第三章 声学目标识别的因果表征学习

张开发
• 2026/4/17 20:36:30 • 15 分钟阅读

最新文章

推荐文章

相关文章

分享文章

第三章 声学目标识别的因果表征学习
第三章 声学目标识别的因果表征学习3.1 混杂因子解耦与反事实推理水声目标识别系统在实际部署中面临环境适应性瓶颈。海洋信道时变特性导致声纳特征分布随信噪比、混响强度与海底底质类型发生显著偏移，传统关联学习框架将环境混杂因子与目标特征耦合，造成模型在跨环境泛化时的性能退化。因果表征学习通过显式建模变量间的结构因果关系，实现目标本质特征与环境干扰的解耦，支持反事实样本生成以提升识别鲁棒性。3.1.1 声纳特征中的环境混淆变量因果图构建声纳观测数据的生成过程可形式化为结构因果模型（Structural Causal Model, SCM）。设目标类别变量为 T （如沉船、礁石、潜艇），环境混杂因子为 E （包含信噪比 γ 、混响强度 R 、底质散射系数 σb​ ），观测声纳特征为 X （如时频谱图、梅尔倒谱系数）。三者的因果依赖关系构成有向无环图 G=(V,A) ，其中节点集 V={T,E,X} ，弧集 A 包含 T→X 与 E→X 。该因果结构揭示混杂机制：环境因子 E 作为混杂变量（confounder）同时影响特征生成过程，形成 T←E→X 的伪路径。在传统监督学习中，模型拟合的是 P(X∣T) 的关联关系，而非真实的因果效应 P(X∣do(T)) 。当训练与测试环境分布发生偏移 Ptrain​(E)=Ptest​(E) 时，基于关联的预测规则失效。do-演算提供干预环境下的概率推断框架。对目标变量实施原子干预 do(T=t) ，切断所有指向 T 的输入弧，固定 T=t 而保持其他机制不变。此时观测特征的条件分布为：P(X∣do(T=t))=e∑​P(X∣T=t,E=e)P(E=e)该公式表明，因果预测需对环境因子进行边缘化

更多文章