《基于深度学习的自动无源声学监测》最新45页技术报告

通过在相关区域部署声学传感器，可以实现对海洋拖网的无源声学监测。其中一个例子是 “北方观察”（Northern Watch），它由两个 48 通道的水听器阵列组成，长期部署在巴罗海峡的加斯科因湾（Gascoyne Inlet）。对传感器数据进行频谱分析，以探测感兴趣的接触点并对其进行分类，同时确定接触时段。在军事行动中，通常会采用各种信号处理技术，训练人类声纳操作员识别数据中与船只相对应的特征。这既耗费人力又耗费时间，这意味着持续的实时分析可能是不可行的，因此需要实现自动化。深度学习系统是一种自动系统，它能学会根据训练数据集的统计数据快速分析数据，从而有可能实现高性能的准确性和实时分析。这项工作展示了 DeepPAM 的初步成果，这是一个基于深度学习的自动检测和分类系统，用于对来自 Northern Watch 的无源声学数据中的感兴趣的接触点进行检测和分类。

自动无源声学监测可通过自动分析传入的传感器数据，对感兴趣的接触点进行潜在的检测、分类、定位、跟踪和警报，从而提高水下监视能力。这可以减少操作员的工作量和卫星通信（SATCOM）带宽。在北极等遥远的传感器位置，提供全天候近实时监测的能力尤其具有优势，因为在这些地方，人工分析是延迟的、断断续续的，而且成本高昂。在这种情况下，可在现场进行高效的自动分析，并通过 SATCOM 发送警报，提示相关接触点的高概率探测事件，同时发送数据片段供声纳分析师验证。DeepPAM 是一种基于深度学习的自动无源声学监测系统，应用于 “北方观察 ”示范项目，包括在巴罗海峡的北极咽喉地带长期部署的两个 48 通道水听器阵列。此外，DeepPAM 的优势还在于能够同时检测到多个感兴趣的触点，这是传统自动声学信号处理技术所不具备的能力。