基于一维卷积神经网络的舰船尾流检测

基于一维卷积神经网络的舰船尾流检测
杨长生, 苟文博, 梁　红
(西北工业大学 航海学院, 陕西 西安, 710072)
摘 要: 为了提高舰船尾流的检测准确率, 提出一种基于一维卷积神经网络(1DCNN)的舰船尾流检测方法。

利用舰船尾流散射回波模型构建仿真数据集, 通过水箱仿真实验验证散射回波模型的可靠性并构建实验数据集, 最后综合考虑不同结构模型的检测准确率和参数量搭建了1DCNN并与传统检测算法(基于单分类支持向量机和反向传播神经网络)在数据集上进行对比分析。

仿真结果表明, 相比与传统检测算法, 文中所提出的1DCNN提高了不同信噪比下舰船尾流的检测准确率和检测效率, 具有较好的工程应用价值。

关键词: 舰船尾流检测; 一维卷积神经网络; 单分类支持向量机; 反向传播神经网络
中图分类号: TJ630.6; U674 文献标识码: A 文章编号: 2096-3920(2023)06-0839-08
DOI: 10.11993/j.issn.2096-3920.2022-0052
Ship Wake Detection Based on One-Dimensional
Convolutional Neural Network
YANG Changsheng,　GOU Wenbo,　LIANG Hong
(School of Marine Science and Technology, Northwestern Polytechnical University, Xi’an 710072, China)
Abstract: In order to improve the detection accuracy of ship wake, this paper proposed a ship wake detection method based on a one-dimensional convolutional neural network (1DCNN). Firstly, the simulation data set was constructed by using the ship wake scattering echo model. Then the reliability of the scattering echo model was verified by the water tank simulation experiment, and the experimental data set was constructed. Finally, a 1DCNN was built by comprehensively considering the detection accuracy and parameter quantity of different structural models and compared with the traditional detection algorithm (based on a one-class support vector machine and back propagation neural network) on the data set. The simulation results show that compared with the traditional detection algorithm, the 1DCNN proposed in this paper improves the detection accuracy and detection efficiency of ship wake under different signal-to-noise ratios and has good engineering application value.
Keywords: ship wake detection; one-dimensional convolutional neural network; one-class support vector machine; back propagation neural network
0　引言
舰船在航行过程中, 其尾部会产生含有大量气泡的湍流。

声学检测尾流由于检测概率大、抗干扰能力强及导引距离远等优点, 成为探测舰船尾流的有效方式[1]。

国内外学者对尾流声检测开展了大量的研究,并提出相关的检测算法, 大多采用在提取特征后进行检测[1-3]。

人工提取特征需要具备一定的专业知识, 在提取特征过程中也不可避免会丢失部分
收稿日期: 2022-08-29; 修回日期: 2022-09-22.
基金项目: 国家自然科学基金项目资助(61771398, 61971354).
作者简介: 杨长生(1978-), 男, 副教授, 研究方向为水下信号与信息处理、仿生智能感知
.
第 31 卷第 6 期水下无人系统学报Vol.31 N o.6 2023 年 12 月JOURNAL OF UNMANNED UNDERSEA SYSTEMS Dec. 2023
[引用格式] 杨长生, 苟文博, 梁红. 基于一维卷积神经网络的舰船尾流检测[J]. 水下无人系统学报, 2023, 31(6): 839-846.
水下无人系统学报 —————————————————————— 839
信息, 导致基于特征提取的检测方法鲁棒性和泛化性较差。

深度学习使用多个层逐步从原始输入中提取更高级别的特征, 并将传统的提取后分类识别的算法整合到一个端对端的分类模型[4]。

在图像处理中, 深度学习方法已展现出泛化性和鲁棒性的能力
[4-6]。

针对此, 文中提出一种基于一维卷积神经网络(one dimentional convolutional neural network,1DCNN)的舰船尾流检测算法。

首先通过舰船尾流散射回波模型构建仿真数据集, 然后通过水箱仿真实验验证模型的可靠性并构建实验数据集,最后搭建了1DCNN 并在数据集上训练和优化, 并与基于单分类支持向量机和反向传播(back propa-gation, BP)神经网络的传统算法进行对比分析。

1　数据集构建
尾流散射回波数据集若完全依赖外场实验, 成
本较高, 因此文中采用理论建模加仿真实验验证的方式来构建有效数据集。

1.1　尾流散射回波模型
ρ(r ,θ,φ,a )(r ,θ,φ)R (1)−R (N )尾流的声学特性主要由尾流中的气泡决定, 考
虑每一个气泡对于声波的散射作用, 采用点散射模型建立尾流散射回波模型[7]。

设尾流气泡密度函数为, 表示在位置处, 单位体积内含有半径a ()的气泡数量。

对于体积为V 的尾流中所有气泡的多体一次散射回波为
(r ,θ,φ)若位于处气泡的激励信号为
则接收换能器接收到半径为a 气泡的散射回波为
p (t )D 1(θ,φ)D 2(θ,φ)f (r )式中: 为声源发射信号
; 和分别
为发射阵列和接收阵列的指向性函数; 为传播损失。

根据Keller-Miksis 方程[8]
可得距离气泡1 m
处辐射声压为
˙a ¨a 式中, 和分别是气泡的速度和加速度。

考虑尾流中气泡云的多体多次散射
, 通过修正多体一次散射气泡云的入射场为多体多次散射后的等效入射场, 可将多体多次散射问题转化为多体一次散射问题[9]。

故修正多体一次散射中气泡的激励信号为
φ′式中, A 为修正幅度, 为修正相位, 这2个量可由多体多次散射后的等效入射波确定[9]。

1.2　模型仿真及实验验证
通过螺旋桨产生气泡云仿真实际舰船尾流, 实
验场景如图1所示。

图 1 水箱实验场景布置图
Fig. 1 Layout of water tank experiment scene
发射连续波(continue wave, CW)
信号时仿真散
射回波和实验散射回波如图2所示。

时间/ms 幅度/P a
20
0−20
时间/ms 幅度/P a
200−20
(a) 仿真散射回波
(b) 实验散射回波
图 2 仿真和实验散射回波
Fig. 2 Simulated and experimental scattering echoes
仿真和实验回波信号的统计特性如图3所示。

分析发现2种信号瞬时值的概率密度均服从高斯分布, 慢变包络服从瑞利分布, 符合理论
[7]
预期。

归一化幅度分布点数
50
100
150
分布点数
50100
200
150归一化幅度
分
布点数
50100200150(a) 海面回波信号瞬时值概率密度(b) 海面回波信号慢变包络概率密度分布点数
50100200150
840 ————————————————
归一化幅度分布点
50
100
归一化幅度
分布点数
50100200
150归一化幅度
分布点
50100150归一化幅度
(a) 海面回波信号瞬时值概率密度
(c) 实验回波信号瞬时值概率密度
(b) 海面回波信号慢变包络概率密度
(d) 实验回波信号
慢变包络概率密度
分布点数
50100200150图 3 回波信号统计特性
Fig. 3 Statistical properties of echo signals
仿真和实验回波信号的归一化时频图如图
4所示。

对比实验和仿真散射回波发现
, 实验采集散射回波和仿真散射回波信号出现的频段基本一致, 实验散射回波信号由于水面起伏和气泡的运动, 导致信号的频率分布更大。

对比发现, 仿真回波信号和实验回波信号的时域特性、统计特性和时频特性较为吻合, 说明舰船尾流散射回波模型的可靠性。

时间/ms
归一化幅度
归一化幅度
100
0.25
频率/k
H z 2003004005000.40.60.8
1.0
时间/ms
(a) 仿真散射回波(b) 实验散射回波
100
0.25
频率/
k H z 2003004005000.40.60.81.0
图 4 仿真和实验散射回波时频特性
Fig. 4 Time-frequency characteristics of simulated and
experimental scattering echoes
1.3　数据集构建
通过舰船尾流散射回波模型构建数据集A, 通
过水箱实验构建数据集B, 数据集的构成如图5所示。

数据集A 包含1 440段有尾流时散射回波和1 440段无尾流时散射回波。

为了提高仿真数据集A 的泛化性, 有/无尾流时散射回波分别包含收发平台距水面不同距离、不同航行速度和不同信号发射角度的散射回波, 构成见表1。

每一段散射回波包含1个发射周期的散射回波, 包含25 000个采样点。

信噪比(signal noise ratio, SNR)是评价信号中含有多少有效信息的重要指标, 且
SNR =P signal P noise 式中, 和分别表示信号功率和噪声功率。

对数据集A 添加不同SNR 的高斯白噪声, 构成一系列不同SNR 的数据集。

数据集B 是通过水箱仿真实验采集得到的数据, 包含240段有尾流时散射回波和240段无尾流时散射回波。

有/
无尾流
时散射
回波分别包含120段垂直向上发射信号的散射回波和
120段倾斜向上发射信号的散射回波。

数据集
数据集 A
数据集 B
有尾流时散射回波
垂直向上发射信号倾斜向上
发射信号信噪比为−5 dB
· · ·
无尾流时散射回波
有尾流时散射回波信噪比为−24 dB
无尾流时散射回波有尾流时散射回波无尾流时散射回波垂直向上发射信号倾斜向上发射信号
图 5 数据集构成
Fig. 5 Composition of data set
表 1 数据集A 构成
Table 1 Composition of data set A
距水面距离/m 收发平台速度/(m/s)
声源发射信号角/(°)
有尾流散射回波个数
无尾流散射回波个数
15090120120150601201201520901201201520601201202009012012020060120120202090120120202060120120250901201202506012012025209012012025
20
60
120
120
2023 年 12 月杨长生, 等: 基于一维卷积神经网络的舰船尾流检测
第 6 期
水下无人系统学报 —————————————————————— 841
2　基于1DCNN的舰船尾流检测
深度学习方法通过挖掘数据更深层次的特征,得到数据间的内部规律。

传统卷积神经网络进行信号处理时需要将信号转化为二维图像, 不但降低了效率, 而且还需要考虑二维图像因尺度变化等问题对检测性能的影响[10]。

目前1DCNN已在信号检测中取得一定研究成果, 包括故障信号检测、管道泄露信号检测和地震信号检测等[11]。

有尾流时散射回波和无尾流回波信号在幅度和时序存在较大差异。

为提高舰船尾流检测的精度、训练速度和效率, 设计了可用于舰船尾流检测的1DCNN, 挖掘有/无尾流时散射回波的差异, 以提高舰船尾流检测准确率。

2.1　1DCNN基础结构
1DCNN的结构示意如图6所示, 包括输入层、隐藏层和输出层。

输入层
卷积层
池化层
全连接层
输出层
信号
图 6 1DCNN结构示意图
Fig. 6 1DCNN structure
输入层为时域信号或频域信号。

隐藏层通常包括卷积层、池化层和全连接层3类基础结构。

在卷积层中, 卷积核为一维条状, 按照特定的方向和步长不断滑动从而遍历各个采样点。

池化操作在卷积层提取特征之后, 对其进行下采样, 从而减少计算量和参数个数等。

池化窗口的大小需要与输入信号长度相匹配。

全连接层是用来分类的层结构, 对提取的特征进行非线性组合以得到输出,在全连接层前, 1DCNN需在深度方向展开。

最后采用监督学习, 由输出层输出分类标签。

2.2　1DCNN结构设计
二维卷积神经网络结构在图像分类任务中较为多样化, 但对于一维数据分类任务的模型研究较少。

随着计算机性能的提高, 在图像处理领域,许多学者开始搭建层数越来越深的网络, 以此获得更强的拟合能力, 但模型复杂度和计算时间也大幅提高。

通过对比分析不同深度的网络识别准确率和网络复杂度, 搭建了适合舰船尾流检测的1DCNN结构。

舰船尾流检测包含2种回波信号, 相比光学图像包含的信息量更少, 因此不需要很深的网络, 文中研究卷积层层数为4、5和6等3种模型的检测性能, 不同卷积层的参数见表2。

在最后1个卷积层之后连接全局最大池化(Global Max Pooling, GMP)层, 其他卷积层之后跟着大小为1×3、步长为2的最大池化层, 对特征矩阵进行降维。

在GMP层后依次连接神经元个数为128和2的全连接层, 在全连接层前均采用Dropout函数随机失活20%的神经元用来防止过拟合。

表 2 不同卷积层数模型参数表
Table 2 Parameters of models with different convolutional layers
卷积层
卷积层数
456第1层1×125, 321×125, 321×125, 32
第2层1×15, 321×15, 321×15, 32
第3层1×3, 641×3, 641×3, 64
第4层1×3, 321×3, 321×3, 32
第5层—1×3, 321×3, 32
第6层——1×3, 32
使用数据集A对3种模型进行实验, 并求出检测准确率的平均值和模型参数量, 见表3和表4。

表 3 不同卷积层数模型检测准确率
Table 3 Model detection accuracy with different convolu-tional layers单位：%
信噪比/dB
卷积层数
456−2098.3299.4899.64
−2195.1599.2599.51
−2292.8299.1099.20
−2390.1096.6094.50
−2487.8593.2890.15
2023 年 12 月水下无人系统学报第 31 卷842 ———————————————— Journal of Unmanned Undersea Systems
表 4 不同卷积层数模型参数量
Table 4 Model parameter quantity with different convo-lution layers
卷积层数参数量
4362 90
539 394
642 498
通过比较表3和表4可知, SNR为−22~−20 dB 时, 随着卷积层数的增加, 检测准确率逐渐升高, 模型参数数量也逐渐增加。

SNR为−23 dB和−24 dB 时, 网络层数由4层增加到5层, 检测准确率增加,但增加至6层时, 检测准确率下降。

这是因为当层数为6层时, 网络发生过拟合, 导致检测准确率下降。

检测概率95%以上, 认为可以有效检测, 发现4层卷积层的模型在SNR>−21 dB 时可有效检测, 5层卷积层的模型在SNR>−23 dB时可有效检测, 6层网卷积层的模型在SNR>−22 dB时可有效检测。

综合考虑检测准确率和参数量, 文中选取卷积层数量为5层。

对于卷积神经网络来说, 模型的宽度指的是卷积核的个数。

文中综合检测准确率和参数量选取32和64这2种常用卷积核数。

最终搭建的1DCNN 包含5个卷积层、4个最大池化层、1个GMP层和2个全连接层, 参数见表5。

表 5 1DCNN结构参数表
Table 5 Parameters of 1DCNN structure 结构层参数步长填充输入输出大小输入层———1×25 000
卷积层1×125, 3216Valid1×1 555×32
池化层1×32Valid1×776×32
卷积层1×15, 324Valid1×191×32
池化层1×32Valid1×96×32
卷积层1×3, 642Valid1×47×64
池化层1×32Valid1×24×64
卷积层1×3, 321Valid1×22×32
池化层1×32Valid1×11×32
卷积层1×3, 321Valid1×9×32
GMP32———
全连接层128———
全连接层2———
Softmax————
1DCNN第1层是大小为1×125的卷积核, 用来捕获更宏观的特征; 第2层采用大小为1×15的卷积核; 之后均采用大小为1×3的卷积核。

前4个卷积层之后都跟着窗口大小为1×3、步长为2的最大池化层对特征矩阵进行降维, 最后1层卷积层采用GMP层代替最大池化层, 可减小模型参数和计算复杂度且能防止过拟合。

在GMP层后连接2层全连接层以提高非线性分类性能。

填充(Padding)方式不再采用传统的补零方式, 而采用“Valid”填充方式, 如图7所示。

图 7 “Valid”填充方式示意图
Fig. 7 “Valid” filling method
“Valid”填充方式为在卷积核完全覆盖数据起始端开始进行卷积操作, 卷积核在按照图示方向移动到数据边界时, 若剩余元素个数不足以与卷积核进行卷积操作, 则舍弃这些剩余元素。

2.3　1DCNN训练与测试
1DCNN是1种能够处理非线性数据的网络结构算法, 训练与测试步骤如下。

1) 获取散射回波信号: 包括有尾流时回波信号和无尾流时回波信号。

2) 预处理: 对回波信号进行高斯滤波处理降噪。

假设海洋背景噪声为高斯白噪声, 而高斯有限响应冲击滤波器可有效抑制正态分布噪声。

3) 划分数据集: 将预处理后的样本以一定的比例分为训练集和测试集, 其中, 有尾流时散射回波数据标签为1, 无尾流时散射回波数据标签为0。

4) 训练模型: 每次从训练数据库中读取一定批量的样本送入1DCNN, 进行1次迭代计算。

经过前向传播得到模型的输出, 通过损失函数计算得到本次迭代的误差, 然后通过Adam优化算法对模型权重值进行更新。

当迭代次数达到总迭代次数后, 模型完成训练。

此时, 保存模型训练得到的权重值, 以便在测试时使用, 如图8所示。

2023 年 12 月杨长生, 等: 基于一维卷积神经网络的舰船尾流检测第 6 期水下无人系统学报 —————————————————————— 843
图 8 1DCNN 训练流程图
Fig. 8 Flow chart of 1DCNN training
5) 测试模型: 首先读取之前已训练好的权重文件, 加载到1DCNN; 然后读取全部测试数据, 一次性送入1DCNN 进行前向传播; 最后得到1组预测值, 以识别准确率为评价指标计算预测值的准确率, 从而得到尾流的检测准确率
, 如图9所示。

图 9 1DCNN 测试流程图Fig. 9 Flow chart of 1DCNN test
3　实验结果及分析
3.1　舰船尾流检测结果
实验采用Python 语言, 基于Tensorflow 搭建
了1DCNN 。

为在保证检测性能的基础上选择模型空间复杂度最低、对硬件设备要求最小的模型,故在训练时仅使用CPU 。

用于训练的计算机配置
为Intel(R)Core(TM) i7-6700HQ ***********处理器。

首先对数据集A 和B 进行预处理, 数据集选取的发射信号为100 kHz 的连续波(continuous wave, CW)信号, 所以选取阶数为165阶、方差为1、均值为0和中心频率为100 kHz 的高斯带通滤波器, 幅频曲线如图10所示。

0100频率/kHz
归一化幅度
250
20015050
0.5
1.0
图 10 高斯滤波器幅频响应曲线
Fig. 10 Amplitude frequency response curve of Gaussian
filter
然后在预处理后每个SNR 的样本中随机抽取20%作为测试集, 其余样本作为训练集输入1DCNN 。

综合考虑计算机配置与训练效率等因素, 确定输入模型的批大小(batch size)为32, 迭代代数(epoch)均为20。

为方便与其他算法对比, 将测试集的准确率均趋于稳定后的平均识别准确率作为网络的最终识别准确率。

利用数据集A 中−10 dB 的数据进行测试, 获得的训练集和测试集识别准确率曲线如图11所示。

根据曲线图得出1DCNN 模型在10~20代趋
于收敛, 计算测试集平均识别率为99.85%。

此外,
训练迭代数/次
精准度/%0.5
0.60.70.80.91.0图 11 1DCNN 模型识别准确率曲线图
Fig. 11 Recognition accuracy curves of 1DCNN model
2023 年 12 月水下无人系统学报第 31 卷
844 ———————————————— Journal of Unmanned Undersea Systems
统计了实验中1DCNN对2 880段散射回波预测总时间, 计算出网络处理1段散射回波的平均时间为40.1 ms, 说明检测模型具有良好的实时性。

选择单类支持向量机(one-class support vector machine, OCSVM)和BP神经网络进行对比分析。

OCSVM和BP神经网络选择Jeong等[3]提出的2种固定阈值作为特征输入。

3种算法在数据集A和B的检测准确率见表6。

表 6 不同算法在数据集A和B的检测准确率
Table 6 Detection accuracy of different algorithms on data sets A and B单位：%
算法
数据集A
数据集B SNR=−5 dB SNR=−10 dB SNR=−15 dB
1DCNN100.0099.9899.85100.00 OCSVM98.7596.6075.0099.20 BP神经网络95.2090.0063.7598.43
由表6可知, 对于数据集A, 当SNR为−10~−5 dB时, 3种算法的尾流检测准确率较为理想。

相对于OCSVM和BP神经网络检测准确率, 1DCNN 进一步提高了检测准确率; 当SNR为−15 dB时, OCSVM和BP神经网络由于提取的特征鲁棒性较差, 检测准确率迅速下降, 而1DCNN仍表现优异。

因为OCSVM和BP神经网络是先人工提取特征再进行分类检测, 导致检测性能与提取特征密切相关。

数据集B是水箱实验环境下采集到的数据, SNR较高, 3种算法都表现优异, 算法检测准确率均较为理想。

1DCNN相比OCSVM和BP神经网络进一步提高了检测准确率。

3.2　泛化性分析
为验证文中网络的泛化性, 分别使用数据集A 训练模型→数据集B测试模型和使用数据集B训练模型→数据集A测试模型, 结果如表7所示。

表 7 变数据集检测准确率
Table 7 Detection accuracy of change dataset
单位：%试验过程
SNR(数据集A)/dB
−10−15−20 A→B97.8997.8595.43
B→A96.895.6752.10
从表7可知, 当训练集和测试集为不同数据集时, 检测准确率出现下降, 这是因为数据集之间的差异造成的。

使用数据集A训练模型, 数据集B 测试模型检测准确率总体高于使用数据集B训练模型, 数据集A测试模型。

这是因为数据A的SNR 总体低于数据集B, 数据集B是水箱环境下采集的数据, SNR较高, 导致训练的模型鲁棒性较差。

当数据A的SNR较高时, 可以实现有效检测。

3.3　消融实验
文中设计的1DCNN不同与常规卷积神经网络, 第1层卷积层采用尺寸为125的大卷积核, 且在全连接层之前采用GMP层。

为了验证这种结构改进的有效性, 将同另外3种网络结构一起进行消融实验。

网络结构1是常规卷积神经网络, 第1层卷积神经网络采用尺寸为3的小卷积核, 且采用最大池化(max pooling, MP)。

网络结构2中第1层卷积神经网络采用尺寸为125的大卷积核且采用MP。

网络结构3中第1层卷积神经网络采用尺寸为3的小卷积核且采用GMP。

网络结构4即文中设计的结构。

在数据集A和数据集B上,对4种网络结构进行实验, 结果见表8。

表 8 不同网络模块配置下的检测准确率
Table 8 Detection accuracy under different network module configurations
网络结构类别
数据集A检测准确率/%数据集B
检测准确率/%
参数量SNR=−22 dB SNR=−23 dB SNR=−24 dB
1(小卷积核和MP)53.5052.3051.2696.843 682 2(大卷积核和MP)96.1883.3050.00100.047 568 3(小卷积核和GMP)53.9953.2152.5398.235 450 4(大卷积核和GMP)99.1096.6093.28100.039 394
由表8可见, 这4种网络结构中, 对于1DCNN,第1层采用大卷积核的检测准确率比小卷积核高很多, 这是因为大卷积核有更大的感受野, 但参数量也随之增加。

此外, GMP相比MP可以有效提
2023 年 12 月杨长生, 等: 基于一维卷积神经网络的舰船尾流检测第 6 期水下无人系统学报 —————————————————————— 845
高检测准确率并减少参数量, 这是由于GMP层能够增强特征与目标类别之间的相关性, 同时GMP 层中没有需要训练的参数, 因此可以大幅减少网络的参数和计算量, 有效防止过拟合, 使得学习到的特征鲁棒性更好。

可见文中设计的第1层卷积层采用大卷积核和GMP的网络模型可有效提高检测准确率并减小计算量。

4　结束语
为了提高舰船尾流的检测准确率, 文中提出一种基于1DCNN的舰船尾流检测方法。

综合考虑网络的检测准确率和计算量搭建了1DCNN, 并在舰船声尾流散射模型构建的仿真数据集和水箱实验采集的实验数据集上, 与传统算法进行对比。

分析可知, 1DCNN提高了尾流检测准确率, 且在较低SNR时也能保持良好的检测效果。

从检测时间来看, 1DCNN具有较好的实时性, 而且选择一维时域信号直接作为输入, 提高了检测效率。

仿真结果表明, 文中提出的舰船尾流检测算法可满足实际检测精度和检测速度的要求, 具有一定的工程应用价值。

参考文献:
王成, 吴岩, 杨廷飞. 利用改进单分类支持向量机提升
舰船尾流目标的检测准确率[J]. 兵工学报, 2020,
41(9): 1887-1893.
Wang Cheng, Wu Yan, Yang Tingfei. Improving the de-
tection accuracy of wake targets by improved one-class
support vector machine[J]. Acta Armamentarii, 2020,
41(9): 1887-1893.
[1]
樊书宏, 严冰, 刘昆仑, 等. 舰船尾流侧向声检测方法
[J]. 声学技术, 2011, 30(6): 474-479.
Fan Shuhong, Yan Bing, Liu Kunlun, et al. A study of
ships wake detection by side acoustic scattering[J]. Tech-
nical Acoustics, 2011, 30(6): 474-479.
[2]
Jeong S, Ban S W, Choi S, et al. Surface ship-wake de-[3]
tection using active sonar and one-class support vector machine[J]. IEEE Journal of Oceanic Engineering, 2012, 37(3): 456-466.
金磊磊, 梁红, 杨长生. 基于卷积神经网络的水下目标声呐图像识别方法[J]. 西北工业大学学报, 2021, 39(2): 285-291.
Jin Leilei, Liang Hong, Yang Changsheng. Sonar image recognition of underwater target based on convolutional neural network[J]. Joumal of Nonhwestem Polytechnical University, 2021, 39(2): 285-291.
[4]
Ferguson E L, Ramakrishnan R, Williams S B, et al. Con-volutional neural networks for passive monitoring of a shallow water environment using a single sensor[C]//2017 IEEE International Conference on Acoustics, Speech and Signal Processing(ICASSP). New Orleans, LA, USA: IEEE, 2017: 2657-2661.
[5]
Razzak M I, Naz S, Zaib A. Deep learning for medical image processing: Overview, challenges and the future [EB/OL]. (2017-04-22)[2022-08-29]. https:///abs/ 1704.06825v1.
[6]
R J 尤立克. 水声学原理[M]. 洪申, 译. 哈尔滨: 哈尔滨船舶工程学院出版社, 1990.
[7]
Keller J B, Miksis M. Bubble oscillations of large amp-litude[J]. The Journal of the Acoustical Society of Amer-ica, 1980, 68(2): 628-633.
[8]
王虹斌. 水中气泡幕的多体多次声散射模型分析[J].
船舶工程, 2006, 28(3): 30-33.
Wang Hongbin. Analysis of multi-body multi-dispersion model for bubble screen[J]. Ship Engineering, 2006, 28(3): 30-33.
[9]
Leifer I, Patro R K. The bubble mechanism for methane transport from the shallow sea bed to the surface: A re-view and sensitivity study[J]. Continental Shelf Research, 2002, 22(16): 2409-2428.
[10]
陈维兴, 崔朝臣, 李小菁, 等. 基于多种小波变换的一维卷积循环神经网络的风电机组轴承故障诊断[J]. 计量学报, 2006, 28(3): 30-33.
Chen Weixing, Cui Chaochen, Li Xiaojing, et al. Bear-ing fault diagnosis of wind turbine based on multi-wave-let-1 d convolutional LSTM[J]. Acta Metrologica Sinica, 2006, 28(3): 30-33.
[11]
(责任编辑: 杨力军)
2023 年 12 月水下无人系统学报第 31 卷846 ———————————————— Journal of Unmanned Undersea Systems 。