From Signals to Evidence: Interpretable Underwater Acoustic Target Sensing with Large Language Models - Part II: Passive Detection

读者面对的是水平圆阵连续采集的水下声场，低信噪比下单个谱峰或单次波束峰值难以区分真实目标与背景起伏，需要把阵列波形转为可验证的物理证据再判断存在性。方位分支估计空间协方差并计算最小方差无失真响应方向谱，得到随时间变化的角度分布，检测分支从短时傅里叶谱提取实部虚部与对数幅度并以方向特征为查询做聚合，谱线分支用更长分析窗统计精细频谱均值与起伏并融合记录级方向信息。三组表示与水深矩阵及声速阵形文本一同送入冻结的大语言模型，仅训练投影与低秩适配模块和水深编码器，生成结构化报告并由独立读出头给出谱线分数。与把多通道观测折叠为能量阈值或单一置信分的方法不同，该工作要求每个结论关联时间持续性、空间一致性与传播条件等证据并以语言说明何种观测支持假设。在每个信噪比条件各含288个目标样本的混合背景测试同一协议下，方位平均绝对误差指标在0 dB条件为0.000°而在-30 dB条件增大至0.521°，方向为随信噪比降低而变差。同一混合背景测试总体检测率100.00%且虚警率0.00%，而频率F1指标在0 dB条件为48.93%在-30 dB条件为59.82%数值升高不能直接解读为性能提升，因为参考谱线数随信噪比降低而减少且标注依赖接收谱。结论仅适用于混合背景下不重叠声源实现与给定信噪比配比的测试范围，距离估计误差大且未在白色背景下验证系统级报告，原文给出硬件型号与批量等配置，未披露训练时长、推理延迟或部署成本。

🔗 开源与复现资源

本次未形成可展示的已核验资源记录，开放状态尚未核实。

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

🧭 深度解读

被动检测要解决什么，为什么只给分数不够

被动检测的输入是水听器阵列长时间收到的多通道波形，目标是不发射探测信号，仅靠目标自身机械噪声与传播到阵列的波场来判断有无，并同时估计方位、谱线、接收信噪比与距离。困难在于低信噪比下单个谱峰或单次波束峰都可能是背景起伏或相干干扰，孤立看没有物理唯一性。

已有系统常把连续声场压缩成一个二值判决或标量置信分，这种输出能表示模型有多确信，但不说明哪些观测支持假设，也不能解释为什么一个微弱结构是真实目标而非随机涨落。论文因此把检测改写为多证据假设推理，要求同时给出时频持续性、空间分布、传播一致性与背景上下文，只有多条耦合线索互相加强时才宣布目标。

下面这张概念图先建立直觉，左侧是海上场景，中间是 3 路输入，右侧是两部分输出，读图时注意弱目标假设需要哪些并列证据。

看图路径： 1. 先看左侧海面目标与水下阵列的信号传播示意；2. 再看中部声学、视觉与文本三路如何各自编码成令牌；3. 最后看右侧第一部分识别与第二部分检测在输出内容上的区别

论文图 1。原论文 Fig. 1:：“Conceptual overview of the proposed UPD framework for interpretable underwater acoustic target detection.”。

该图左侧画出两艘船与垂直阵列的传播路径，中部绿色框为多通道声学编码器，黄色框为地形与阵位置的视觉先验，蓝色框为文本先验，3 路汇入中间的大语言模型推理块。右侧上方为第一部分源估计示例，下方为第二部分检测示例，像素上可见持续时长、相干水听器数、稳定方位与传播流形四项证据并列支撑弱目标假设，底部还有能量高于背景值、持续时长、相干数与方位的小图对照。

已有检测路线与音频语言模型各缺了什么

经典路线依赖空间相干与阵列流形，包括常规波束形成、MVDR 即最小方差无失真响应波束形成、MUSIC 即多重信号分类与解卷积空间谱重建，在理想噪声平稳与传播假设下有理论依据，但真实海洋偏离假设时方位与检测性能下降明显。近十年神经网络直接从波形、语谱图、空间谱或多通道张量学判别表示，低信噪比检测有所提升，但仍是把空间连续场压成单个分数，没有解决证据表达问题。

时间感知与跟踪路线把单次方位频率估计连成轨迹，用多帧谱连续性或贝叶斯状态空间模型区分持续目标与瞬态干扰，但检测、方位、测距、环境表征与跟踪常用各自模型与表示，难以支撑统一场景理解。

大音频语言模型如 SALMONN、Qwen2-Audio 把声学特征投影到语言模型输入空间做问答与描述，空间音频语言模型进一步加入双耳、强度矢量或幅度相位表示来问方向距离。但通用音频骨干面向人耳听觉、对高能量显著模式敏感，会丢掉阵元间相位相干与阵处理增益，若直接让语言模型在无物理含义的隐向量上推理，判决不可靠。本文的衔接点是保留物理的编码器加跨模态对齐，使语言生成仍锚定在可验证的声学子集上。

输入输出的形式与必须保留的信息

单条样本是 120 s、32 通道、2 kHz 采样的同步记录，每通道 240000 点。目标可能出现在 4 个距离环与 24 个方位之一，源与接收深度均为 100 m，信噪比按多档注入，另有纯背景记录对照。输出不是单一分数，而是一份结构化检测报告，包含目标是否存在、方位角、水平距离、接收信噪比、变长频率列表与解释文本，每个标量字段还附带支持分数。

必须保留的信息有 3 类。时间上音调要在多帧持续，谐波与调制边带要相干演化；空间上通道间相位差要符合容许方向，空间响应要满足阵流形约束；传播上要符合水深地形与声速决定的可行性，同时考虑噪声场与衰落对弱特征的掩蔽。若丢掉任一类，低信噪比下就无法区分真实目标与背景巧合。

从信号到证据的总体链条是怎样组织的

方法沿特征到证据再到决策的顺序组织。声学观测先经物理感知编码器变成特征，再与文本物理先验一起形成证据，最后由共享语言推理核心给出决策，决策以陈述的证据为条件，而不是直接以后验解释方式附在特征之后。设计上要求每步物理可接地，声学、环境图像与文本先对齐到同一语义空间再推理。

本图为框架总览，先看主链再看 3 路输入与输出的证据优先顺序，有助于理解后文 3 分支为何这样分工。

看图路径： 1. 先看顶部特征到证据再到决策的链条，确认决策只以证据为条件；2. 再看中部声学、环境图像与文本三路输入如何各自编码与投影；3. 最后看底部输出如何要求先写证据再写决策

论文图 2。原论文 Fig. 2:：“Architecture of the proposed from-signals-to-evidence framework.”。

该图顶部给出特征到证据再到决策的链条，中部展示声学观测、环境图像与文本 3 路输入，下部区分第一部分识别与第二部分检测在输入条件与物理前端上的不同，再往下把 3 路投影拼接成统一令牌序列送入冻结主干加可训练低秩模块的语言核心，底部要求每个证据项对应可验证的声学特征子集并固定先证据后决策的字段顺序。像素上可见单通道与多通道、声速剖面与地形、查询指令与物理先验等标注。

统一令牌序列把声学令牌、环境令牌与文本嵌入拼在一起，训练只监督答案部分，输入令牌损失被屏蔽。结构化输出把证据项与最终判决分开，方位、存在、谱线等证据在前，判决在后。

\[\mathcal{F}=\phi(X_{\mathrm{ac}}),\qquad\mathcal{E}=g(\mathcal{F},\mathcal{P}),\qquad\mathcal{D}=h(\mathcal{E}),\]

该式中 Xac 表示声学观测，P 表示嵌入的文本物理先验，phi 表示物理感知声学编码器，g 与 h 分别表示由语言核心实现的证据形成与决策过程，F、E、D 分别表示特征、证据与决策，顺序不可颠倒。

方向分支如何算出可被查询的角度剖面

窄带近似下阵列频谱写成导向矢量乘目标复谱幅度加背景向量，目标存在时传播时延在阵元间形成相位关系，目标缺失时源项为零。空间协方差保留这些关系，对候选方位求方向谱即得到整段的角度剖面，这是后续聚合的依据。

\[\bm{x}(f)=\bm{a}(f,\theta_{0})s(f)+\bm{n}(f).\]

该式中 x(f) 为阵列频谱向量，a 为与阵元相对位置、声速与方位有关的导向矢量，s(f) 为目标复谱幅度，n(f) 为背景向量，Ma 为阵元数，f 为频率。

具体实现上 3 分支共享 10 s 观测窗、2 s 跳变，每条 120 s 记录得到 56 窗。方向分支与检测分支用 0.5 s 傅里叶窗，谱线分支用 2 s 窗以获得更细谱格。每观测窗内估计协方差并做对角加载，再算 MVDR 方向功率，然后在分析带内对频率取对数平均得到窗级对数角度剖面，再对窗取平均得到记录级剖面。方位网格为 0 到 359 度共 360 点。

圆形卷积编码角度剖面后，与剖面值及正余弦方位编码合并，得到窗口级与记录级方向特征，分别作为检测分支与谱线分支注意力的查询与键值。记录级方向特征按相邻方位一组展平并经共享线性映射得到方向序列。

MVDR × DOA 分支： MVDR 指最小方差无失真响应波束形成，通过对协方差求逆后在候选方位上计算输出功率来突出相干来波并抑制干扰；DOA 分支指负责方位估计的编码分支，它先估计协方差再算 MVDR 方向谱并编码为方向特征。二者搭配的意义是 MVDR 提供有物理含义的角度功率剖面，DOA 分支把它变成后续检测与谱线分支可查询的方向先验，组合后弱目标的方向一致性可以被显式利用。

检测分支与谱线分支各看什么，在哪里汇合

检测分支取每通道短时傅里叶谱的实部、虚部与对数幅度，经时频池化、相对阵元坐标编码与基于注意力的阵元聚合，得到每观测窗 8 个时间位置乘 64 个频率位置的网格，再用并行时间与频率 Transformer 建模两轴，相加归一后展平成内容张量。窗级方向特征做查询、时频特征做键值，交叉注意力输出经门控残差融回方向特征，再对方位平均并线性映射，得到每窗一个表示的时间序列，保留 56 个位置。

谱线分支从细谱提取对数功率谱密度、局部谱突出度与阵元间幅度相干，突出度指对数功率谱超出平滑频率邻域的部分，相干由选定阵元对的归一化互谱平均得到。对 56 窗求均值与标准差形成 6 个频率通道，再用多尺度频率卷积编码为频率表示。频率特征做查询、记录级方向特征做键值，带可学习增益的残差融合后按 32 点一组展平映射，得到频率序列。

本图展示 3 分支共享窗、方向引导与语言对齐的完整路径，重点看左右两条方向连线与 3 类令牌的去向。

看图路径： 1. 沿底部共享 10 秒观测窗看三分支的不同傅里叶窗长；2. 比较窗口级方向特征给 DET 做查询与记录级方向特征给 LINE 做键值的两条连线；3. 看右侧三类声学令牌、水深令牌与文本如何进入语言模型并分出频率读出位置

论文图 3。原论文 Fig. 3:：“Task-oriented acoustic encoding and language alignment.”。

该图左下共享窗条说明输入为 32 通道 120 s 的 2 kHz 数据，中间蓝色块为方向特征，左右紫色块为两次交叉注意力，右侧灰色大块为 Qwen3-4B 语言模型加低秩适配，上方为含存在、方位、距离、信噪比与频率的报告示例，下方为水深编码器与文本指令。像素上可辨 0.5 s 与 2 s 两档傅里叶窗标注及 360 角度位置字样，左侧还标出对数功率谱、局部突出度与阵元间相干 3 路细谱特征。

DET 分支 × LINE 分支： DET 分支指负责目标有无判断的时频内容分支，处理短窗傅里叶谱的实部、虚部与对数幅度并保留时间变化；LINE 分支指负责谱线位置估计的细频谱分支，处理对数功率谱、局部谱突出度与通道间幅度相干并在整段上统计均值与标准差。二者分工是 DET 看宽带时频持续性，LINE 看窄带细谱峰的平均强度与起伏，搭配后同一段观测同时得到存在性与频率证据。

声学与环境信息如何拼成语言模型能读的序列

3 个序列与 3 个任务摘要经独立线性映射投影到语言嵌入空间，每个摘要占一个输入位置，另有组嵌入标识来源、组内位置编码保留顺序。水深以 201×201 数值矩阵给出，经空间池化归一后取局部块与其中心坐标，用多层感知机映射为 16 个环境令牌，任务指令、声速、接收坐标与阵形以文本编码。还有一个由频率摘要派生的频率读出位置加在多模态前缀之后，它能看到完整上下文，结构化答案跟在其后。

语言模型生成存在、方位、距离与信噪比，频率头从读出位置隐状态输出独立分数，经阈值、局部峰选择与最小间隔抑制得到变长谱线表，每个频率配一个分数。标量字段、频率表与解释文本共同构成报告，无目标时频率表为空、物理属性为空。

声学证据令牌 × 环境先验： 声学证据令牌指由编码器输出并投影到语言模型输入空间的时间序列、方向序列与频率序列加三个任务摘要，分别携带持续性、方向集中性与谱线信息；环境先验指以文本与水深矩阵形式给出的阵形、声速、接收位置与地形信息。二者搭配使语言模型在判断时同时看到观测到的声场结构与传播背景，组合后可区分符合传播约束的目标与偶发噪声峰。

两阶段训练分别更新什么，用什么损失监督

第一阶段学声学编码器与任务摘要，第二阶段冻结编码器与语言主干，只训练输入投影、水深编码器、低秩模块与最终频率读出头。低秩适配作用于查询与价值投影，秩 8，缩放参数 16，丢弃率 0.05。语言适配按顺序进行，先一轮检测与方位，再两轮频率预测，最后加环境文本与水深做一轮信噪比、距离与解释文本。

3 个任务摘要各有预测头。检测用二值交叉熵监督存在概率，方位用带圆形软标签的 KL 散度监督方位分布，频率用区域平衡二值交叉熵加难负例监督独立分数。频率参考峰为局部高斯软峰，重叠取最大，无目标时全零，正负分区求均值再加权，难负例取分数最高的 32 个负仓。

\[\mathcal{L}_{\mathrm{ac}}=\lambda_{\mathrm{det}}\mathcal{L}_{\mathrm{det}}+\lambda_{\mathrm{doa}}\mathcal{L}_{\mathrm{doa}}+\lambda_{\mathrm{freq}}\mathcal{L}_{\mathrm{freq}}.\]

该式中 Ldet、Ldoa、Lfreq 分别为检测、方位与频率损失，lambda 为非负平衡系数，总损失为三者加权和，用于训练分支与融合模块。语言侧把答案令牌按存在、方位、信噪比、距离与剩余文本分组求平均交叉熵，无目标时方位信噪比距离按空值监督，频率语言头沿用同样的软目标与难负例规则再加权重。

物理感知声学表示标签 × 结构化声学描述： 物理感知声学表示标签指与波形配对的离散监督，包括目标有无二值标签、1 度网格上的圆形软方位分布与 0.5 赫兹网格上的软频率峰；结构化声学描述指语言接口用的结构化目标，包括是否存在、方位度数、水平距离米数、接收信噪比 dB 数与频率列表赫兹数。前者训练编码器各分支，后者训练语言模型生成与读出头，分两层保证表示先有物理含义再被组织成报告。

仿真数据如何从声源、传播到噪声一步步造出来

声源由音调、连续谱与调制谱三部分加权组成。音调包含基频选定谐波与独立谱线，带初频、幅度、初相与恒定漂移率，谐波幅度随阶数下降；连续谱由零均值高斯白噪声驱动的自回归模型生成，自相关为指数衰减余弦，系数由 Yule-Walker 方程求解；调制谱为等间隔高斯脉冲串乘连续谱，脉冲周期与宽度决定幅度起伏的重复率与时长。

传播用 BELLHOP 沿源到阵中心的径向垂直切片计算，声源布在多个同心圆、每圆 24 个方位共 96 种几何，源与接收深度 100 m，阵为半径 5 m 的 32 元水平均匀圆阵。通道共享时间基准以保留相对时延，频点响应插值到源带宽，传播后多通道记录做公共均方根归一化以保留相对幅度相位。

背景有两套，白背景为时空独立高斯噪声，混合背景为同步低频实测海洋记录加高频合成噪声，高频功率按通道匹配低带平均谱密度。按预设宽带接收信噪比缩放目标幅度混合，纯背景沿用同一背景抽样但不注入目标。

本图左侧为仿真地形与源布设，右侧为圆阵平面，读图时先确认距离环与阵形尺寸。

看图路径： 1. 在左图确认四个同心圆半径与多个方位点构成的几何布设；2. 在左图色标上确认水深变化范围与阵中心位置；3. 在右图确认圆阵半径与相邻元角度间隔标注

论文图 4。原论文 Fig. 4:：“Propagation environment and array geometry.”。

该图左图横纵轴为水平距离，色标为水深，橙圈为目标源、星形为阵中心，可见多环半径标注与 20 km 比例尺；右图横纵轴为米，可见半径与角度间隔标注，蓝点为 32 个水听器。两图共同说明几何网格固定而源实现跨划分不重叠，左图深浅变化表示地形起伏，右图圆周均匀分布表示均匀圆阵。

数据划分与分析窗的配置是什么

下表比较各划分的源编号数、有目标数、背景数与总数，公平条件是两套背景共享源与传播配置，同一源实例的观测留在同一划分，源实现跨划分不相交，实测背景按不重叠时间块划分。

Partition	Source IDs	Target	Background	Total
TRAIN	480	2400	480	2880
DEV	96	96	96	192
CAL	96	0	288	288
TEST	96	1440	288	1728

该表给出训练、验证、校准与测试的构成，测试在每个信噪比有多条有目标与共享无目标观测，背景观测在汇总统计中只计一次，避免重复计入虚警分母。训练每源每背景一次抽样生成多档信噪比有目标观测加纯背景，验证配对低信噪比与背景，测试每源多次背景抽样各生成多档与共享纯背景。

下表比较 3 分支的窗长、跳变、点数、仓隔与频带，说明方向引导与内容提取为何用不同谱格，指标方向为检测率越高越好、虚警越低越好、误差越小越好。

Branch	Analysis window (s)	Analysis hop (s)	FFT points	Bin spacing (Hz)	Band (Hz)
DOA	0.5	0.25	1,000	2.0	40–700
DET	0.5	0.25	1,000	2.0	0–1,000
LINE	2.0	1.00	4,000	0.5	0–1,000

该表显示方向与检测共享短窗以保留时频变化，谱线用长窗以获得细谱格，三者共享 10 s 观测窗与 2 s 跳变，这是后文 56 窗、360 方位点与频率仓的来源。方向窗每窗多快拍，对角加载为平均对角功率小比例，方位软标签与频率软峰均用高斯展宽。

评价上编码器以 0.5 为阈值判存在，系统以生成字段判存在；方位用圆周误差平均绝对值，测试含多个离散参考方位；频率先保留分数不低于阈值的局部极大再做间隔抑制，按频率递增与最近未匹配参考配对，池化计数算微平均精确率召回率；信噪比距离只在有有效数值预测的有目标样本上算平均绝对值，并报告覆盖率与模式有效性。

编码器在低信噪比验证集上能保留多少结构

下表比较零下 30 dB 处两套背景上的编码器验证表现。每行是各自背景上单独训练的编码器，用 96 个有目标观测加 96 个无目标观测衡量，编码器出现概率超过 0.5 即判为有目标，方位误差统计全部有目标观测，频率精确率、召回率与 F1 按配对规则微平均且以百分比表示。

Background	Pd (%)	False alarms NFP/N0	Bearing MAE (◦)	Precision	Recall	F1
White noise	100.00	0/96	1.26	100.00	93.64	96.72
Mixed background	98.96	0/96	0.22	81.75	81.83	81.79

该表显示白噪声模型检出 96 个目标中的 96 个，混合背景模型检出 96 个中的 95 个，两者都在 96 个无目标观测上零虚警。方位平均误差分别为 1.26 度和 0.22 度，频率 F1 分别为 96.72% 和 81.79%，混合背景下精确率与召回率都在 80% 左右且较为均衡。这说明方向引导的聚合在强噪声下仍保留了弱结构的空间与谱一致性，但两行来自不同背景数据集上的各自编码器，不能直接互换比较，且验证只覆盖单点低信噪比。本表数值与单位依据论文 PDF。

本节报告为独立编码器头的性能，不是后文完整语言系统的性能，2 阶段之间冻结编码器，语言适配不会回传改变这些表示。结合后文系统测试看，编码器保留的结构是报告质量的基础，但频率从编码器分数到语言读出分数还会再变化，需要分开理解。

完整系统在混合背景测试集上的报告质量如何

下表比较混合背景下五档信噪比的系统测试性能，比较检测率、虚警率、方位误差、频率精确率召回率与 F1、信噪比误差与距离误差。每档含 288 个有目标观测，虚警只在 288 个共享无目标观测上计算一次，频率指标为百分比，信噪比误差以 dB 计，距离误差以 km 计。

SNR (dB)	Pd (%)	Pfa (%)	Bearing MAE (◦)	Precision (%)	Recall (%)	F1 (%)	SNR MAE (dB)	Range MAE (km)
0	100.00	–	0.000	77.54	35.74	48.93	0.000	8.410
−10	100.00	–	0.000	65.74	38.25	48.36	1.979	8.222
−20	100.00	–	0.260	65.76	45.34	53.68	0.451	9.174
−25	100.00	–	0.260	64.81	51.84	57.61	0.625	9.462
−30	100.00	–	0.521	63.20	56.78	59.82	0.105	8.749
Overall	100.00	0.00	0.208	67.11	43.95	53.11	0.632	8.803

该表显示系统检出全部 1440 个目标且在背景上零虚警，总体方位误差为 0.208°，低信噪比档误差增大但在−30 dB 仍为 0.521°。1440 个方位输出中有 1420 个等于参考角、20 个差 15°，在 24 个测试方位上度量。频率总体精确率为 67.11%、召回率为 43.95%、F1 为 53.11%，共匹配 10927 条参考线。参考数随信噪比降低从 0 dB 的 6086 条变小到−30 dB 的 3424 条，因为标注依赖接收谱峰，因此低信噪比 F1 升高涉及不同参考集，不可理解为条件越差越好。信噪比总体误差为 0.632 dB，最大在−10 dB 档，距离总体误差为 8.803 km 且弱于 7.5 km 中值常数基线的 6.753 km。本表数值与单位依据论文 PDF。

报告格式有效性上 1728 份中有 1727 份满足四标量字段类型与空值规则，仅一条−30 dB 有目标缺信噪比距离但保留检测方位频率，信噪比与距离有效数在−30 dB 为 287/288、其余各档为 288/288、总体为 1439/1440。示例中数值字段与全部 23 个频率候选均为保存的预测，英文解释为编辑过的示意，说明可能的谐波关系。有目标例预测方位 60°与参考一致，但预测距离 10 km 与参考 25 km 相差较大，需结合距离分析理解。无目标例返回空物理属性与空频率表，标量支持分数为组成报告字段值词元条件概率的几何均值，频率分数为对应仓的输出，显示时截断到 2 位小数。

为什么距离误差大，信噪比估计相对好

距离总体误差接近 9 km，而常数预测取训练中值在同样样本上有更低的误差，说明当前模型的距离输出尚未学到超越先验的有效映射。论文给出的机制是每记录信噪比缩放与公共均方根归一化去掉了绝对接收电平这一距离线索，任何有用距离信息只能留在相对空间或传播结构中，而本系统只在最后一步加入环境文本与水深，距离监督轮次也有限。

相比之下信噪比总体误差不足 1 dB 且高信噪比档接近零误差，低信噪比档也很小，说明相对电平与谱结构仍保留了可估计的信噪比线索。数值覆盖率上绝大多数有目标样本有有效信噪比距离输出，缺失仅一条。

接收信噪比 × 水平距离： 接收信噪比指按全阵元全时长平均功率定义的宽带混合信噪比，用于控制目标幅度缩放；水平距离指目标到阵中心的水平距离，用于考察传播损失线索。两者在本文仿真中耦合又被归一化削弱：每条记录的幅度缩放与公共均方根归一化去掉了绝对接收电平这一距离线索，因此距离只能依赖相对空间或传播结构，这是距离误差大的关键机制解释。

这 1 对比不支持距离已解决的判断，也提示复现时若改动归一化或加入绝对电平校准，距离结果会变，跨归一化方式的比较不公平。距离失败不是检测失败，方位与存在判断仍可靠，但需要把测距当作待补模块。

这些结论在什么条件下才成立，还有什么没测

所有主结果来自物理参数化仿真，声源、阵形、声速与地形网格固定，测试用新源实现但几何网格与环境仍在指定集合内，未验证变化传播条件、多样阵形、运动目标连续观测与实海记录。混合背景虽引入实测低频段，但高频段为合成噪声并按通道匹配功率，不能等同于完全实测。

频率参考依赖接收谱峰、干净传播信号与源参数共同确定，低信噪比参考集本身变小，因此跨信噪比的精确率召回率不能直接比大小。距离未胜出中值基线，方位误差虽小但只在离散参考方位上测量，相邻方位混淆仍存在。

未测量误判率之外的延迟、算力与输出帧率，训练用大显存显卡、浮点统计与混合精度、有效批量与梯度裁剪，不能据此承诺实时性改善。缺证据不等于技术缺陷，只是适用边界需要后续补验证。

复现第一步做什么，需要哪些关键设置

先按 96 种几何与多源实现重建数据引擎，用 BELLHOP 在多频点、多条射线、发射角范围内算传播，再按多档信噪比混合与公共归一化生成记录，并严格保持源实现跨划分不相交、背景时间块不重叠。接着按共享观测窗与跳变、方向检测短窗、谱线长窗实现 3 个分支，先训编码器再冻结训投影、水深编码器、低秩与频率头，语言主干用指令模型，优化用 AdamW、权重衰减与梯度裁剪。

评测必须沿用固定阈值、局部峰加间隔抑制、配对容差与微平均规则，虚警分母只计共享背景一次，信噪比距离只在有效数值上平均并报告覆盖率。来源方面本次未发现可验证的公开代码模型或数据绑定，不得声称已开源，复现需自行实现仿真与训练流程。

什么时候值得尝试，一句话总结与待补验证

当任务需要同时给出有无、方位与谱线并要求报告可检查时，该框架值得尝试，因为它把弱目标的持续性、方向集中性与谱相干显式变成可查询的令牌，再用语言模型组织成带支持分数的结构化报告，在仿真混合背景下做到了全检出零虚警与亚度级方位误差。

但若首要目标是测距，或数据含未见传播环境与真实运动目标，则不应直接套用本文数字，需先补距离线索设计与实海验证。下一步应测试变化声速剖面与地形、不同阵形口径、连续运动多普勒，以及生成解释与底层声学信息的对应关系，避免把示意性谐波解释当成因果证明。

📎 论文与评分元数据

排名：后50% | 文档类型：方法研究 | arXiv 原文

⚖️ 评分明细

评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。

评分规则：type-aware-v1
评分模型：muse-spark-1.3-contributor
评分请求协议：openai_responses

← 返回 2026-10-23 语音/音乐/音频论文速递

原文与引用

📄 从多通道波形到结构化证据：被动检测如何同时给出有无、方位与谱线#

👥 作者与机构#

📌 核心摘要#

🔗 开源与复现资源#

🧭 深度解读#

被动检测要解决什么，为什么只给分数不够#

已有检测路线与音频语言模型各缺了什么#

输入输出的形式与必须保留的信息#

从信号到证据的总体链条是怎样组织的#

方向分支如何算出可被查询的角度剖面#

检测分支与谱线分支各看什么，在哪里汇合#

声学与环境信息如何拼成语言模型能读的序列#

两阶段训练分别更新什么，用什么损失监督#

仿真数据如何从声源、传播到噪声一步步造出来#

数据划分与分析窗的配置是什么#

编码器在低信噪比验证集上能保留多少结构#

完整系统在混合背景测试集上的报告质量如何#

为什么距离误差大，信噪比估计相对好#

这些结论在什么条件下才成立，还有什么没测#

复现第一步做什么，需要哪些关键设置#

什么时候值得尝试，一句话总结与待补验证#

⚖️ 评分明细#

📄 从多通道波形到结构化证据：被动检测如何同时给出有无、方位与谱线

👥 作者与机构

📌 核心摘要