基于特征解耦双路径网络的被动 underwater 声学信号分离

被动 underwater 声学信号分离领域一直依赖深度学习技术来隔离船舶发声噪声。然而，本领域常用的分离网络源自语音分离应用，可能未充分考虑水下声学特有的因素，如不同传播介质、信号频率和调制特征的影响。这一忽视凸显了需要针对水下声学传播特定特征进行定制化方法的需求。本研究引入一种新型时序网络，通过采用双路径模型和特征解耦方法来分离船舶发声噪声。混合信号的特征被转化为在各维度上显著性解耦的空间中，然后在分离层中采用局部与全局注意力机制的融合。广泛的比较表明，该方法在ShipsEar和DeepShip数据集上表现优异，优于其他流行网络模型。