近日，中国科学技术大学联合科大讯飞研究院团队在期刊IEEE Open Journal of Signal Processing上发表一项成果，针对被动声呐在信噪比低至-15 dB至-5 dB的极低条件下船舶辐射信号提取困难的问题，提出全复值多维注意力增强网络CUMA-Net。

图1 CUMA-Net的模型结构，包含复数编码器和解码器，各有六个堆叠模块。CMA模块包含CTF Conformer和CCBAM。复数注意力门控跳跃连接在将多尺度编码器特征融合至解码器之前，先对其进行调制。

被动声呐依靠接收舰船自身辐射噪声进行探测，但在实际海洋环境中，目标信号经长距离传播后常被风、雨、湍流及海洋生物噪声掩盖。实验表明，在上述低信噪比区间内，传统的谱减法、维纳滤波等统计类方法，以及经验模态分解、小波变换等分解类方法易出现线谱失真。

现有基于实数网络的深度学习方法虽然将复频谱的实部和虚部作为双通道输入，但其底层运算仍为实数操作，无法保持复数域固有的代数结构，从而破坏了幅值与相位之间的内在耦合关系，限制了重建精度的进一步提升。

针对上述问题，研究团队构建了全复值编码-解码架构CUMA-Net。该模型所有运算单元均在复数域内定义，从底层保持了幅值与相位的联合建模能力，更好地保留了水声信号的物理特性。

为强化对船舶特征线谱的捕捉能力，团队在网络瓶颈层引入复数多维注意力模块：复数时频 Conformer 沿时间与频率轴分别建模全局上下文依赖关系；复数卷积块注意力模块（CCBAM）则在通道与空间维度进行自适应加权，一方面抑制宽带噪声干扰，另一方面选择性增强与船舶相关的稳定窄带线谱成分。

图2 （a）CCBAM的整体结构，包含复数通道注意力后接复数空间注意力。（b）复数通道注意力模块和（c）空间注意力模块。

此外，研究设计了基于频谱Frobenius范数的归一化均方误差损失，直接约束复频谱估计误差。与常用的尺度不变信噪比（SI-SNR）损失不同，该损失对幅度重建更敏感，在低信噪比条件下训练更稳定，有助于提升低能量线谱成分的重建精度。

在公开数据集ShipsEar上的验证结果显示，在-15 dB至-5 dB的合成噪声环境下，CUMA-Net在多项客观评价指标上均优于现有对比方法，包括传统方法和DBSA-Net、NAFSA-Net、DCCRN等深度学习方法。

具体地，该模型将分段信噪比（SegSNR）提升至3.76 dB，尺度不变信噪比改善量（SI-SNRi）达11.04 dB，归一化均方误差（nMSE）降低至0.444。基于增强频谱的船舶分类准确率由原始带噪输入的76.6%提升至93.3%。

可视化分析显示，CUMA-Net能够准确还原406.25 Hz、1156.25 Hz 和 1218.75 Hz等典型线谱成分，特别是能够清晰区分1156.25 Hz与1218.75 Hz这两个频率邻近的线谱，而部分对比算法则将其错误合并为单一线谱。同时，该模型未出现同类算法在噪声主导时频单元中过度抑制目标信号的常见问题。

图3一个带噪样本、其干净参考以及包括所提出的CUMA-Net在内的多种基于DNN的方法增强后输出的dB幅度谱图和PSD图。

研究过程中还观察到，提升短时傅里叶变换的频率分辨率虽有助于下游分类精度提升，但会导致时域重建指标有所下降，且这一趋势在调整网络编码器-解码器层数的前后均保持一致。

这一结果提示，前端增强与后端识别任务对特征的需求存在差异，后续可探索前端增强与后端识别的联合优化策略，针对具体应用场景对模型进行针对性调整。

论文信息：Z. Zhang, J. Zhang, H. Yan, H. Liu, and J. Liu, "A Fully Complex-Valued Underwater Acoustic Signal Enhancement Model for Passive Sonar Systems,"IEEE Open J. Signal Process., vol. 7, pp. 102–116, 2026, doi: 10.1109/OJSP.2026.3656063.