提出了一種以 MFCC 作為輸入的海洋噪聲分類和識別系統,能夠對來自鯨目動物、魚類、海洋無脊椎動物、人為聲音、自然聲音和被動聲學海洋噪聲記錄的未識別海洋聲音進行分類。Meier譜與一階和二階導數連接起來,以增加特征的輸入位數,并使用循環神經網絡進行識別。
將遷移學習引入石斑魚聲音分類,并證明遷移學習具有良好的識別精度引入了卷積神經網絡來進行水聲信號的多目標識別。證明,使用振幅短時傅立葉變換12 (STFT)、復值 STFT 譜和 log-mel 譜作為網絡輸入可以有效識別多目標信號。
自主水下機器人上的計算芯片往往無法承受高算力,因此開發簡單的高性能網絡也成為困難之一。
為了提高識別網絡的有效性,可以在圖像識別中采用數據增強。本文提出了一種基于卷積神經網絡的深度學習解決方案,以改進數據增強和網絡決策層,以利用特征融合提高網絡識別精度。為了探索最佳的水聲信號特征,將原始音頻信號、MFCC 和不同的融合特征作為 CNN 網絡的輸入進行比較。為了驗證網絡的泛化性,將完成的訓練網絡應用于新的數據集DeepShip,取得了更好的結果。