潘安迪,肖 川,陈 曦

(复旦大学 计算机科学技术学院,上海 201203)

1 介绍

水声目标识别的任务是通过采集到水声目标的信号来对目标进行识别和检测[1].海水是一种复杂的介质,具有时变特性,充斥复杂噪声的特性[2-4].因此捕捉到的声学信号在时间和相位上拥有时变的特点[2].这也使得水声目标识别是一项具有挑战性的工作.

在水声目标识别领域早期,大部分分类任务都是基于特征工程与分类器构造的[5].常被水声目标识别使用的特征有梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC),时频谱特征等等.从特征工程的角度来讲,有人设计手工特征,如Li 等[2]通过比较小波包分解后不同频带的分形维数(Fractal Dimension,FD)值来设计船声信号特征;有人使用特征组合和特征选择方法来组合、抽取以构成更加鲁棒的特征,如Jiang 等[6]将功率谱(power spectra)和方谱特征(square spectrum feature)结合起来,并且使用主成成分分析法降维,获得更加有判别力的特征.分类器构构造方面,有人引入集成算法,如Sun 等[7]使用自适应提升算法(AdaBoost)构造并集成多个有偏好的分类器,以提高最终分类准确率;有人致力于核函数的构造,如Sherin等[8]使用BAT 算法进行核函数的构造与选择.整体而言,在水声目标识别领域中,抽取的特征能否有效地表示样本决定了模型的性能.

近年来,由于深度学习可以从数据中自动学习特征,并且学得的特征比传统特征更能表示样本,成为了近年来的研究热点,如Xie 等[9]基于时频谱,使用了深度玻尔兹曼机.然而,深度学习方法在拥有……