拟合和陷入局部极小值的问题。 为改善船舶辐射噪声识别系统的性能，本文将深度学习方法引入船舶辐射噪声的识别，并用实测的船舶辐射噪声数据进行了仿真实验。深度学习是机器学习的一个新的分支，意在建立、模拟人脑进行分析学习的神经网络，模仿人脑的机制来解释数据，例如图像、声音和文本[5?6]。它通过构建具有多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而提升识别或预测的准确性。不同于传统神经网络，深度学习网络没有过拟合的问题，而且训练速度很快。卷积神经网络(Convolutional neural network,CNN)[7?8]和深度置信网络(Deep belief network,DBN)[9]是目前应用比较广泛的深度网络模型。 近年来，深度学习在工业界引起了极大的关注，谷歌、微软等拥有大数据资源的高科技公司纷纷在深度学习领域加大投入，力争夺取该技术领域的制高点。2008年，美国的NEC研究院最早将深度学习引入到自然语言处理研究工作中，其研究人员将词汇映射到一维空间和多层一维卷积结构去解决磁性标注、分词、命名实体识别和语义角色标注四个典型的自然语言处理问题，都取得了相当精确的结果[10]。近两年，香港中文大学的多媒体实验室已将深度学习应用于行
人检测[11?12]、人体解析[13]等领域的研究。同时，也有人将深度学习应用于物体检测[14]，语音识别[15?16]和交通标志的识别[17]。
2 特征提取
2.1 梅尔倒谱系数的提取
梅尔倒谱系数(Mel-frequency cepstral coefficients,MFCC)的特征提取方法通过模拟人耳的听觉系统来反映声源的特征。它的计算是以Mel频率为基准的，单位为“bark”。Mel频率和实际频率的关系可用式(1)来描述： 它的计算流程步骤如下：
首先取每帧的数据点数为N=1024，对采样的噪声序列进行分帧。再分别对每帧序列进行预加重处理和离散傅里叶变换，得到离散功率谱S(n)。接着，设计梅尔滤波器组，其频率响应为
其中，M是梅尔滤波器的个数。接下来，计算梅尔倒谱特征参数：
舍去代表直流成分的D0，取D1,D2,···,D15，由式(4)计算得到梅尔倒谱系数： 其中，k为常数，通常取2。d(n)和D(n)分别是第n帧语音信号的梅尔倒谱系数和梅尔特征参数。 2.2 频谱包络和线谱的提取
频谱包络描述了某种船舶目标噪声的变化趋势特征，下面介绍一种简单的包络提取方法。设船舶辐射噪声数据的采样频率为L赫兹，将这段噪声序列进行L点离散傅里叶变换得到频谱，频谱的频率范围为[0,L]，频谱平均分成m段，每段长为L/m，分别取出每段频率序列中的最大值，将这些最大值连接起来，即可获得频谱的包络。
对于不同种类的船舶辐射噪声，它们的线谱成分分布也不一样，而且，在噪声
基于深度学习的船舶辐射噪声识别研究
