Aufgrund der komplexen und sich ständig ändernden Meeresumgebung ist das Problem der aktiven Sonarzielerkennung im Bereich der Unterwasserakustik seit jeher eine Herausforderung. Technologien zur Fusionskennung basierend auf Deep Learning bieten einen effektiven Ansatz zur Lösung dieses Problems, doch führt die einfache Verkettungsstrategie zur Fusion von Multidomain-Merkmalen zu Informationsredundanz und erschwert die effektive Erfassung von Beziehungen zwischen den Domänen. Daher wird eine auf Mechanismen der Aufmerksamkeitssteuerung basierende Methode zur Multidomain-Merkmalsfusion für die aktive Sonarzielerkennung vorgeschlagen. Durch die Vorverarbeitung von aktiven Sonarechosignalen und den Aufbau eines Netzwerks zur Extraktion und Fusion von Multidomain-Merkmalen nutzt diese Methode ein eindimensionales Faltungsneuronales Netzwerk mit Langzeit-Kurzzeit-Gedächtnis (1DCNN-LSTM) und ein zweidimensionales Faltungsneuronales Netzwerk (2DCNN) mit eingeführter Kanalaufmerksamkeit, um tiefe Merkmale verschiedener Domänen zu extrahieren. Anschließend werden die Merkmale kombiniert und eine multidomänenübergreifende Kreuzaufmerksamkeit aufgebaut, um Merkmale innerhalb der gleichen Domäne und domänenübergreifend zu fusionieren, wodurch die Zielmerkmale maximal erhalten, redundante Informationen effektiv beseitigt und der Informationsaustausch zwischen den Domänen gefördert wird. Experimentelle Ergebnisse zeigen, dass das multidomänige Merkmalsfusionsnetzwerk auf Basis des Aufmerksamkeitsmechanismus die domänenübergreifende Informationsinteraktion verstärkt und die Fähigkeit zur Merkmalsrepräsentation im Vergleich zu Einzeldomänenmethoden signifikant verbessert. Im Vergleich zu anderen Methoden weist diese Methode deutliche Leistungsvorteile auf und behält auch bei niedrigen Signal-Rausch-Verhältnissen eine stabile Generalisierungsfähigkeit bei.

Unterwasserzielerkennung;Neurale Netze;Aufmerksamkeitsmechanismus;Multidomänen-Merkmalsfusion