Resumen

Debido a la complejidad del entorno subacuático, el reconocimiento de objetivos acústicos subacuáticos (UATR) siempre ha sido un reto. Aunque se han utilizado redes neuronales profundas (DNN) en UATR y se han conseguido algunos logros, el rendimiento no es satisfactorio cuando se reconocen objetivos submarinos con diferentes desplazamientos Doppler, relaciones señal-ruido (SNR) e interferencias. En este trabajo, se propuso una red neuronal convolucional unidimensional (1D-CNN) para reconocer los espectros de línea de detección de la modulación de la envolvente en el ruido (DEMON) del ruido radiado por los objetivos submarinos. Se diseñaron conjuntos de datos de objetivos con diferentes desplazamientos Doppler, SNRs e interferencias para evaluar el rendimiento de generalización de la CNN propuesta. Los resultados experimentales muestran que, en comparación con las redes tradicionales de perceptrón multicapa (MLP), el modelo 1D-CNN obtiene mejores resultados en el reconocimiento de objetivos con diferentes desplazamientos Doppler y SNR. La excelente capacidad de generalización del modelo propuesto demuestra que es adecuado para aplicaciones prácticas de ingeniería.

• Materias:Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Neurofisiología
• Subjects:Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Neurophysiology
• Palabras claves:Diferentes desplazamientos doppler, objetivo submarino, conjuntos de datos del objetivo, reconocimiento del objetivo, red neuronal profunda, red neuronal convolucional, detección de la envolvente, capacidad de generalización excepcional, reconocimiento del objetivo acústico, aplicación práctica en ingeniería
• Keywords:different doppler shift, underwater target, datasets of target, recognition of target, deep neural network, convolutional neural network, detection of envelope, outstanding generalization ability, acoustic target recognition, practical engineering application