Полный текст статьи (PDF) XML (JATS 1.2)
Авторы / Authors
  • Григоренко Александр Сергеевич (Grigorenko Alexander S.) младший научный сотрудник, Военная академия связи, Санкт-Петербург, Россия
    Junior Researcher, Military Academy of Communications     grigorenko.201@mail.ru
  • Ситдиков Дмитрий Сергеевич (Sitdikov Dmitry G.) младший научный сотрудник, Военная академия связи, Санкт-Петербург, Россия
    Junior Researcher, Military Academy of Communications     dima.sitdikov.99@mail.ru
Ключевые слова
сверточные сетирекуррентные сетитрансформерыавтоэнкодерыспектрограммыклассификация судов
Keywords
convolutional networksrecurrent networkstransformersautoencodersspectrogramsship classification
Аннотация / Abstract
Русский

Целью работы является анализ применимости методов глубокого обучения к автоматизированной обработке и классификации гидроакустических сигналов для повышения эффективности обнаружения подводных целей, а также экспериментальная проверка одного из подходов на открытом наборе данных DeepShip с использованием архитектуры ResNet-50.

Метод исследования: применение систематического обзора публикаций 2020–2025 гг., охватывающий свёрточные, рекуррентные, трансформерные модели и денойзинг-автоэнкодеры и проведении эксперимента, который включает преобразование аудиозаписей в трёхканальные спектрограммы (две низкочастотные полосы и одна высокочастотная), лог-нормализацию и масштабирование в [0,1], случайное разбиение выборки (80/20) с сохранением пропорций классов, тонкую настройку предобученной ResNet-50 при функции потерь бинарной кросс-энтропии, оптимизаторе Adam, ранней остановке и выборе лучшей модели по точности.

Результаты исследования: обобщены современные подходы к анализу гидроакустических данных: свёрточные сети над спектрограммами надёжно извлекают локальные признаки и обеспечивают высокую точность классификации; рекуррентные (LSTM/GRU) улучшают учёт временной динамики и трекинг целей; трансформеры с механизмом самовнимания повышают качество при длинных зависимостях и эффективны для детекции на сонарных изображениях; денойзинг-автоэнкодеры снижают влияние нестационарных помех и повышают отношение сигнал/шум. В проведённом эксперименте ResNet-50 на трёхканальных LF/HF-спектрограммах достигла 95 % точности на валидации и 93 % тесте, что подтверждает практическую применимость подхода. Отмечены ограничения реальной эксплуатации: вариативность шумовой среды, дефицит размеченных данных и риски недостаточной интерпретируемости решений; предложены направления совершенствования – расширенные аугментации, перенос обучения.

Научная новизна заключается в экспериментально подтверждённой схеме трёхканального спектрального представления для ResNet-50, задающей практические требования к точности и дальнейшей интеграции в системы подводного наблюдения.

English

Purpose of the work is to analyze the applicability of deep learning methods to automated processing and classification of hydroacoustic signals to improve the efficiency of detecting underwater targets, as well as to experimentally test one of the approaches on an open DeepShip dataset using the ResNet-50 architecture.

Research method: application of a systematic review of publications in 2020–2025, covering convolution, recurrent, transformer models and denoised autoencoders, and conducting an experiment that includes the transformation of audio recordings into three-channel spectrograms (two low-frequency bands and one high-frequency), log-normalization and scaling to [0,1], random sample splitting (80/20) while maintaining class proportions, fine-tuning of the pre-trained ResNet-50 at the binary cross-entropy loss, Adam optimizer, early stop and selection of the best model for accuracy.

Results of the study: modern approaches to the analysis of hydroacoustic data are summarized: convolutional networks over spectrograms reliably extract local features and provide high classification accuracy; recurrent networks (LSTM/GRU) improve time dynamics accounting and target tracking; transformers with a self-attention mechanism improve quality with long dependencies and are effective for detection on sonar images; denoising autoencoders reduce the influence of non-stationary interference and increase the signal-to-noise ratio. In the ResNet-50 experiment on three-channel LF/HF spectrograms, it achieved 95 % accuracy in validation and 93 % in the test, which confirms the practical applicability of the approach. The limitations of real operation are noted: variability of the noise environment, lack of labeled data and risks of insufficient interpretability of decisions; Directions for improvement are proposed, such as extended augmentations, transfer of training.

The scientific novelty lies in the experimentally confirmed scheme of three-channel spectral representation for ResNet-50, which sets practical requirements for accuracy and further integration into underwater surveillance systems.

Финансирование / Funding

Источники финансирования не указаны.

No funding sources reported.

Идентификаторы / Identifiers
DOI10.21681/3034-4050-2025-6-20-27 УДК004.8 ЖурналТелекоммуникации и связь Год2025 Номер№6 (09) Страницы20–27 ISSNПИ №ФС77-88069
Список литературы / References
  1. Lin X., Dong R., Lv Z.. Deep learning-based classification of raw hydroacoustic signal: A review // Journal of Marine Science and Engineering. 2022. Т. 11. № 1. С. 3.
    Lin X., Dong R., Lv Z.. Deep learning-based classification of raw hydroacoustic signal: A review // Journal of Marine Science and Engineering. 2022.
  2. Lin X. et al.. Efficient ship noise classification with positive incentive noise and fused features using a simple convolutional network // Scientific Reports. 2023. Т. 13. № 1. С. 17905.
    Lin X. et al.. Efficient ship noise classification with positive incentive noise and fused features using a simple convolutional network // Scientific Reports. 2023.
  3. Guo T. et al.. Underwater target detection and localization with feature map and CNN-based classification // 2022 4th International Conference on Advances in Computer Technology, Information Science and Communications (CTISC). 2022. С. 1–8.
    Guo T. et al.. Underwater target detection and localization with feature map and CNN-based classification // 2022 4th International Conference on Advances in Computer Technology, Information Science and Communications (CTISC). 2022.
  4. Liu Y., Chen H., Wang B.. DOA estimation based on CNN for underwater acoustic array // Applied Acoustics. 2021. Т. 172. С. 107594.
    Liu Y., Chen H., Wang B.. DOA estimation based on CNN for underwater acoustic array // Applied Acoustics. 2021.
  5. Abayomi-Alli O. O. et al.. Data augmentation and deep learning methods in sound classification: A systematic review // Electronics. 2022. Т. 11. № 22. С. 3795.
    Abayomi-Alli O. O. et al.. Data augmentation and deep learning methods in sound classification: A systematic review // Electronics. 2022.
  6. Mishachandar B., Vairamuthu S.. Diverse ocean noise classification using deep learning // Applied Acoustics. 2021. Т. 181. С. 108141.
    Mishachandar B., Vairamuthu S.. Diverse ocean noise classification using deep learning // Applied Acoustics. 2021.
  7. Wang Y. et al.. Passive sonar target tracking based on deep learning // Journal of Marine Science and Engineering. 2022. Т. 10. № 2. С. 181.
    Wang Y. et al.. Passive sonar target tracking based on deep learning // Journal of Marine Science and Engineering. 2022.
  8. Li P. et al.. STM: Spectrogram transformer model for underwater acoustic target recognition // Journal of Marine Science and Engineering. 2022. Т. 10. № 10. С. 1428.
    Li P. et al.. STM: Spectrogram transformer model for underwater acoustic target recognition // Journal of Marine Science and Engineering. 2022.
  9. Wen X. et al.. Underwater side-scan sonar target detection: YOLOv7 model combined with attention mechanism and scaling factor // Remote Sensing. 2024. Т. 16. № 13. С. 2492.
    Wen X. et al.. Underwater side-scan sonar target detection: YOLOv7 model combined with attention mechanism and scaling factor // Remote Sensing. 2024.
  10. Song Y. et al.. Underwater acoustic signal noise reduction based on a fully convolutional encoder-decoder neural network // Journal of Ocean University of China. 2023. Т. 22. № 6. С. 1487–1496.
    Song Y. et al.. Underwater acoustic signal noise reduction based on a fully convolutional encoder-decoder neural network // Journal of Ocean University of China. 2023.
  11. Panteli E., Santos P. E., Humphrey N.. AquaSignal: An Integrated Framework for Robust Underwater Acoustic Analysis // arXiv preprint arXiv:2505.14285. 2025.
    Panteli E., Santos P. E., Humphrey N.. AquaSignal: An Integrated Framework for Robust Underwater Acoustic Analysis // arXiv preprint arXiv:2505.14285. 2025.
  12. Hummel H. I., van der Mei R., Bhulai S.. A survey on machine learning in ship radiated noise // Ocean Engineering. 2024. Т. 298. С. 117252.
    Hummel H. I., van der Mei R., Bhulai S.. A survey on machine learning in ship radiated noise // Ocean Engineering. 2024.
  13. Akman A., Schuller B. W.. Audio explainable artificial intelligence: A review // Intelligent Computing. 2024. Т. 2. С. 0074.
    Akman A., Schuller B. W.. Audio explainable artificial intelligence: A review // Intelligent Computing. 2024.
  14. Cheng Z. et al.. A Comprehensive Review of Explainable Artificial Intelligence (XAI) in Computer Vision // Sensors. 2025. Т. 25. № 13. С. 4166.
    Cheng Z. et al.. A Comprehensive Review of Explainable Artificial Intelligence (XAI) in Computer Vision // Sensors. 2025.
  15. Tian S. et al.. Deep convolution stack for waveform in underwater acoustic target recognition // Scientific reports. 2021. Т. 11. № 1. С. 9614.
    Tian S. et al.. Deep convolution stack for waveform in underwater acoustic target recognition // Scientific reports. 2021.
  16. Zhang Z. et al.. ESL-YOLO: Edge-Aware Side-Scan Sonar Object Detection with Adaptive Quality Assessment // Journal of Marine Science and Engineering. 2025. Т. 13. № 8. С. 1477.
    Zhang Z. et al.. ESL-YOLO: Edge-Aware Side-Scan Sonar Object Detection with Adaptive Quality Assessment // Journal of Marine Science and Engineering. 2025.
  17. Tang Y. et al.. AUV-based side-scan sonar real-time method for underwater-target detection // Journal of Marine Science and Engineering. 2023. Т. 11. № 4. С. 690.
    Tang Y. et al.. AUV-based side-scan sonar real-time method for underwater-target detection // Journal of Marine Science and Engineering. 2023.