第41卷第6期2022年12月Vol.41,No.6Dec.,2022声学技术TechnicalAcoustics嵌入注意力机制的卷积神经网络水声目标识别张钇1,3，熊水东2,3，马燕新2,3，姚琼2,3，王付印2,3，郭微2,3，朱家华2,3(1.国防科技大学前沿交叉学科学院，湖南长沙410073；2.国防科技大学气象海洋学院，湖南长沙410073；3.海洋探测技术湖南省重点实验室，湖南长沙410073)摘要：针对低信噪比水声目标单一特征识别率低，稳健性差的问题，提出一种基于注意力机制和多尺度残差卷积神经网络(Multi-scaleResidualCNNwithAttention,MR-CNN-A)进行特征融合的识别方法。该方法根据多尺度卷积核与特征图形成多分辨率分析关系，并以此通过注意力机制实现优势特征权值提取与融合，从而提高模型在文中水声数据集上提取目标噪声特征和分类识别的稳健性与抗噪能力。开展了4类舰船噪声和海洋环境噪声的识别试验、水下和水面自主式水下航行器的识别试验，以及不同信噪比条件下目标噪声的识别试验。结果表明：对于文中所涉及的水声目标噪声和人工高斯白噪声干扰，该网络模型识别正确率明显高于支持矢量机与简单卷积神经网络，且对高斯白噪声的抑制能力远强于支持矢量机与简单卷积神经网络，稳健性好，模型复杂度小。关键词：水声目标识别；注意力机制；多尺度残差；卷积神经网络；特征融合；低信噪比；稳健；自主式水下航行器中图分类号：TN911.7文献标志码：A文章编号：1000-3630(2022)-06-0796-08UnderwatertargetrecognitionbyCNNwithattentionmechanismZHANGYi1,3,XIONGShuidong2,3,MAYanxin2,3,YAOQiong2,3,WANGFuyin2,3,GUOWei2,3,ZHUJiahua2,3(1.CollegeofAdvancedInterdisciplinaryStudies,NationalUniversityofDefenseTechnology,Changsha410073,Hunan,China;2.CollegeofMeteorologyandOceanology,NationalUniversityofDefenseTechnology,Changsha410073,Hunan,China;3.HunanKeyLaboratoryforMarineDetectionTechnology,Changsha410073,Hunan,China)Abstract:Becauseoflowrecognitionrateandpoorrobustnesstoasinglefeatureofunderwateracoustictargetwithlowsignaltonoiseratio(SNR),afeaturefusionrecognitionmethodbasedonattentionmechanismandmulti-scaleresidualconvolutionneuralnetwork(namedMR-CNN-Anetwork)isproposed.Accordingtothemulti-resolutionanalysisrelationshipformedbymulti-scaleconvolutionkernelandfeaturemap,andbyusingtheattentionmechanismtoextractandfuse...
