Из-за сложной и изменчивой морской среды проблема активного гидролокационного распознавания целей всегда была сложной задачей в области гидроакустики. Технология слияния признаков на основе глубокого обучения предоставляет эффективный путь решения этой проблемы, однако простое склеивание многодоменных признаков приводит к избыточности информации и затрудняет эффективное извлечение взаимосвязей между доменами. Поэтому предложен метод слияния многодоменных признаков активного гидролокационного распознавания на основе механизма внимания. Метод включает предварительную обработку эхосигнала активного гидролокатора и построение сети для извлечения и слияния многодоменных признаков, используя одномерную сверточную нейронную сеть с длительной кратковременной памятью (1DCNN-LSTM) и двумерную сверточную нейронную сеть (2DCNN) с внедрённым по канальному механизом внимания для извлечения глубоких признаков из разных доменов. Далее осуществляется объединение признаков и построение многодоменного перекрёстного внимания для слияния признаков в рамках одного и разных доменов, что позволяет максимизировать сохранение признаков цели, эффективно удалять избыточную информацию и способствовать обмену информацией между доменами. Экспериментальные результаты показывают, что сеть многодоменного слияния признаков на основе механизма внимания усиливает междоменное взаимодействие и значительно улучшает способность представления признаков по сравнению с однодоменными методами. В сравнении с другими методами данный подход демонстрирует явные преимущества в производительности и сохраняет стабильную обобщающую способность даже в условиях низкого отношения сигнал/шум.

гидроакустическое распознавание целей;нейронные сети;механизм внимания;слияние многодоменных признаков