基于多阶段注意力网络的调制特征增强用于水下声学目标识别
信号处理
2026-05-22 v2 声音
摘要
水下声学目标识别是海洋应用中的关键问题,但面临由船舶辐射噪声的复杂多样性所带来的挑战。为此,我们提出了一个稳健的深度学习框架。首先,我们引入一种基于变分模态分解(VMD)和3/2-D谱的特征提取与融合方法,以生成高保真的二维DEMON谱特征,有效捕获调制包络信息。为进一步增强特征表征,我们设计了一个集成新颖多阶段多类型注意力机制(MMATT)的一维卷积神经网络(1-D CNN),在不同网络深度处自适应地细化特征。在该机制中,我们提出了残差通道独立谱注意力机制(R-CISAM)和多尺度分离-融合谱注意力机制(MS-SFSAM)。此外,为缓解现实船舶辐射噪声数据中严重类别不平衡导致的性能下降,我们设计了可调类别平衡焦点损失(ACBFL),其在不同程度不平衡的任务之间提供了灵活性。在真实的船舶辐射噪声数据集上的实验结果表明,所提出的解决方案有效增强了水下声学目标识别性能。
引用
@article{arxiv.2605.16304,
title = {Modulation Feature Enhancement with a Multi-Stage Attention Network for Underwater Acoustic Target Recognition},
author = {Jiaping Yu and Shefeng Yan and Linlin Mao and Zeping Sui and Chunjin Jiang},
journal= {arXiv preprint arXiv:2605.16304},
year = {2026}
}
备注
31 pages, 14 figures, Accepted by Signal Processing