⚡ electrical engineering

Modulation Feature Enhancement with a Multi-Stage Attention Network for Underwater Acoustic Target Recognition

本文提出了一种用于水下声学目标识别的鲁棒深度学习框架，该框架将基于变分模态分解的二维 DEMON 谱特征提取与多阶段多类型注意力网络及可调节类别平衡焦点损失相结合，以有效应对复杂噪声特性和严重的类别不平衡问题。

原作者： Shefeng Yan, Linlin Mao, Zeping Sui, Chunjin Jiang

发布于 2026-05-19

📖 1 分钟阅读☕ 轻松阅读

原作者： Shefeng Yan, Linlin Mao, Zeping Sui, Chunjin Jiang

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图仅凭船只发出的噪音，在雾蒙蒙的海洋中识别不同的船只。这就是水下声学目标识别所面临的挑战。海洋充满噪音，声音复杂，而且有时你只有某些类型船只的极少录音，这使得训练计算机将它们区分开来变得困难。

本文提出了一种新的“超级听者”系统（一种深度学习模型），旨在解决三个主要问题：听清正确的声音、聚焦关键部分，以及在某些船只罕见时实现公平学习。

以下是其解决方案的运作方式，分解为简单的概念：

1. 清理声音：“智能分解”

船只噪音杂乱无章。它们是引擎轰鸣、螺旋桨咔哒声和流水声的混合体。

问题：传统方法试图一次性聆听整个噪音，这就像在没有分离的情况下，试图在整支管弦乐队中听清一把小提琴。
解决方案：作者使用了一种称为**VMD（变分模态分解）**的技术。将其想象为一个高科技音频混音器，它自动将杂乱的噪音拆分为独立的“音轨”或层级，就像将贝斯、鼓点和人声分离开来一样。
增强：随后，他们对这些音轨应用了一种特殊的数学滤波器（3/2-D 频谱）。想象这个滤波器是一个“降噪”工具，专门去除静电和背景嘶嘶声，同时保留船只引擎和螺旋桨独特的“指纹”。
结果：他们将这些清理后的音轨合并成一张二维图谱（声音的视觉图像）。这张图谱突出了使每艘船只独特的特定“节奏”（调制），使得计算机更容易识别差异。

2. “智能聚光灯”：多阶段注意力

一旦计算机拥有了这张声音图谱，它就需要知道该看哪里。

问题：标准的计算机视觉模型通常在全局使用相同的“聚光灯”（注意力机制）。但在这种情况下，重要的线索取决于计算机观察的深度而位于不同的位置。
解决方案：作者构建了一个多阶段多类型注意力网络（MMATT）。想象一个由三名侦探组成的团队，每人拥有不同的专长，在调查的不同阶段工作：
- 侦探 1（R-CISAM）：单独查看每个声音音轨的原始细节。他们不让音轨相互干扰，确保没有独特的线索丢失。
- 侦探 2（MS-SFSAM）：观察“大局”，以及声音不同部分在更大范围内的相互关系。他们使用不同的“缩放级别”（多尺度）来捕捉微小的咔哒声和巨大的引擎轰鸣声。
- 侦探 3（通道注意力）：决定哪些声音音轨最重要，调高它们的音量，同时静音无关的音轨。
结果：通过在正确的时间使用这些专业侦探，该系统在忽略背景噪音并聚焦船只真实身份方面变得更为出色。

3. 公平学习：“可调节记分牌”

现实世界的数据是不公平的。你可能有 1,000 份“拖船”的录音，却只有 20 份“帆船”的录音。

问题：如果你主要用拖船的例子来训练学生，他们将成为拖船专家，但在帆船方面却完全失败。这被称为类别不平衡。
解决方案：作者创建了一种新的评分系统，称为可调节类别平衡焦点损失（ACBFL）。
- 这就像一位根据学生表现调整考试难度的老师。如果计算机擅长识别常见船只，老师就会让稀有船只“值更多分”。
- 至关重要的是，该系统是可调节的。老师可以微调设置（参数），以决定给予稀有船只多少额外的关注，确保计算机学会识别所有类型的船只，而不仅仅是常见的那些。

核心结论

作者在真实的船只噪音数据（ShipsEar数据集）上测试了该系统。

之前：标准方法表现挣扎，准确率约为 73%。
之后：他们的新系统，结合了智能声音分解、多阶段侦探机制和公平评分系统，实现了超过**91%**的准确率。

简而言之，他们不仅制造了一个更好的麦克风；他们构建了一个更聪明的“大脑”，懂得如何清理声音、聚焦正确的线索，并从不完美的数据中公平地学习。

技术摘要：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

1. 问题陈述

水下声学目标识别（UATR）是海事应用的关键组成部分，但由于船舶辐射噪声的复杂多样性和真实世界数据的稀缺性，面临着重大挑战。主要困难包括：

复杂的信号特征： 船舶辐射噪声由机械、螺旋桨和水动力分量组成。螺旋桨噪声包含关键的调制特征（轴频、叶片数），但这些特征在不同频带表现出变化的调制强度。传统的全带噪声包络解调（DEMON）分析常因这种非均匀性而引入误差。
特征表示不足： 现有方法通常依赖均匀频带分割或单阶段注意力机制，无法捕捉网络不同深度处特征的显著差异。此外，标准注意力机制（如 CBAM 中的空间注意力）假设关键信息在各通道中具有 consistent 的空间位置，这不适用于 DEMON 谱特征，因为关键信息在各通道中的分布是不同的。
数据不平衡： 真实世界数据集存在严重的类别不平衡（长尾分布）以及由于运行条件和环境变化导致的“难易样本”不平衡。标准损失函数往往导致模型对头部类别过拟合，而对尾部类别欠拟合。

2. 方法论

作者提出了一个鲁棒的深度学习框架，包含三个核心组件：一种新颖的特征提取与融合方案、多阶段多类型注意力网络（MMATT）以及可调节的类别平衡焦点损失（ACBFL）。

2.1. 特征提取与融合

为了生成高保真的二维 DEMON 谱特征，作者结合了变分模态分解（VMD）和 3/2-D 谱：

VMD 分解： 信号不是通过均匀带通滤波，而是利用 VMD 自适应地分解为本征模态函数（IMF）。这解决了船舶噪声调制特性的非均匀性问题。
3/2-D 谱： 对每个 IMF 计算 3/2-D 谱。这种高阶统计量抑制了加性高斯噪声，并消除了非相位耦合的谐波分量，保留了对于 DEMON 分析至关重要的相位信息。
融合策略： 最终的二维特征通过融合幅度谱和平方 3/2-D 谱形成。具体而言，将平方 3/2-D 谱与幅度谱的乘积加到幅度谱上。这增强了关键频率信息，同时保留了详细的谱数据。

2.2. 多阶段多类型注意力网络（MMATT）

识别模型利用集成多阶段多类型注意力机制的一维卷积神经网络（CNN）。与以往应用单一注意力类型的工作不同，MMATT 在网络的不同深度放置不同的注意力模块，以适应不断演变的特征表示：

注意力块 1（浅层）： 采用残差通道独立谱注意力机制（R-CISAM）。该模块使用深度卷积独立地为每个通道（IMF 分量）应用不同的谱注意力权重，避免了跨通道池化引起的干扰。它包含残差连接以保留原始特征。
注意力块 2（中层）： 采用多尺度分离与融合谱注意力机制（MS-SFSAM）。该模块使用具有多种膨胀率（4、8、16）的膨胀深度可分离卷积来捕捉全局上下文关系和多尺度信息，随后在通道间进行融合。
注意力块 3（深层）： 采用标准通道注意力机制（SE Block），基于全局信息重新校准通道级特征。

2.3. 可调节的类别平衡焦点损失（ACBFL）

为了解决类别不平衡和难易样本不平衡，作者提出了 ACBFL，该损失函数结合了两种策略：

可调节焦点损失（AFL）： 通过向调制因子 $(1 - \beta p)^\gamma$ 引入可调节参数 $\beta$ 来修改标准焦点损失。这使得损失函数可以根据任务在交叉熵和原始焦点损失之间变化。
可调节类别平衡（ACB）： 向类别权重引入可调参数 $q$ 。权重与 $(1/m_y)^q$ 成正比，其中 $m_y$ 是类别 $y$ 中的样本数。当 $q=0$ 时，不进行平衡；当 $q=1$ 时，权重与类别频率成反比。
组合公式： 最终损失函数整合了这两种调整，允许灵活适应不同数据集中不同程度的不平衡。

3. 主要贡献

该论文声称具有以下具体贡献：

新颖的特征提取： 一种基于 VMD 和 3/2-D 谱的二维 DEMON 谱特征提取与融合方法，有效捕捉调制包络信息并抑制噪声。
MMATT 架构： 一种集成一维 CNN 与多阶段多类型注意力机制的识别网络，该网络在网络的不同深度利用不同的注意力模块。
新型注意力机制： 提出了两种特定机制：
- R-CISAM： 用于浅层的通道独立谱加权。
- MS-SFSAM： 用于中层的多尺度特征增强。
ACBFL： 一种可调节的类别平衡焦点损失，在减轻长尾数据分布负面影响的同时提供灵活的适应性。
实证验证： 在真实世界 ShipsEar 数据集上进行的综合实验，证明了所提出组件的有效性。

4. 实验结果

实验在 ShipsEar 数据集（11 类船舶 + 自然噪声）上进行，采用 5 折交叉验证。将提出的完整模型（VMD-Fusion-CNN-MMATT-ImFL）与基线和消融变体进行了比较。

特征提取： 提出的 VMD-Fusion-CNN 实现了 89.50% 的总体准确率（OA）、84.90% 的 F1 分数和 82.58% 的平均准确率（AA）。这显著优于传统的 DEMON 方法（Trad-CNN：73.21% OA）和带通滤波方法（Filter-CNN：85.07% OA）。
模型性能： 完整模型实现了 91.68% OA、90.04% F1 分数和 89.87% AA。
- 与基线（Trad-CNN）相比，OA 提高了 18.47%，F1 分数提高了 26.25%，AA 提高了 29.49%。
- 与仅使用改进特征和网络（VMD-Fusion-CNN-MMATT-CE）的模型相比，添加 ACBFL（ImFL）进一步提升了性能，证实了其在处理类别不平衡方面的有效性。
消融研究：
- 移除任意一个注意力块（R-CISAM、MS-SFSAM 或 SE）都会导致性能下降，证实了多阶段、多类型设计的必要性。
- 交换注意力块的顺序也会降低性能，验证了特定注意力类型最适合特定的网络深度（浅层的局部细节、中层的多尺度上下文、深层的通道重新校准）。
- 多尺度方法（使用膨胀率 4、8、16）优于使用单一膨胀率的模型。
损失函数分析： ACBFL 中具有可调参数（ $\beta$ 和 $q$ ）的模型优于具有固定参数（0 或 1）的模型，证明了所提出灵活性的价值。

5. 意义与主张

作者声称，他们的工作通过同时解决特征表示、网络架构和数据不平衡问题，为水下声学目标识别的挑战提供了全面的解决方案。

特征鲁棒性： VMD 与 3/2-D 谱的结合提供了比传统方法更准确、更鲁棒的调制信息表示，有效处理了船舶噪声的非均匀调制。
架构创新： MMATT 框架表明，在网络不同深度应用多样化的注意力机制，其性能优于单一类型或单一位置的注意力机制。
实际适用性： ACBFL 提供了一种灵活的工具，用于处理真实世界声学数据集中固有的类别不平衡，而无需复杂的重采样技术，使模型更适合数据分布变化的实际部署场景。
性能： ShipsEar 数据集上的实验结果验证，与现有的最先进方法相比，所提出的框架显著提高了识别准确率、鲁棒性以及识别少数类（尾部类别）的能力。