该研究聚焦于水下声学通信中噪声数据的智能恢复问题。随着海洋三维监测需求的提升，水下传感器网络在深海探测、军事侦察等场景中发挥关键作用。然而，复杂海洋环境导致的信号干扰、通信不稳定以及传感器自身偏差等问题，使得原始数据存在严重失真，直接影响目标识别和态势判断的准确性。
当前数据处理方法存在显著局限性。传统矩阵分解技术仅能处理单一维度的数据特征，难以捕捉多维空间中的关联性。尽管部分研究尝试引入张量分析，但主要存在两大缺陷：其一，多数方法仅关注低秩特性而忽视稀疏性，或反之；其二，现有张量分解模型在处理水下声学数据时，未充分考虑声学信道的时间频变特性及多路径效应。具体而言，现有研究多采用固定权重或单一核范数进行约束，导致对实际数据中不同维度噪声的敏感性差异处理不足，难以适应动态变化的水文环境。
本研究提出一种新型智能恢复框架，通过多维特征协同优化实现水下噪声数据的精准重建。核心思路是将原始声学数据建模为高维张量结构，其中不同维度分别对应空间位置、时间序列和频谱特征。通过分解为低秩目标张量和稀疏噪声张量两个子空间，既保留声学信号的主要结构特征，又能有效分离干扰成分。
在模型构建方面，创新性地引入双重约束机制。首先，针对水下声学数据的多维度关联特性，采用非凸正则化方法近似张量管秩，这种改进方法能够更精确地捕捉声学信号在不同频段、不同时间段的耦合关系。其次，通过动态调整稀疏约束的权重参数，有效解决传统ℓ1范数在稀疏度测量中的偏差问题。特别地，结合平滑截断绝对偏差（SCAD）作为稀疏度量，既保持了稀疏性的优势，又避免了过度惩罚导致的有效信息损失。
算法实现方面，研究团队开发了高效求解的交替优化算法。该方法通过迭代更新目标张量和噪声张量的分量，结合张量乘积运算实现特征分离。实验设计包含理论仿真与实际湖试两个层面：在仿真环境中，对比分析了不同信噪比和异常噪声密度下的恢复精度；实际试验则部署了四个声学基站组成的监测网络，采集了目标在圆形轨迹上的连续声学信号。结果显示，新模型在保持低秩特性的同时，稀疏噪声的分离效率提升约37%，目标信号重构的均方误差较传统方法降低21.5%。
在技术突破层面，本研究实现了三个关键改进：1）建立多维声学数据的联合低秩稀疏模型，首次将时频空三维特征统一纳入分析框架；2）提出自适应权重调整机制，根据噪声类型动态优化约束强度；3）开发高效的ADMM求解器，将计算复杂度降低至传统方法的1/3，特别适合处理水下传感器网络产生的海量数据。
应用验证部分，研究团队在太湖进行的实地测试中，成功将水下通信误码率从传统方法的12.7%降至3.2%。测试场景包含强多径效应（超过200条反射路径）、30分贝以上的背景噪声以及动态目标（航速达5节）。对比实验表明，在同等计算资源下，TLSRNR模型比现有最优算法在目标定位精度上提高15.8%，异常检测响应时间缩短42%。
研究还特别关注了实际部署中的可扩展性问题。通过模块化设计，将算法拆分为数据预处理、特征分离和结果融合三个独立模块，允许根据具体需求调整各模块的参数配置。在实验环境中，成功实现了从8节点到64节点的网络规模扩展，计算效率仅以18%的增速提升，验证了模型的良好扩展性。
该成果对水下通信技术发展具有双重价值：理论层面，构建了水下声学数据恢复的统一分析框架，突破了传统单维度处理方法的局限；实践层面，提出的自适应稀疏约束机制可有效应对海洋环境中不同强度和类型的噪声干扰，为智能海洋监测系统的研发提供了关键技术支撑。研究团队后续计划将该方法拓展至多声源定位和动态环境自适应调整领域，进一步提升其在复杂海洋场景中的实用价值。
