2024年5月23日发(作者：)
NO.17
科技资讯
2023
SCIENCE & TECHNOLOGY INFORMATION
DOI： 10.16661/.1672-3791.2302-5042-4497
信息与智能
基于深度神经网络的水下目标识别技术研究
田禹 田文峰 苏宇辰 于新伟 王云飞
(天津工业大学电子与信息工程学院 天津 300387)
摘要： 水下目标的分类识别对国防建设和海洋资源开发有重要意义。该文对水下目标辐射噪声进行处理，
通过深度神经网络实现目标的自动分类识别；对水下目标辐射噪声建模，生成水下目标样本，辅助真实数据，
对网络模型进行训练和测试；对水下目标辐射噪声进行DEMON谱处理，提取目标特征。该文设计了深度神
经网络对水下目标DEMON谱进行分类识别，并给出了网络模型的结构。实验表明：该文提出的深度神经网
络能够对5种不同的水下目标进行准确识别，达到设计预期。
关键词： 深度神经网络 水下目标识别 舰船辐射噪声 DEMON谱
中图分类号： TP391.4文献标识码： A 文章编号： 1672-3791(2023)17-0013-04
Research on Underwater Target Recognition Technology Based
on the Deep Neural Network
TIAN Yu TIAN Wenfeng SU Yuchen YU Xinwei WANG Yunfei
(School of Electronics and Information Engineering, Tiangong University, Tianjin, 300387 China)
Abstract: The classification and recognition of underwater targets is of important significance for national defense
construction and the development of marine resources. This paper processes the radiated noise of underwater targets,
and realizes the automatic classification and recognition of targets through the deep neural network. This paper
models the radiated noise of underwater targets, generates underwater target samples to assist real data, and trains and
tests the neural network model. The radiated noise of underwater targets is performed DEMON spectrum process‐
ing to extract target features. This paper designs a deep neural network to classify and recognize the DEMON spec‐
trum of underwater targets, and gives the structure of the network model. The experiment shows that the deep
neural network proposed in this paper can accurately identify five different underwater targets, and achieve design
expectation.
Key Words: Deep neural network; Underwater target recognition; Ship radiated noise; DEMON spectrum
水下目标的分类识别是利用声学或光学手段，对
水下物体进行分类或识别，对国防建设和海洋资源开
发有重要意义。舰艇辐射噪声是水下目标分类识别的
主要信息来源
[1]
，其包括多种噪声源，由宽带连续谱和
一系列线谱构成。如何从辐射噪声中获取目标特征信
息并进行分类识别，是水下目标分类识别领域的主要
研究方向。
传统的水下目标分类识别是由人的听觉完成的，
存在很大的局限性，不适应现代信息化的水下作业场
景。深度学习（Deep Learning）在计算机视觉、语音识
别、自然语言处理等领域取得巨大成功，在很多方面接
近或超过了人的智能水平。在这种技术浪潮下，声呐
研究人员也将深度学习技术引入水下目标识别领域，
取得了丰富的研究成果。
基金项目： 天津市级大学生创新创业训练计划项目资助（项目编号：2）。
作者简介： 田禹（2000—），男，本科，研究方向为机器学习。
科技资讯SCIENCE & TECHNOLOGY INFORMATION
13
Copyright©博看网. All Rights Reserved.
信息与智能
葛召华等人利用Wigner高阶谱方法提取水下信
王升贵等人通过短时傅里叶变换得到LOFAR谱图，使
用深度卷积神经网络进行分类识别
[3]
。付同强等人使
用迁移学习方法进行水下目标识别。李琛等人利用
多通道级联特征的深度神经网络解决低信噪比条件下
的水下目标识别问题。张牧行等人提出一种水下目
标识别的最大信息系数特征选择方法，可以使用更少
的特征，提升分类正确率。此外，吴晏辰等人基于
MFCC和GFCC特征构建卷积神经网络和残差神经网
络，建立小样本下的水下目标识别系统。陈凯峰等
人设计了基于FPGA和CNN的水下目标识别系统。
本文在前人研究基础上，对水下目标辐射噪声进
行建模，生成虚拟样本，辅助真实样本对网络进行训
练。分析了水下目标辐射噪声DEMON谱特征提取方
法，生成DEMON谱样本。设计了深度神经网络对水
下目标DEMON谱进行分类识别，实验数据表明该网
络模型能较好地对水下目标进行分类识别，达到预期
设计目标。
[8]
[7]
[6]
[5]
[4]
2023 NO.17
SCIENCE & TECHNOLOGY INFORMATION
科技资讯
号的谱特征，用最小二乘支持向量机进行目标识别
[2]
。布。通过调整海洋环境噪声
v
a
(
t
)
的强度，来改变水下
目标辐射噪声的信噪比。
不同的。每个谐波的调制幅度
m
i
在0.5~1之间随机分
2 水下声信号特征提取
水下目标辐射噪声经过远距离传播，到达声呐接
收端时功率非常微弱，完全淹没在环境噪声中。目前，
有多种方法可以从环境噪声中提取水下目标辐射噪声
特征，如LOFAR谱、DEMON谱、梅尔倒谱系数、高阶统
计量等。本文使用DEMON谱进行水下目标的分类识
别，DEMON谱可以提取水下目标辐射噪声的低频线谱
和连续谱，包含了舰船螺旋桨的轴频和叶频信息，广泛
用于水下目标检测、分类和识别。
水下目标辐射噪声DEMON谱的提取过程如图2
所示。舰船辐射噪声经过多个不同频带的带通滤波
器，多通道数据分别进行绝对值检波、低通滤波和降采
样处理后，进行傅里叶变换，得到的谱图为多通道的
DEMON谱。为了降低深度神经网络的计算量，多通道
DEMON谱取最大值，保留一个通道作为最终目标识别
的样本。
舰船
辐射
噪声
1 水下目标辐射噪声建模
对水下目标进行分类识别时，由于水下目标样本
采集代价大，造成数量和种类稀缺，不满足深度神经网
络训练需求。通常情况下，需要对水下目标辐射噪声
建模，生成不同种类和参数的样本，辅助真实的样本，
对网络模型进行训练和测试。
本文根据水下目标辐射噪声谱的特征，设计的仿
真模型如图1所示。
多频率
周期谐波信号
空化噪声信号
目标辐射
噪声信号
海洋环境噪声
带通
滤波1
带通
滤波2
···
带通
滤波n
绝
对
值
检
波
FFT
DEMON 1
低
通
滤
波
降
采
样
FFT
DEMON 2
取
大
单通道
DEMON
···
DEMON n
FFT
图2 DEMON谱的提取过程
本文傅里叶变换的长度为4 096，取前一半谱线作
为DEMON谱的样本，即每个样本的维度为1×2 048。
3 深度神经网络的设计
深度神经网络是一种利用非线性映射函数的方式
建立的数学模型，广泛用于机器学习领域。神经网络
由大量的神经元构成，解决不同问题时，需要专门进行
网络设计和训练，确定各神经元之间的连接关系和权
重值。通过大规模的数据训练，实现网络模型的自主
本文设计深度神经网络，并进行训练，实现对5个
不同种类的水下目标进行识别，并可对深度神经网络
的Dense层的层数、各Dense层的神经单元数等网络结
构进行精细筛选调优。网络模型训练时，采用Glorot
初始化方式、调整训练批次Batch大小，损失函数选择
图1 水下目标辐射噪声模型
水下目标辐射噪声的建模过程可以表示为
K
ìü
s
(
t
)
=
í
1+
∑
m
i
siniω
s
t+θ
s
(
t
)
ý
v
c
(
t
)
+v
a
(
t
)
（1）
î
i=1
þ
()
v
a
(
t
)
为海洋环境噪声信号；
ω
s
为辐射噪声基频；
学习。
信号；
m
i
为基频的
i
次谐波分量的调制幅度；
θ
s
(
t
)
为
i
次谐波
K
为谐波次数。分量的调制相位；
s
(
t
)
为目标辐射噪声；
v
c
(
t
)
为空化噪声
式（1）中：
根据该模型，生成5类目标，用于深度神经网络的
训练、评估和测试。不同目标的本质区别在于辐射噪
声基频
ω
s
是不同的，特征谱线的数量即谐波次数
K
是
14
科技资讯SCIENCE & TECHNOLOGY INFORMATION
Copyright©博看网. All Rights Reserved.
NO.17
科技资讯
2023
SCIENCE & TECHNOLOGY INFORMATION
层名称
输入层
Dense层1
Dense层2
Dropout层1
Dense层3
输出层
表1 深度神经网络的结构和参数
神经元数
－
1 024
256
－
128
5
信息与智能
输出维度
1×2 048
1×1 024
1×256
1×256
1×64
1×5
交叉熵损失，优化器选用Adam。为了防止神经网络出
现过拟合现象，在隐蔽层之间设计Dropout层，丢弃率
设置为0.2，随机减小隐蔽层之间连接。
本文经过优化设计额深度神经网络的结构如图3
所示。网络模型除了输入层和输出层外，包含3个
Dense层和一个Dropout层。
网络模型参数如表1所示。
4 实验与分析
4.1 样本生成
根据式（1）所述的模型，生成不同种类的目标辐射
噪声，按照图2所示的DEMON谱处理过程，生成目标
的样本，任取4个样本，图形如图4所示。
由图4中可以看出，不同种类目标的特征谱线有
明显差异。
4.2 网络的优化
图3 网络模型结构
深度神经网络的设计，需要对多个参数进行筛选
图4 典型目标样本
图5 多普勒频偏对网络性能的影响
科技资讯SCIENCE & TECHNOLOGY INFORMATION
15
Copyright©博看网. All Rights Reserved.
信息与智能
2023 NO.17
SCIENCE & TECHNOLOGY INFORMATION
科技资讯
图6 混淆矩阵
优化。本文以Dense层数为例，说明网络优化过程。
深度神经网络对水下目标识别的性能容易受到水
下目标运动状态和工作状态影响，如多普勒频偏。评
估网络模型性能时，需要重点考察多普勒频偏对网络
模型性能的影响。
进行网络模型设计时，研究不同的Dense层数量
时，水下目标辐射噪声多普勒频偏对网络模型性能的
对辐射噪声进行DEMON谱处理，提取目标特征。设
计深度神经网络，给出网络结构和参数，用于水下目标
分类识别。实验数据表明：提出的网络模型能够准确
地对目标进行分类识别，达到预期效果。研究下一步
工作是完善数据集，补充更多的目标样本，对网络模型
进行改进，进一步提升分类识别性能。
参考文献
影响，结果见图5。图中，横坐标为相对多普勒频偏，
[1]徐及,黄兆琼,李琛,等.深度学习在水下目标被动识
纵轴为识别精度，不同的曲线表示不同的Dense层时，
别中的应用进展[J].信号处理,2019,35(9):1460-1475.
识别精度随多普勒频偏的变换。从图5中可以看出，
[2]葛召华,李明亮,庄磊,等.特征提取和最小二乘支持
相对多普勒频偏增大时，识别精度均有不同程度的下
降，但是Dense层为3层时，识别精度随多普勒频偏增
大时下降得最慢。由此可知，Dense层为3时，网络模
型对水下目标多普勒频偏具有更好的包容性。
按照类似的研究方法，本文对网络模型的各个参
数进行优化，得到表1所示的优化后的网络模型。
4.3 分类识别结果
测试数据集包含5类不同种类的目标样本，标记
为A~E，每类目标样本数为500，样本的多普勒频偏是
随机生成的。使用测试数据集对本文提出的深度神经
网络进行性能测试，分类识别结果的混淆矩阵如图6
所示。
由图6可知，5类目标最低识别率为90.0%，最高
识别率为93.2%，平均识别率为91.6%，达到了预期的
研究目标。
向量机的水下目标识别[J].舰船科学技术,2022,44
(15):131-134.
[3]王升贵,胡桥,陈迎亮,等.基于深度学习的水下目标
识别方法研究[J].舰船科学技术,2020,42(12):141-145.
[4]付同强,胡桥,刘钰,等.基于优化二维变分模态分解
与迁移学习的水下目标识别方法[J].水下无人系统
学报,2021,29(2):153-163.
[5]李琛,黄兆琼,徐及,等.使用深度学习的多通道水下
目标识别[J].声学学报,2020,45(4):506-514.
[6]张牧行,申晓红,何磊,等.一种水下目标识别的最大
信息系数特征选择方法[J].西北工业大学学报,
2020,38(3):471-477.
[7]吴晏辰,王英民.面向小样本数据的水下目标识别
神经网络深层化研究[J].西北工业大学学报,2022,
40(1):40-46.
[8]陈凯峰,梁鉴如,陈强,等.基于FPGA和CNN的水下
目标识别系统[J].传感器与微系统,2021,40(4):103-
105,109.
5 结语
本文对水下目标辐射噪声建模，生成虚拟目标样
本，辅助真实数据，实现对神经网络的训练和测试，并
16
科技资讯SCIENCE & TECHNOLOGY INFORMATION
Copyright©博看网. All Rights Reserved.
发布评论