卢佳敏 宋三明 景 严 张 瑶 谷 浪鲁 帆 胡志强 李 硕

(1 中国科学院沈阳自动化研究所 机器人学国家重点实验室 沈阳 110016)

(2 中国科学院机器人与智能制造创新研究院 沈阳 110169)

(3 中国科学院大学 北京 100049)

(4 中国科学院声学研究所 北京 100190)

0 引言

水中机动目标在航行时会辐射出具有特殊频谱分布的噪声，因此可以通过噪声分析来估计航行器的吨位、桨叶数等物理特征和轴频、航速等运动状态［1−2]，进而实现合作或对抗场景下的态势感知。轴频是螺旋桨转速的最直接反映［3]，对水下目标探测具有重要的意义，本文将重点研究如何从水听器阵列接收到的噪声中估计轴频信息。

轴频也称为基频，在数值上等于目标螺旋桨主轴的转动频率［4]，常用DEMON 谱分析法提取调制谱特征，以获取基频及其谐波在内的低频线谱，进而检测目标的基频、叶频或桨叶数目。文献[5–6]评估了不同解调分量得到的DEMON谱的鉴别能力。文献[7–11]研究了DEMON 谱净化与增强，提高了线谱的信噪比与基频估计的精度。其中，文献[7]基于线谱之间的倍频关系，提出基于最大公约数的基频提取方法，文献[12–13]对此进行了拓展并提出相应的改进方法。这些算法需要人为设置参数进行特征提取和基频估计，对信噪比较敏感。实际接收到的目标噪声信号，受到不同海洋波导传输过程的乘性作用和加性干扰，其信噪比变化大［14−15]。

深度学习具有较强的泛化能力，近年来逐渐被研究人员引入水下目标识别领域。文献[16]通过提取DEMON 谱中各谐波之间的结构特征关系建立模板库，根据模板库对深度神经网络(Deep neural networks,DNN)进行训练，并识别螺旋桨的叶片数目。……