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，