تحليل مكانيسم تشخيص اهداف صوتي زيرآب مبتني بر روش‌هاي يادگيري ماشين و يادگيري عميق

Analysis of underwater audio target detection mechanism based on machine learning and deep learning methods

جنگ‌هاي دريايي آينده، تقاضاهاي زيادي را در مورد آشكارسازي هدف، تشخيص هدف و مقاومت در برابر دشمنان ايجاد كرده است. بااين‌حال، محيط پيچيده آكوستيك زيرآب و فناوري در حال تكامل «اختفا» اهداف زيرآب، چالش‌هاي مهمي را براي سيستم‌هاي تشخيص هدف ايجاد كرده‌اند كه به يك موضوع داغ درزمينهٔ پردازش سيگنال صوتي زيرآب در كشورهاي مختلف تبديل‌شده است. اين مقاله باهدف تجزيه‌وتحليل مكانيسم توليد ريز اهداف آكوستيكي زيرآب، گسترش تحقيق و توسعه تشخيص ريز اهداف آكوستيكي زيرآب با استفاده از ماشين يادگيري از سه منظر: دريافت سيگنال، استخراج ويژگي و تشخيص سيگنال است و به‌تفصيل در مورد چالش‌هاي فناوري تشخيص ريز اهداف آكوستيكي زيرآب و پس‌زمينه توسعه سريع علم محاسبات مي‌پردازد. درنهايت، يك روش پردازش سيگنال يكپارچه مبتني بر ادغام روش‌هاي استخراج ويژگي سنتي و يادگيري عميق براي تشخيص ريز اهداف آكوستيكي زيرآب پيشنهادشده است كه باعث بهبود عملكرد نرخ تشخيص پايين روش‌هاي سنتي و همچنين دور زدن مشكل يادگيري عميق كه نياز به هزينه محاسباتي بالايي دارد، و يك‌جهت مهم براي پردازش سيگنال هيدرو آكوستيك آينده است، مي‌شود.

Future naval warfare has created many demands on target detection, target recognition, and resistance to adversaries. However, the complex underwater acoustic environment and the evolving technology of hiding underwater targets have created significant challenges for target detection systems, which has become a hot topic in the field of underwater acoustic signal processing in various countries. This article aims to analyze the production mechanism of underwater acoustic micro-targets, to expand the research and development of underwater acoustic micro-target detection using machine learning from three perspectives: signal reception, feature extraction and signal detection, and in detail about the challenges of underwater acoustic micro-target detection technology and It deals with the background of the rapid development of computing science. Finally, an integrated signal processing method based on the integration of traditional feature extraction methods and deep learning is proposed for the detection of underwater acoustic micro-targets, which improves the performance of the low detection rate of traditional methods and also bypasses the problem of deep learning that requires high computational cost, and It is an important direction for future hydroacoustic signal processing.