论文阅读：基于双向去噪自动编码器的稳健表征学习用于水声目标信号去噪

Bidirectional Denoising Autoencoders-Based Robust Representation Learning for Underwater Acoustic Target Signal Denoising 论文链接

期刊：IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT

摘要：风噪、生物噪声、地震扰动等形成的海洋环境噪声是水声信道中的干扰背景场，给水声目标识别带来不利影响。为了提高背景噪声干扰下水下目标的识别精度，本文提出了一种用于水声目标信号去噪稳健表示学习的双向去噪自编码器。提出的BDAE是常规去噪自动编码器的扩展，它使用原始水声目标信号及其相应的去噪信号来学习稳健的表示。然后，使用支持向量机(SVM)分类器来衡量学习表示的有用性。提出的方法在ShipsEar数据库上得到了验证。实验结果表明，该方法能有效地学习水声目标信号去噪的稳健表示，优于传统的去噪方法。

引言

目前，关于水声目标信号去噪的相关研究已经很多。人们提出了很多方法来解决这一问题，如经验模式分解(EMD)及其改进算法、小波去噪算法、局部投影算法、压缩感知算法等。虽然这些方法都取得了一定的效果，但它们都有各自的缺陷。例如，小波变换的基函数和分解层的选择需要非常谨慎。嵌入维度、延迟时间、局部投影邻域半径等参数的设置也是如此，而压缩感知算法比较复杂，需要保证信号的稀疏性。对于EMD及其改进算法，虽然它们是目前最常用和最有效的方法，但对于信号为主的固有模式函数(IMF)和噪声为主的IMF的判断没有统一的标准。这会对水声目标信号的去噪过程产生主观影响。

去噪自动编码器可以在有噪声的输入数据和相应的干净标签数据之间建立映射，然后学习对去噪有用的稳健特征，被广泛应用于语音特征去噪和去混响、语音增强等。基于去噪自动编码器的优点，本文针对现有去噪方法的不足，探索将这种神经网络应用于水声目标信号去噪的可能性。然而，去噪自动编码器需要干净的数据作为训练标签来实现去噪，这在现实场景中通常是很难甚至几乎不可能获得的，特别是对于水声目标信号。针对这一问题，提出了一种水声目标信号伪清洁标签数据的生成方法，将常规去噪自动编码器扩展为双向去噪自动编码器(BDAE)，并提出了一种用于水声目标信号去噪的稳健表示学习方法。本文的主要创新之处如下：

1. 利用带自适应噪声的完全集成EMD(CEEMDAN)对水声目标信号进行分解，得到IMFs。在此基础上，利用三种不同的皮尔逊相关系数阈值对三个粗去噪信号进行重构，并对其进行平均，得到最终的去噪信号。最后的去噪信号作为水听器记录的原始水声目标信号的伪净标号数据。
2. 将常规的去噪自动编码器扩展到BDAE，以实现稳健的表示学习。所提出的BDAE由两个规则的去噪自动编码器组成。将两个规则去噪自动编码器的隐含表示结合在一起，得到水声目标信号去噪的稳健表示。

方法

自动编码器是一种神经网络，它试图以尽可能低的误差在输出端重建其输入，由输入层、几个隐藏层和输出层组成，如下图所示：

去噪自动编码器是自动编码器的一种，它将部分破坏的数据作为输入，并试图通过训练在输出端重建原始的未破坏的数据。
由于水声目标信号通常会受到海洋环境背景噪声的干扰，要获得纯净的水声目标信号是很难的。因此，传统的去噪自动编码器不是一种常用的水声目标信号去噪方法。目前的水声目标信号去噪方法主要采用EMD或其改进算法来获得原始信号的IMF。然后，根据领域知识将这些IMF分为信号主导型和噪声主导型。最后，通过筛选出以噪声为主的IMF，只保留以信号为主的IMF，得到去噪后的水声目标信号。本文采用EMD的改进型CEEMDAN对水声目标信号进行分解，然后将每个IMF与原始信号进行Pearson相关。筛选出三个与原始信号最相关的信号并取均值，得到最终信号作为目标干净信号。过程如下所示：

然而，信号为主的IMF包含一定量的噪声，而噪声为主的IMF也可能包含一定量的有用信息。因此，早些时候获得的去噪信号不是干净的，可以认为是原始水声目标信号的不完整或伪干净版本。因此，提出的去噪自动编码器训练是Noise2Noise模式，而不是Noise2clean模式。Noise2Noise模式意味着输入数据和标签数据都有噪声。

实验结果

提取到的IMFs如下：

与多个自编码器进行水声识别的准确率结果如下所示：