CN110146846A - 一种声源位置估计方法、可读存储介质及计算机设备 - Google Patents
一种声源位置估计方法、可读存储介质及计算机设备 Download PDFInfo
- Publication number
- CN110146846A CN110146846A CN201910493374.4A CN201910493374A CN110146846A CN 110146846 A CN110146846 A CN 110146846A CN 201910493374 A CN201910493374 A CN 201910493374A CN 110146846 A CN110146846 A CN 110146846A
- Authority
- CN
- China
- Prior art keywords
- signal
- window
- sound source
- source position
- length
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 230000000306 recurrent effect Effects 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 20
- 238000007476 Maximum Likelihood Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000009795 derivation Methods 0.000 claims description 7
- 238000001228 spectrum Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000000977 initiatory effect Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 230000007812 deficiency Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000005314 correlation function Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 208000032170 Congenital Abnormalities Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S3/00—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received
- G01S3/80—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received using ultrasonic, sonic or infrasonic waves
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/18—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using ultrasonic, sonic, or infrasonic waves
- G01S5/20—Position of source determined by a plurality of spaced direction-finders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本公开提供了一种声源位置估计方法、可读存储介质及计算机设备,单矢量水听器接收海洋中的声源发出的多通道信号;通过固定窗‑动态窗的联合滑动,将接收到的多通道信号融合为瞬时单通道声强信号,并划分为包含足够信息量的信号段,在保证信息量的前提下,减少数据量,提高运算速度;利用最大期望算法进行信号的自补足,同时通过扩大各信号段之间的距离,提高了信号段之间的分辨率,而且一定程度上补充了上一步截取损失的信息;通过循环神经网络利用自补足后的等长信号进行声源位置的估计;本公开所述的声源估计方法仅需采用单矢量水听器采集信号,不仅简化了布置难度和使用成本,还扩大了适用范围。
Description
技术领域
本公开涉及声源位置估计技术领域,特别涉及一种声源位置估计方法、可读存储介质及计算机设备。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术,并不必然构成现有技术。
随着我国经济快速持续地增长,人口也不断地增加,人们对资源的需求量和消费水平的要求也随之大幅度地增长。对于陆地上有限的资源,人们也在最大可能的开发和利用,同样与此同时也会面临资源短缺的情况,所以我们要在现有的资源得到最大化应用基础上,还要研究开发新的领域和新的资源。而海洋面积占地球表面积高达70%以上,所以对于海洋资源的开发利用至关重要。近年来世界上各个国家对于海洋资源竞争也是相当激烈。怎样开拓和使用海洋资源,使其资源能够得到最大价值的利用,已经成为近年来备受关注的重大问题。中国处于一个独特的位置,总的国土面积约为960万平方公里,其中海洋面积约占总面积的3%,并且这些海洋水域大部分处于浅海水域。所以对浅海水域的技术研究,将会对人类的生存和发展产生更大的意义。
相比于深海环境,浅海环境的时空多变性、不确定性对信号的传播影响更加严重,同时浅海海底的反射信号及浅海人类活动均会造成目标信号的混叠,进而影响声源位置估计,因此对于浅海环境下声源目标估计一直是目前该领域的研究难点。相比于传统的声压水听器,矢量水听器能共点采集声压信号和正交方向的三轴振速信号,具有很高的实用价值。
本公开发明人在研究中发现,目前单矢量水听器多用于目标方位角和俯仰角的估计,而目标位置距离的判断则需采用矢量水听器阵列进行交叉估计,这是由于单矢量水听器对于距离分辨不足的天生缺陷造成;而且单矢量水听器在实际工程应用中一方面是由于工艺条件的限制使得实际参数难以到达理想电声参数特性要求,制约其方位估计精度,另一方面,其易受环境影响发生姿态的不确定变化,更加影响目标真实方位的获取,这些原因导致单矢量水听器在目标位置估计上应用不足。
发明内容
为了解决现有技术的不足,本公开提供了一种声源位置估计方法、可读存储介质及计算机设备,相比于传统的声源估计模型需要布置复杂的矢量水听器阵列接收信号,该声源估计方法仅需采用单矢量水听器采集信号,不仅简化了布置难度和使用成本,还扩大了适用范围。
为了实现上述目的,本公开采用如下技术方案:
第一方面,本公开提供了一种声源位置估计方法;
一种声源位置估计方法,步骤如下:
单矢量水听器接收海洋中的声源发出的多通道信号;
通过固定窗-动态窗的联合滑动,将接收到的多通道信号融合为瞬时单通道声强信号,并划分为包含足够信息量的信号段,在保证信息量的前提下,减少数据量,提高运算速度;
利用最大期望算法进行信号的自补足,同时通过扩大各信号段之间的距离,提高了信号段之间的分辨率,而且一定程度上补充了上一步截取损失的信息;
通过循环神经网络利用自补足后的等长信号进行声源位置的估计。
作为可能的一些实现方式,所述多通道信号为四通道信号,包括三个正交方向的振速信号:x轴方向振速vx,y轴方向振速vy,z轴方向振速vz和一个标量声压信号p。
作为进一步的限定,通过固定窗将多通道信号融合为瞬时单通道声强信号,遍历所有长度的动态窗,寻找信息熵最速上升段,确定最佳动态窗,通过最佳动态窗基于信息熵将固定窗口内的瞬时单通道声强信号动态截取为不等长信号,对于截取的不等长信号,利用最大期望算法进行信号的自补足。
作为更进一步的限定,通过固定窗-动态窗的联合滑动,将接收到的多通道信号划分为包含足够信息量的信号段,具体为:
401对于采集到的四通道信号p,vx,vy,vz,给定固定窗口长度lf和窗口初始起点
402利用窗口长度和起始点分别为lf和的固定窗进行窗口内的四通道信息融合,得出长度为lf瞬时单通道声强信号;
403在瞬时单通道声强信号内截取窗口长度和起始点分别为和的动态窗可认为所述动态窗内信号在满足足够信息量的需求下信号长度尽可能短;
404返回402,以信号重叠率η更新固定窗的起始点循环运算。
作为更进一步的限定,所部步骤402中,通过固定大小的时间窗在各通道信号内同步滑移,提取信号通过互谱法将信息融合为瞬时单通道声强信号,具体为:
501根据信号融合程度,给定固定窗长度lf和窗口起始点
502分别在声压p和各轴向振速vx,vy,vz的信号通道内,以相同起始点截取窗口大小为lf的信号段,对应的窗口信号为
503基于互谱法计算各窗口信号融合后的瞬时单通道声强信号实现多传感器的信息融合,融合后的瞬时单通道声强信号的计算公式为:
其中和为x、y、z三个分量的互谱函数,是p2(f)的谱函数,f是频率,Re[]为进行拉普拉斯变换,θ、是声源相对于矢量水听器的俯仰角和方位角,分别以xoy平面和x轴为0°,p(t)、vx(t)、vy(t)、vz(t)分别为t时刻下矢量水听器的接收到的声压信号和各方向振速信号。
作为更进一步的限定,所述步骤403中,对固定窗内的瞬时单通道遍历所有长度的动态窗,找取信息熵的最速增长段,即为最佳动态窗口具体为:
601在截取的瞬时单通道声强信号I的固定窗内,以固定窗起始点出发,遍历整个窗口,通过如下公式计算所有长度信号的信息熵,构造成信息熵信号
其中,xi为随机事件X可能的取值;Shannon(X)为随机事件X包含的信息熵,m为随机事件的总数,p(xi)为xi发生的概率;
602根据的求导结果S′I寻找的最速增长段,标记长度为跳至步骤604;
603若在内未找到最速增长段,则可认为该固定窗内的信号为无效信号或噪声信号,则标记长度为满足以下两条件:
当较小,则认为该信号为空信号或固定窗内信号信息熵含量不足,取l0为预设最小截取长度;
当较大,则认为该信号为噪声信号或含信息熵较高的有用信号,取l1为预设最大截取长度;
604在固定窗内从起始点开始截取长度为的信号段为动态窗并标记窗口终止时间为
作为更进一步的限定,利用最大期望算法进行信号的自补足,分割出的不等长信号相当于观测数据X,补足后的等长信号相当于完整数据Y,补充的信号相当于未观测到数据Z,通过最大期望算法迭代结果得参数θ的最大值θ*,即当基于Y的最大似然函数L(θ)取到最大值时,完整数据集的均值和方差ui和取到最优解,基于观察到的数据集X得到未知数据集Z,进而补足完整数据集Y,具体为:
701令迭代次数t=0,初始化参数向量θ(0),θ为数据集Y的均值和方差组成的参数向量,计算初始最大似然函数L(0)(θ):
702由θ(t)得到保证在给定θ(t)时,ln(E(X))≥E[ln(X)]的等号成立,以建立L(θ(t))的下界;
703固定并将θ(t)视作变量,对702步中的L(θ(t))求导,由公式得到θ(t+1);
704如果|L(θ(t+1))-L(θ(t))|≤ε时,迭代计算结束,否则令t=t+1,返回至702步,其中阈值ε为给定的很小值。;
其中,Qi表示未知数据Z的某种分布;p(x(i),z(i);θ(t))为θ(t)条件下发生x(i),z(i)的概率;上标i为对应参数的第i个值;ε为阈值,为初始给定的一个很小的值,作为终止迭代的标准,E[]为数学期望。
作为更进一步的限定,通过循环神经网络利用自补足后的等长信号进行声源位置的估计,具体为:利用最大期望算法以补充后的信号段作为输入,输出不同信号段下声源的方位角和距离;通过不同信号段的估计结果交叉验证,实现声源位置的精准定位。
第二方面,本公开提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本公开所述的声源位置估计方法中的步骤。
第三方面,本公开提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现本公开所述的声源位置估计方法中的步骤。
与现有技术相比,本公开的有益效果是:
1、本公开所述的声源位置估计方法相比于传统的声源估计模型,避免了布置复杂的矢量水听器阵列接收信号的问题,本申请所述的声源估计方法仅需采用单矢量水听器采集信号,不仅简化了布置难度和使用成本,同时扩大了适用范围。
2、本公开所述的声源位置估计方法采用动态窗和固定窗的联合滑动将短时信号样本划分为大量信号段,通过各信号段的相互验证,提高了位置估计的精度和稳定性,在保证信息量的前提下,减少数据量,提高运算速度。
3、本公开所述的声源位置估计方法只需前期使用大样本对网络进行训练,使用时不需要通过复杂的运算,故可实现高速、高机动目标轨迹的实时跟踪。
附图说明
图1为本公开实施例1所述的单矢量水听器与声源位置关系。
图2为本公开实施例1所述的声源位置估计方法流程图。
图3为本公开实施例1所述的固定窗-动态窗联合滑动的流程图。
图4为本公开实施例1所述的超低频声源位置估计结果曲线图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例1:
如图1-2所示,本公开实施例1提供了一种声源位置估计方法,步骤如下:
单矢量水听器接收海洋中的声源发出的多通道信号;所述多通道信号为四通道信号,包括三个正交方向的振速信号:x轴方向振速vx,y轴方向振速vy,z轴方向振速vz和一个标量声压信号p;
通过固定窗-动态窗的联合滑动,将接收到的多通道信号融合为瞬时单通道声强信号,并划分为包含足够信息量的信号段,在保证信息量的前提下,减少数据量,提高运算速度;
利用最大期望算法进行信号的自补足,同时通过扩大各信号段之间的距离,提高了信号段之间的分辨率,而且一定程度上补充了上一步截取损失的信息;
通过循环神经网络利用自补足后的等长信号进行声源位置的估计。
通过固定窗将多通道信号融合为瞬时单通道声强信号,遍历所有长度的动态窗,寻找信息熵最速上升段,确定最佳动态窗,通过最佳动态窗基于信息熵将固定窗口内的瞬时单通道声强信号动态截取为不等长信号,对于截取的不等长信号,利用最大期望算法进行信号的自补足。
通过固定窗-动态窗的联合滑动,划分为包含足够信息量的信号段,如图3所示,具体为:
301对于采集到的四通道信号p,vx,vy,vz,给定固定窗口长度lf和窗口初始起点
302利用窗口长度和起始点分别为lf和的固定窗进行窗口内的四通道信息融合,得出长度为lf瞬时单通道声强信号;
303在瞬时单通道声强信号内截取窗口长度和起始点分别为和的动态窗可认为所述动态窗内信号在满足足够信息量的需求下信号长度尽可能短;
304返回302,以信号重叠率η更新固定窗的起始点循环运算。
所部步骤302中,通过固定大小的时间窗在各通道信号内同步滑移,提取信号通过互谱法将信息融合为瞬时单通道声强信号,具体为:
401根据信号融合程度,给定固定窗长度lf和窗口起始点
402分别在声压p和各轴向振速vx,vy,vz的信号通道内,以相同起始点截取窗口大小为lf的信号段,对应的窗口信号为
403基于互谱法计算各窗口信号融合后的瞬时单通道声强信号实现多传感器的信息融合,融合后的单通道的瞬时单通道声强信号的计算公式为:
具体瞬时单通道声强信号的推导过程为:
假设声信号P在各向同性噪声场中传播,矢量水听器Q接收到此信号,其输出有如下关系:
声压p(t)=ps(t)+pn(t) (2)
振速x分量vx(t)=vxs(t)+vxn(t) (3)
振速y分量vy(t)=vys(t)+vyn(t) (4)
振速z分量vz(t)=vzs(t)+vzn(t) (5)
上式中,足标“s”和“n”分别表示信号和噪声。如果噪声源相互独立,均值为零,则x方向的声强为:
同理可得:
由同时上式可看出,由矢量水听器的输出p,vx,vy,vz得到的声强不含噪声能量,即它具有抗各项同性噪声的能力;
t时刻下,矢量水听器的接收到的声压信号和各方向振速信号分别为p(t),vx(t),vy(t),vz(t),
使用互谱法估算出目标大致空间方位。首先对声压p分别和各振速分量做互相关运算,得到互相关函数如下:
再对上述互相关函数做傅里叶变化,得到它们的互谱函数
这里是p2(f)的谱函数,f是频率。Re[]为进行拉普拉斯变换。θ、是声源相对于矢量水听器的俯仰角和方位角,分别以xoy平面和x轴为0°
于是,得到目标方位角和俯仰角为
结合公式(6)、(7)、(10)可得矢量水听器声强为:
所述步骤303中,对固定窗内的瞬时单通道声强信号遍历所有长度的动态窗,找取信息熵的最速增长段,即为最佳动态窗口具体为:
601在截取的瞬时单通道声强信号I的固定窗内,以固定窗起始点出发,遍历整个窗口,通过如下公式计算所有长度信号的信息熵,构造成信息熵信号
其中,xi为随机事件X可能的取值,Shannon(X)为随机事件X包含的信息熵,m为随机事件的总数,p(xi)为xi发生的概率;
602根据的求导结果寻找的最速增长段,标记长度为跳至步骤604;
603若在内未找到最速增长段,则可认为该固定窗内的信号为无效信号或噪声信号,则标记长度为满足以下两条件:
当较小,则认为该信号为空信号或固定窗内信号信息熵含量不足,取l0为预设最小截取长度;
当较大,则认为该信号为噪声信号或含信息熵较高的有用信号,取l1为预设最大截取长度;
604在固定窗内从起始点开始截取长度为的信号段为动态窗并标记窗口终止时间为
针对固定窗-动态窗分割后的信号长短不一的缺点,利用最大期望算法(EM算法)进行信号的自补足,分割出的不等长信号相当于观测数据X,补足后的等长信号相当于完整数据Y,补充的信号相当于未观测到数据Z,信号的等长化便于后期计算、对比;
通过最大期望算法迭代结果得参数θ的最大值θ*,即当基于Y的最大似然函数L(θ)取到最大值时,完整数据集的均值和方差ui和取到最优解,基于观察到的数据集X得到未知数据集Z,进而补足完整数据集Y,具体为:
701令迭代次数t=0,初始化参数向量θ(0),θ为数据集Y的均值和方差组成的参数向量,计算初始最大似然函数L(0)(θ):
702由θ(t)得到保证在给定θ(t)时,ln(E(X))≥E[ln(X)]的等号成立,以建立L(θ(t))的下界;
703固定并将θ(t)视作变量,对702步中的L(θ(t))求导,由公式得到θ(t+1);
704如果|L(θ(t+1))-L(θ(t))|≤ε时,迭代计算结束,否则令t=t+1,返回至702步,其中阈值ε为给定的很小值;
具体迭代过程如下:
令Z表示缺失数据,即没有观测到的数据,X为观测到的数据,称之为不完整数据,将缺失数据Z和不完整数据X之和定义为完整数据Y,X是Y的函数,则有如下关系式:
其中,p(X|θ)是观测到的数据集的概率密度函数,p(Y|θ)是完整数据集的概率密度函数,ui和分别为概率密度函数的均值和方差。
求似然函数极大值L(θ)就是在样本点{x(1),…,x(n)}固定的情况下,在参数空间Θ内寻找θ来极大化似然函数,即:
θ*=arg maxθ∈ΘL(θ) (16)
因L(θ)与lnL(θ)在同一θ处取到极值,所以对数化似然函数:
θ的极大似然估计θ*可从下述方程解得:
所以公式(13)可化为
Qi(z(i)):=p(z(i)|x(i);θ) (20)
其中,Qi表示未知数据Z的某种分布,且满足条件:
由数学期望和Jensen不等式的相关定义:
ln(E(X))≥E[ln(X)] (23)
结合公式(19)得:
再结合公式(19)和公式(20)可得,在第t次迭代时:
公式(25)可看成是对L(θ)求下界的过程,其通过不断迭代,提高下界,直至参数θ取到最大值θ*时,下界L(θ(t))收敛到似然函数L(θ)附近,此时迭代结束。
通过循环神经网络利用自补足后的等长信号进行声源位置的估计,具体为:利用最大期望算法以补充后的信号段作为输入,输出不同信号段下声源的方位角和距离;通过不同信号段的估计结果交叉验证,实现声源位置的精准定位。
为了进一步说明该方法的实施过程,使用某船舶航行时,布置于某一位置的单矢量水听器采集到的信号检验该方法,经检验,发现该方法能在很短时间内定位到声源位置,精度为1.5m,相比于传统方法,在仅需使用单矢量水听器的情况下,不仅提高了定位精度,还提高了稳定性,估计结果如图4所示。
实施例2:
本公开实施例2提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本公开实施例1所述的声源位置估计方法中的步骤。
实施例3:
本公开实施例3提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现本公开实施例1所述的声源位置估计方法中的步骤。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (10)
1.一种声源位置估计方法,其特征在于,步骤如下:
单矢量水听器接收海洋中的声源发出的多通道信号;
通过固定窗-动态窗的联合滑动,将接收到的多通道信号融合为瞬时单通道声强信号,并划分为包含足够信息量的信号段;
利用最大期望算法进行信号的自补足,同时扩大各信号段之间的距离;
通过循环神经网络利用自补足后的等长信号进行声源位置的估计。
2.如权利要求1所述的声源位置估计方法,其特征在于,所述多通道信号为四通道信号,包括三个正交方向的振速信号:x轴方向振速vx,y轴方向振速vy,z轴方向振速vz和一个标量声压信号p。
3.如权利要求2所述的声源位置估计方法,其特征在于,通过固定窗将多通道信号融合为瞬时单通道声强信号,遍历所有长度的动态窗,寻找信息熵最速上升段,确定最佳动态窗,通过最佳动态窗基于信息熵将固定窗口内的瞬时单通道声强信号动态截取为不等长信号,对于截取的不等长信号,利用最大期望算法进行信号的自补足。
4.如权利要求3所述的声源位置估计方法,其特征在于,通过固定窗-动态窗的联合滑动,划分为包含足够信息量的信号段,具体为:
401对于采集到的四通道信号p,vx,vy,vz,给定固定窗口长度lf和窗口初始起点
402利用窗口长度和起始点分别为lf和的固定窗进行窗口内的四通道信息融合,得出长度为lf瞬时单通道声强信号;
403在瞬时单通道声强信号内截取窗口长度和起始点分别为和的动态窗可认为所述动态窗内信号在满足足够信息量的需求下信号长度尽可能短;
404返回402,以信号重叠率η更新固定窗的起始点循环运算。
5.如权利要求4所述的声源位置估计方法,其特征在于,所部步骤402中,通过固定大小的时间窗在各通道信号内同步滑移,提取信号通过互谱法将信息融合为瞬时单通道声强信号,具体为:
501根据信号融合程度,给定固定窗长度lf和窗口起始点
502分别在声压p和各轴向振速vx,vy,vz的信号通道内,以相同起始点截取窗口大小为lf的信号段,对应的窗口信号为
503基于互谱法计算各窗口信号融合后的瞬时单通道声强信号实现多传感器的信息融合,融合后的瞬时单通道声强信号的计算公式为:
其中和为x、y、z三个分量的互谱函数,是p2(f)的谱函数,f是频率,Re[]为进行拉普拉斯变换,θ、是声源相对于矢量水听器的俯仰角和方位角,分别以xoy平面和x轴为0°,p(t)、vx(t)、vy(t)、vz(t)分别为t时刻下矢量水听器的接收到的声压信号和各方向振速信号。
6.如权利要求4所述的声源位置估计方法,其特征在于,所述步骤403中,对固定窗内的瞬时单通道声强信号遍历所有长度的动态窗,找取信息熵的最速增长段,即为最佳动态窗口具体为:
601在截取的瞬时声强信号I的固定窗内,以固定窗起始点出发,遍历整个窗口,通过如下公式计算所有长度信号的信息熵,构造成信息熵信号
其中,xi为随机事件X可能的取值,;Shannon(X)为随机事件X包含的信息熵,m为随机事件的总数,p(xi)为xi发生的概率;
602根据的求导结果寻找的最速增长段,标记长度为跳至步骤604;
603若在内未找到最速增长段,则可认为该固定窗内的信号为无效信号或噪声信号,则标记长度为满足以下两条件:
当较小,则认为该信号为空信号或固定窗内信号信息熵含量不足,取l0为预设最小截取长度;
当较大,则认为该信号为噪声信号或含信息熵较高的有用信号,取l1为预设最大截取长度;
604在固定窗内从起始点开始截取长度为的信号段为动态窗并标记窗口终止时间为
7.如权利要求1所述的声源位置估计方法,其特征在于,
利用最大期望算法进行信号的自补足,分割出的不等长信号相当于观测数据X,补足后的等长信号相当于完整数据Y,补充的信号相当于未观测到数据Z,通过最大期望算法迭代结果得参数θ的最大值θ*,即当基于Y的最大似然函数L(θ)取到最大值时,完整数据集的均值和方差ui和取到最优解,基于观察到的数据集X得到未知数据集Z,进而补足完整数据集Y,具体为:
701令迭代次数t=0,初始化参数向量θ(0),θ为数据集Y的均值和方差组成的参数向量,计算初始最大似然函数L(0)(θ):
702由θ(t)得到保证在给定θ(t)时,ln(E(X))≥E[ln(X)]的等号成立,以建立L(θ(t))的下界;
703固定并将θ(t)视作变量,对702步中的L(θ(t))求导,由公式得到θ(t+1);
704如果|L(θ(t+1))-L(θ(t))|≤ε时,迭代计算结束,否则令t=t+1,返回至702步,其中阈值ε为给定的很小值;
其中,Qi表示未知数据Z的某种分布;p(x(i),z(i);θ(t))为θ(t)条件下发生x(i),z(i)的概率;上标i为对应参数的第i个值;ε为阈值,为初始给定的一个很小的值,作为终止迭代的标准,E[]为数学期望。
8.如权利要求1所述的声源位置估计方法,其特征在于,通过循环神经网络利用自补足后的等长信号进行声源位置的估计,具体为:利用最大期望算法以补充后的信号段作为输入,输出不同信号段下声源的方位角和距离,通过不同信号段的估计结果交叉验证,实现声源位置的精准定位。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-8任一项所述的声源位置估计方法中的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-8任一项所述的声源位置估计方法中的步骤。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910493374.4A CN110146846B (zh) | 2019-06-06 | 2019-06-06 | 一种声源位置估计方法、可读存储介质及计算机设备 |
PCT/CN2020/089894 WO2020244359A1 (zh) | 2019-06-06 | 2020-05-13 | 一种声源位置估计方法、可读存储介质及计算机设备 |
AU2020287677A AU2020287677B2 (en) | 2019-06-06 | 2020-05-13 | Sound source position estimation method, readable storage medium and computer device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910493374.4A CN110146846B (zh) | 2019-06-06 | 2019-06-06 | 一种声源位置估计方法、可读存储介质及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110146846A true CN110146846A (zh) | 2019-08-20 |
CN110146846B CN110146846B (zh) | 2021-04-13 |
Family
ID=67590874
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910493374.4A Active CN110146846B (zh) | 2019-06-06 | 2019-06-06 | 一种声源位置估计方法、可读存储介质及计算机设备 |
Country Status (3)
Country | Link |
---|---|
CN (1) | CN110146846B (zh) |
AU (1) | AU2020287677B2 (zh) |
WO (1) | WO2020244359A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111427008A (zh) * | 2020-04-19 | 2020-07-17 | 中国电子科技集团公司电子科学研究院 | 一种用于水下自主航行器集群的位置测定方法及相关装置 |
CN111580048A (zh) * | 2020-05-09 | 2020-08-25 | 中国科学院声学研究所 | 一种利用单矢量水听器的宽带声源深度估计方法 |
WO2020244359A1 (zh) * | 2019-06-06 | 2020-12-10 | 青岛理工大学 | 一种声源位置估计方法、可读存储介质及计算机设备 |
CN112415467A (zh) * | 2020-11-06 | 2021-02-26 | 中国海洋大学 | 一种基于神经网络的单矢量潜标目标定位实现方法 |
CN113009419A (zh) * | 2021-02-25 | 2021-06-22 | 中国科学院声学研究所 | 一种基于频域互相关匹配的目标深度估计方法 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113009417B (zh) * | 2021-02-05 | 2022-09-20 | 中国人民解放军国防科技大学 | 利用声场干涉特性的海底声学阵列阵形估计方法 |
CN114910901B (zh) * | 2022-05-30 | 2024-07-12 | 深圳市大族机器人有限公司 | 一种协作机器人高精度多传感器融合测距系统 |
CN116068494B (zh) * | 2023-03-31 | 2023-07-18 | 中国人民解放军96901部队 | 一种基于次声传播模型的广域次声源定位方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202383285U (zh) * | 2010-12-30 | 2012-08-15 | 中国科学院声学研究所 | 一种网络化水声定位节点系统 |
CN102708374A (zh) * | 2012-01-06 | 2012-10-03 | 香港理工大学 | 融合边缘信息和支持向量机对遥感图像进行分类的方法及装置 |
CN103927401A (zh) * | 2014-04-16 | 2014-07-16 | 公安部第一研究所 | 一种多通道采样的高速信号采集与处理系统 |
CN104848900A (zh) * | 2015-05-26 | 2015-08-19 | 国家海洋技术中心 | 阵列式海洋声信号测量系统 |
CN108337002A (zh) * | 2018-02-09 | 2018-07-27 | 黄淮学院 | 一种多通道声信号重构方法 |
CN109492580A (zh) * | 2018-11-08 | 2019-03-19 | 北方工业大学 | 一种基于全卷积网络的领域显著性参照的多尺寸航拍图像定位方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6804167B2 (en) * | 2003-02-25 | 2004-10-12 | Lockheed Martin Corporation | Bi-directional temporal correlation SONAR |
CN101539597B (zh) * | 2009-04-29 | 2011-01-26 | 哈尔滨工程大学 | 一种分辨具有相同频带辐射噪声的多目标方法 |
CN102981146B (zh) * | 2012-11-19 | 2014-10-22 | 哈尔滨工程大学 | 一种单矢量水听器被动定位方法 |
CN103267966B (zh) * | 2013-05-20 | 2014-12-31 | 西北工业大学 | 一种单个二维压差式矢量水听器方位估计的方法 |
CN103954346B (zh) * | 2014-05-16 | 2016-06-22 | 中国电子科技集团公司第四十九研究所 | 具有目标定位及判别功能的磁复合三维矢量水听器及该水听器的目标定位及判别方法 |
US10063965B2 (en) * | 2016-06-01 | 2018-08-28 | Google Llc | Sound source estimation using neural networks |
CN106249244B (zh) * | 2016-07-07 | 2018-10-26 | 哈尔滨工程大学 | 一种声矢量圆阵宽带相干信号源方位估计方法 |
CN110146846B (zh) * | 2019-06-06 | 2021-04-13 | 青岛理工大学 | 一种声源位置估计方法、可读存储介质及计算机设备 |
-
2019
- 2019-06-06 CN CN201910493374.4A patent/CN110146846B/zh active Active
-
2020
- 2020-05-13 WO PCT/CN2020/089894 patent/WO2020244359A1/zh active Application Filing
- 2020-05-13 AU AU2020287677A patent/AU2020287677B2/en active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202383285U (zh) * | 2010-12-30 | 2012-08-15 | 中国科学院声学研究所 | 一种网络化水声定位节点系统 |
CN102708374A (zh) * | 2012-01-06 | 2012-10-03 | 香港理工大学 | 融合边缘信息和支持向量机对遥感图像进行分类的方法及装置 |
CN103927401A (zh) * | 2014-04-16 | 2014-07-16 | 公安部第一研究所 | 一种多通道采样的高速信号采集与处理系统 |
CN104848900A (zh) * | 2015-05-26 | 2015-08-19 | 国家海洋技术中心 | 阵列式海洋声信号测量系统 |
CN108337002A (zh) * | 2018-02-09 | 2018-07-27 | 黄淮学院 | 一种多通道声信号重构方法 |
CN109492580A (zh) * | 2018-11-08 | 2019-03-19 | 北方工业大学 | 一种基于全卷积网络的领域显著性参照的多尺寸航拍图像定位方法 |
Non-Patent Citations (3)
Title |
---|
孙显彬等: "基于多源信息融合的浅海超低频声源目标探测关键技术及实现", 《海洋科学》 * |
徐文等: "海洋信息获取、传输、处理及融合前沿研究评述", 《中国科学:信息科学》 * |
曾雄飞等: "单矢量水听器的几种DOA估计方法", 《仪器仪表学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020244359A1 (zh) * | 2019-06-06 | 2020-12-10 | 青岛理工大学 | 一种声源位置估计方法、可读存储介质及计算机设备 |
CN111427008A (zh) * | 2020-04-19 | 2020-07-17 | 中国电子科技集团公司电子科学研究院 | 一种用于水下自主航行器集群的位置测定方法及相关装置 |
CN111580048A (zh) * | 2020-05-09 | 2020-08-25 | 中国科学院声学研究所 | 一种利用单矢量水听器的宽带声源深度估计方法 |
CN111580048B (zh) * | 2020-05-09 | 2020-12-29 | 中国科学院声学研究所 | 一种利用单矢量水听器的宽带声源深度估计方法 |
CN112415467A (zh) * | 2020-11-06 | 2021-02-26 | 中国海洋大学 | 一种基于神经网络的单矢量潜标目标定位实现方法 |
CN113009419A (zh) * | 2021-02-25 | 2021-06-22 | 中国科学院声学研究所 | 一种基于频域互相关匹配的目标深度估计方法 |
CN113009419B (zh) * | 2021-02-25 | 2021-11-09 | 中国科学院声学研究所 | 一种基于频域互相关匹配的目标深度估计方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2020244359A1 (zh) | 2020-12-10 |
AU2020287677A1 (en) | 2021-03-04 |
CN110146846B (zh) | 2021-04-13 |
AU2020287677B2 (en) | 2022-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110146846A (zh) | 一种声源位置估计方法、可读存储介质及计算机设备 | |
Wang et al. | A novel location-penalized maximum likelihood estimator for bearing-only target localization | |
Song et al. | Neural-network-based AUV navigation for fast-changing environments | |
CN106254010B (zh) | 一种时变海洋信道建模方法 | |
CN104931929B (zh) | 基于线阵综合声速补偿的近场波达方向估计方法及装置 | |
CN106774901B (zh) | 基于超声定位的远距离pc体感输入方法 | |
CN104765037A (zh) | 基于短垂直阵的水下目标定位稳健方法 | |
Huang et al. | Collaborating ray tracing and AI model for AUV-assisted 3-D underwater sound-speed inversion | |
CN105223551A (zh) | 一种可穿戴的声源定位跟踪系统及方法 | |
Luo et al. | Target location and height estimation via multipath signal and 2D array for sky-wave over-the-horizon radar | |
CN101777954A (zh) | 基于本征声线视在搜索的水声信道有效声速估计方法 | |
Liu et al. | VA: Virtual node assisted localization algorithm for underwater acoustic sensor networks | |
Pidcock et al. | The spatial variability of vertical velocity in an Iceland basin eddy dipole | |
CN108896962A (zh) | 基于声音位置指纹的迭代定位方法 | |
Liu et al. | Gravity aided positioning based on real-time ICCP with optimized matching sequence length | |
Chen et al. | Underwater terrain positioning method based on least squares estimation for AUV | |
Yan et al. | Broad-learning-based localization for underwater sensor networks with stratification compensation | |
Huang et al. | 3D search path planning for the blended-wing-body underwater glider | |
CN109100798B (zh) | 实现折射多次波层析反演的方法、装置及处理终端 | |
CN105988135B (zh) | 基于投影菲涅尔带的三维起伏地表高斯束正演模拟方法 | |
Song et al. | A maximum localization rate algorithm for 3D large-scale UWSNs | |
CN105974364A (zh) | 水下通信定位识别一体化波形优化方法 | |
CN110568496B (zh) | 一种复杂介质条件下射线追踪方法 | |
CN106980139A (zh) | 一种基于方向矢量的地震射线追踪方法 | |
Zhong et al. | Optimal method for USBL underwater acoustic positioning by combining TDOA and TOA |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |