《IEEE Journal of Oceanic Engineering》：Phase-Undistorted Line Spectral Enhancement of Ship Radiation Signal Using Frequency Recurrence Mechanism and Convolutional Recurrent Network
编辑推荐：
在低信噪比（SNR）和非平稳噪声环境下，船舶辐射噪声中线谱成分的有效增强是提升被动声呐探测性能的关键挑战。本研究提出了一种新颖的频率递归卷积循环网络（FRCRN）模型，通过融合频率递归与注意力机制，并结合前馈序列记忆网络层，实现了对复杂理想比值掩模（CIRM）的预测，从而有效实现了线谱成分的增强，并显著降低了相位失真。在仿真和海上试验数据集上的验证结果表明，该方法在信噪比增益、尺度不变信噪比（SI-SNR）增益以及空间谱增益方面均优于传统方法，为被动声呐目标检测提供了更有效的技术途径，研究成果发表于《IEEE Journal of Oceanic Engineering》。
在浩瀚的海洋中，如何“听”清目标舰船的声音，是水下声学探测领域的一项核心挑战。船舶在航行时，其机械部件会产生具有特定频率的、类似音符的稳定信号，即线谱。这些线谱就像是水下目标的“声学指纹”，对于被动声呐的检测、识别与跟踪至关重要。然而，海洋环境绝非安静的录音棚，背景噪声复杂多变，尤其是在低信噪比和非平稳噪声条件下，这些宝贵的线谱信号很容易被淹没在嘈杂的背景声中。传统的线谱增强方法在面对这些“噪声污染”时，常常力有不逮，增强效果有限，有时甚至会引入信号失真，特别是相位失真，这无疑会严重影响后续信号处理的精度和可靠性，使得被动声呐的实际探测能力大打折扣。为了攻克这一难题，提升被动声呐在恶劣声学环境下的“听觉”敏锐度，一项旨在实现相位无失真线谱增强的研究应运而生。
为了回答上述问题，研究团队开展了一项围绕新型深度学习模型的设计与验证工作。他们提出了一种名为频率递归卷积循环网络（Frequency Recurrence Convolutional Recurrent Network, FRCRN）的创新模型，旨在实现线谱信号的相位无失真增强。该研究得出的结论是，FRCRN模型通过其独特的结构设计，能够有效学习并增强线谱的频域特征，同时精确预测用于信号重建的掩模，从而在显著提升信噪比的同时，最大程度地保留了原始信号的相位信息。这项工作的重要意义在于，它为复杂海洋噪声背景下高保真的线谱增强提供了一种强大的深度学习解决方案，有望实质性提升被动声呐系统的目标探测性能。相关研究成果已发表在《IEEE Journal of Oceanic Engineering》期刊上。
本研究主要应用了三个关键技术方法。首先，提出了频率递归卷积循环网络（FRCRN）模型架构，其核心是融合频率递归机制与注意力机制，以增强模型对信号频率特征的学习能力。其次，采用前馈序列记忆网络（Feedforward Sequential Memory Network）层来提取信号中的时序信息。最后，模型通过预测复杂理想比值掩模（Complex Ideal Ratio Mask, CIRM） 来重建增强后的信号，并引入联合CIRM与尺度不变信噪比（Scale-Invariant Signal-to-Noise Ratio, SI-SNR）的损失函数来优化整个模型的训练过程。研究使用了包括仿真数据集、公开的SWellEx-96数据集以及2021年南海试验数据集在内的多种数据来验证方法的有效性与泛化能力。
研究结果
仿真数据集验证结果：在有色噪声仿真数据集上，FRCRN模型展现出了卓越的性能。无论是信噪比（SNR）还是尺度不变信噪比（SI-SNR），其增益均能超过7 dB。这一结果显著优于传统的自适应线谱增强（Adaptive Line Enhancement）方法以及其他典型的深度学习网络模型，证明了FRCRN在模拟环境中的强大增强能力和低失真特性。
SWellEx-96数据集验证结果：在真实的公开海上试验数据集SWellEx-96上，FRCRN模型同样表现优异。其信噪比（SNR）和尺度不变信噪比（SI-SNR）增益均可提升5 dB以上。更重要的是，在衡量空间处理性能的空间谱增益指标上，该模型能够带来3.79 dB的提升。这证实了该方法对真实海洋噪声环境的适应性及其在空间信号处理中的潜在价值。
2021年南海试验数据集验证结果：为进一步验证模型的实战效能，研究采用了2021年南海海试数据。在此实际海域采集的数据集上，FRCRN模型实现了3.57 dB的空间谱增益。这一结果与SWellEx-96数据集的结果相呼应，强有力地证明了FRCRN模型对于线谱相位无失真增强的可行性与有效性，为其走向实际工程应用提供了关键的数据支撑。
研究结论与讨论
本研究成功提出并验证了一种用于船舶辐射噪声线谱相位无失真增强的频率递归卷积循环网络（FRCRN）模型。该模型通过创新的频率递归机制与注意力机制相结合，强化了对信号频域特征的捕捉；利用前馈序列记忆网络层有效建模了时序依赖性；并通过预测复杂理想比值掩模（CIRM）来指导信号重建，从而在提升信噪比的同时，最大限度地减少了相位失真。
综合在仿真数据集、SWellEx-96公开数据集以及2021年南海试验数据集上的测试结果，FRCRN模型在多个关键性能指标上均展现出显著优势。它不仅大幅超越了传统自适应线增强方法的性能，也优于其他典型的深度学习网络模型。特别是在真实的海洋噪声背景下，该模型能够稳定地提供数分贝的信噪比与空间谱增益，这标志着其在处理低信噪比、非平稳海洋噪声方面的强大能力。
这项研究的重要意义在于，它为解决被动声呐目标探测中的关键瓶颈问题——即复杂噪声环境下弱线谱信号的高保真增强——提供了一种新颖且高效的深度学习途径。FRCRN模型所展现出的优异性能，证明了深度学习模型在理解信号本质特征（如频率递归结构）后进行针对性设计的巨大潜力。该方法的成功，有望直接提升现有被动声呐系统对远距离、安静型水下目标的探测能力，具有明确的军事与海洋监测应用价值，为水下声学信号处理领域的发展注入了新的活力。
