陈卓

（海装驻上海地区军事代表局，上海，200083）

随着信息技术的快速发展，各国对海洋开发、水下防卫能力需求不断提升，水下信息感知方法研究的热度有增无减，新兴技术联合传统水声技术的水下目标探测、识别等感知方法已成为水下探测领域的重要发展方向。水声目标识别作为水声探测的核心功能，其关键在于水下目标可分性特征的挖掘和提取。传统目标识别方法通常从目标噪声产生的物理机理出发，通过信号处理手段提取能反映目标本质属性的可分性特征并基于分类器或模板匹配方法实现识别[1-4]。但随着水下目标隐身性能的不断提升，以及水声目标发声机理的多样性、海洋信道时空多变性、平台噪声和强干扰等因素的影响，水声目标信号通常具有信噪比低、干扰成分强等特点，目标固有特征隐匿性强[5]，并导致传统特征提取方法较难获取具有良好可分性的特征，识别正确率不高，方法泛化能力差。

近年来，深度学习模型受到广泛关注和快速发展，已涌现出大量适用不同场合的深度学习算法，涉及识别、预测、控制等多个领域，逐渐成为水下目标识别研究的重要方向和新技术途径。深度学习通过构建多隐层结构来增强计算能力，在图像、语音识别等领域已取得令人赞叹的效果[6-8]。本文针对被动目标辐射噪声信号特征提取与识别的特点，提出将深度学习中的稀疏降噪自编码器方法应用于水声目标噪声降维和数值特征提取。……