基于多域特征提取和深度学习的声源被动测距*

删除或更新信息，请邮件至freekaoyan#163.com(#换成@)

本站小编 Free考研考试/2022-01-02

-->

肖旭,王同,王文博,苏林,马力,任群言.基于多域特征提取和深度学习的声源被动测距*[J].,2021,40(1):131-141

Source ranging based on deep learning and multi-domain feature extraction: synthetic results

投稿时间：2020-04-21修订日期：2020-12-31

中文摘要:

采用一种基于多域特征提取的深度学习方法来实现声源被动测距。首先从声信号中提取多域特征，包含时域波形结构特征、时域包络特征、频域谱特征和基于短时傅里叶变换的时频联合域特征; 然后基于不同谱表达计算出一组声学参数构成特征空间，在此基础上采用最小冗余-最大相关标准选出特征空间中与声源位置相关性高的关键特征作为模型输入; 最后通过一种改进的深度神经网络实现声源距离的估计，引入Adam自适应动态学习率优化算法进行模型训练，利用L2和Dropout正则化策略实现网络参数稀疏化。通过Pekeris波导环境仿真实例对方法进行验证，对比分析了波形参数对测距性能和网络训练速度的影响。结果表明，此方法训练速度较快，预测性能较稳定，在所定条件下测试集上的综合测距精确率均在95%以上。

英文摘要:

Ranging of underwater acoustic sources is an important task in many practical applications. Deep neural networks (DNNs) have shown outstanding performance on illustrating complex nonlinear relationships. In terms of localization, DNNs were proved have low range estimation error under low SNR conditions. In this study, source localization is achieved by a deep learning method based on a set of multi-domain features extracted from sound signals. In this study, a comprehensive set of acoustic parameters are extracted from sound signals. The waveform, energy envelope, short-term Fourier transform are first estimated from the sound signals, based on which, the acoustic parameters are computed and used as the training data set for the estimation of source in a DNN. Training the deep architecture is achieved by Adam optimizer and drop-out for parameter regularization with mean squared error (MSE) loss functions.

DOI：10.11684/j.issn.1000-310X.2021.01.015

中文关键词:多域特征提取深度学习声源被动测距

英文关键词:multi-domain extraction deep learning source ranging

基金项目:国家自然科学基金项目（面上项目，重点项目，重大项目）

作者	单位	E-mail
肖旭	中国科学院声学研究所	xiaoxu@mail.ioa.ac.cn
王同	中国科学院声学研究所	wangtong18@mails.ucas.ac.cn
王文博	中国科学院声学研究所	wangwenbo215@mails.ucas.ac.cn
苏林	中国科学院声学研究所	sulin807@mail.ioa.ac.cn
马力	中国科学院声学研究所	mary1968@tom.com
任群言	中国科学院声学研究所	renqunyan@mail.ioa.ac.cn

摘要点击次数:774

全文下载次数:787

查看全文查看/发表评论下载PDF阅读器

相关附件：修改说明1 修改说明1 附件1

关闭

PDF全文下载地址:

http://yysx.cnjournals.cn/ch/reader/create_pdf.aspx?file_no=20063&flag=1&journal_id=yysx&year_id=2021

相关话题/声学 研究所 中国科学院 网络 空间

领限时大额优惠券,享本站正版考研考试资料!
优惠券领取后72小时内有效，10万种最新考研考试考证类电子打印资料任你选。涵盖全国500余所院校考研专业课、200多种职业资格考试、1100多种经典教材，产品类型包含电子书、题库、全套资料以及视频，无论您是考研复习、考证刷题，还是考前冲刺等，不同类型的产品可满足您学习上的不同需求。 ...
考试优惠券本站小编 Free壹佰分学习网 2022-09-19
轻卡进气管的结构优化及其声学性能
王栋,张清奎,魏舒婷,董伟,汪祥支.轻卡进气管的结构优化及其声学性能[J].,2020,39(6):940-947轻卡进气管的结构优化及其声学性能Structureoptimizationandacousticperformanceofintakepipeinalighttruck投稿时间：2020 ...
中科院声学研究所本站小编 Free考研考试 2022-01-02
《应用声学》2020年总目次
.《应用声学》2020年总目次[J].,2020,39(6):969-976《应用声学》2020年总目次《应用声学》2020年总目次投稿时间：2020-12-05修订日期：2020-12-05中文摘要:《应用声学》2020年总目次英文摘要:《应用声学》2020年总目次DOI：中文关键词:《应用声学》 ...
中科院声学研究所本站小编 Free考研考试 2022-01-02
水下声学浮标南中国海海洋环境噪声实测分析*
韩梅,王超,孙芹东,王文龙,吕勇.水下声学浮标南中国海海洋环境噪声实测分析*[J].,2020,39(4):536-542水下声学浮标南中国海海洋环境噪声实测分析*MeasurementandanalysisofambientnoiseintheSouthChinaSeabasedonunderwa ...
中科院声学研究所本站小编 Free考研考试 2022-01-02
贝叶斯优化卷积神经网络公共场所异常声识别*
曾宇,户文成.贝叶斯优化卷积神经网络公共场所异常声识别*[J].,2020,39(3):409-416贝叶斯优化卷积神经网络公共场所异常声识别*RecognitionofabnormalsoundinpublicplacesbasedonBayesianoptimalconvolutionalneu ...
中科院声学研究所本站小编 Free考研考试 2022-01-02
声学超材料对低频噪声的消声特性
陈龙虎.声学超材料对低频噪声的消声特性[J].,2020,39(3):438-444声学超材料对低频噪声的消声特性Themufflingcharacteristicsofacousticmetamaterialstolowfrequencynoise投稿时间：2019-07-04修订日期：2020- ...
中科院声学研究所本站小编 Free考研考试 2022-01-02
基于双向循环神经网络的汉语语音识别*
李鹏,杨元维,杜李慧,高贤君,周意,蒋梦月,张净波.基于双向循环神经网络的汉语语音识别*[J].,2020,39(3):464-471基于双向循环神经网络的汉语语音识别*StudyofChinesespeechrecognitionbasedonBi-RNN投稿时间：2019-03-19修订日期：2 ...
中科院声学研究所本站小编 Free考研考试 2022-01-02
电子器件散热风扇气动噪声管道声学模态截止控制技术
孙宗翰,田杰,张效溥,欧阳华.电子器件散热风扇气动噪声管道声学模态截止控制技术[J].,2020,39(2):199-206电子器件散热风扇气动噪声管道声学模态截止控制技术Aerodynamicnoisecontroltechnologyofelectronicdevicecoolingfanbas ...
中科院声学研究所本站小编 Free考研考试 2022-01-02
SE-MCNN-CTC的中文语音识别声学模型
张威,翟明浩,黄子龙,李巍,曹毅.SE-MCNN-CTC的中文语音识别声学模型[J].,2020,39(2):231-235SE-MCNN-CTC的中文语音识别声学模型Towardsend-to-endspeechrecognitionforChinesemandarinusingSE-MCNN-C ...
中科院声学研究所本站小编 Free考研考试 2022-01-02
应用支持向量机和人工神经网络对大气次声信号识别的初步实验
吴涢晖,邹士亚,庞新良,陈晓雷.应用支持向量机和人工神经网络对大气次声信号识别的初步实验[J].,2020,39(2):216-222应用支持向量机和人工神经网络对大气次声信号识别的初步实验Experimentalstudyonatmosphericinfrasoundsignalrecogniti ...
中科院声学研究所本站小编 Free考研考试 2022-01-02
新型声学超材料单通道麦克风可实现多声源实时定位与分离
孙雪聪.新型声学超材料单通道麦克风可实现多声源实时定位与分离[J].,2020,39(2):188新型声学超材料单通道麦克风可实现多声源实时定位与分离新型声学超材料单通道麦克风可实现多声源实时定位与分离投稿时间：2020-03-04修订日期：2020-03-04中文摘要:新型声学超材料单通道麦克风可 ...
中科院声学研究所本站小编 Free考研考试 2022-01-02