Mit dem Aufkommen von biologischer, Tarnungs- und Unterwasserkommunikationstechnologie können die herkömmlichen Methoden zur Erkennung von Kommunikationssignalen den aktuellen Anforderungen an den Untersee-Militärkampf nicht mehr gerecht werden. Jedoch sind die Studien zur Erkennung biologischer Kommunikationssignale noch nicht umfassend. In dieser Studie wurden Unterwasserkommunikationssignale, die dem Klang des Delfins mittels Phasenmodulation des Raums modelliert wurden, als Untersuchungsobjekt verwendet, und eine auf Convolutional Neural Network (CNN) basierende Erkennungsmethode wurde entwickelt. Es wurde eine Zeit-Frequenz-Maskenfilterungsmethode entworfen und die Bildtechnik zur Extraktion der Zeit-Frequenz-Maske und zur Klangextraktion daraus verwendet. Es wurde eine räumliche Aufteilungstechnik zur Unterdrückung der Signaldämpfung in Mehrwegekanälen angewendet. Ein spektrales Phasendifferenzkartenbild wurde mittels Hilbert-Transformation und kontinuierlicher Wavelet-Transformation erhalten und als Grundlage für die Erkennung verwendet. Schließlich wurde die Wirksamkeit dieser Methode durch Simulation und Test an einem See verifiziert. In der Simulation wurde bei einem Signal-Rausch-Verhältnis (SNR) in Mehrwegekanälen von 0 dB eine Erkennungsgenauigkeit von 90% erreicht. In einer realen Unterwasserkommunikationsumgebung wurde bei einer Symbolbreite von 50 ms und einem SNR von 6,36 dB eine Erkennungsrate von 81% erzielt.

Erkennung von Unterwasserschallsignalen; biologische Tarnung und verdeckte Kommunikation; Zeit-Frequenz-Maskenfilterung; Convolutional Neural Networks