.png){kind=icon}
返回
A deep learning based iterative denoising algorithm for multiple frequency lines recovery
.png){kind=icon}
PRE
AI
DOI：10.1016/j.engappai.2025.111601.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
被动探测技术构成了水下声学目标检测中的一个关键研究方向。为应对对隐身能力的迫切需求，其已成为持续研究的主题。各类探测器必须克服的最严峻挑战是，在复杂且充满显著噪声污染的水下环境中提取与目标相关的线谱分量。本文提出了一种开创性的基于深度学习的算法——加性扩散概率去噪模型（ADPDM），以纠正神经网络方法在低信噪比（SNR）下运行时的性能不足。首先，ADPDM被巧妙设计出来，通过将扩散模型的生成推断过程转化为确定性恢复策略，以敏锐地修改水下信号的表示。随后，ADPDM被扩展到复值时频联合域，以便充分利用由洛菲agram带来的多维信息表示。此外，采用了一种加速推断算法，并经过校准以完全兼容ADPDM框架。与当前主流的频谱线跟踪器主要关注辨别线谱的频率位置不同，ADPDM致力于发掘并重建观测信号中隐藏的潜在线谱分量。这进而为更有效的后续检测或估计操作铺平了道路。实证结果表明，即使采用相对简单的跟踪器，ADPDM增强后的信号中的频谱线也能被高效检测。基于这些发现，ADPDM的检测性能指标在所有实验信噪比范围内均优于当前最先进（SOTA）方法，包括基于深度学习和隐马尔可夫模型（HMM）的方法。
期刊
IF:
8
论文数:
5.8K
被引数:
3.5W
机构
暂无机构信息
引用论文
.png){kind=icon}
DeepLofargram: A deep learning based fluctuating dim frequency line detection and recoveryDeepLofargram：一种基于深度学习的闪烁微弱频率线检测与恢复方法
OAAI
OAAI分享收藏
查看更多内容