تحلیل مکانیسم تشخیص اهداف صوتی زیرآب مبتنی بر روش‌های یادگیری ماشین و یادگیری عمیق

جنگ‌های دریایی آینده، تقاضاهای زیادی را در مورد آشکارسازی هدف، تشخیص هدف و مقاومت در برابر دشمنان ایجاد کرده است. بااین‌حال، محیط پیچیده آکوستیک زیرآب و فناوری در حال تکامل «اختفا» اهداف زیرآب، چالش‌های مهمی را برای سیستم‌های تشخیص هدف ایجاد کرده‌اند که به یک موضوع داغ درزمینهٔ پردازش سیگنال صوتی زیرآب در کشورهای مختلف تبدیل‌شده است. این مقاله باهدف تجزیه‌وتحلیل مکانیسم تولید ریز اهداف آکوستیکی زیرآب، گسترش تحقیق و توسعه تشخیص ریز اهداف آکوستیکی زیرآب با استفاده از ماشین یادگیری از سه منظر: دریافت سیگنال، استخراج ویژگی و تشخیص سیگنال است و به‌تفصیل در مورد چالش‌های فناوری تشخیص ریز اهداف آکوستیکی زیرآب و پس‌زمینه توسعه سریع علم محاسبات می‌پردازد. درنهایت، یک روش پردازش سیگنال یکپارچه مبتنی بر ادغام روش‌های استخراج ویژگی سنتی و یادگیری عمیق برای تشخیص ریز اهداف آکوستیکی زیرآب پیشنهادشده است که باعث بهبود عملکرد نرخ تشخیص پایین روش‌های سنتی و همچنین دور زدن مشکل یادگیری عمیق که نیاز به هزینه محاسباتی بالایی دارد، و یک‌جهت مهم برای پردازش سیگنال هیدرو آکوستیک آینده است، می‌شود.

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

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.