CN111965601A - 一种基于核极限学习机的水下声源被动定位方法 - Google Patents
一种基于核极限学习机的水下声源被动定位方法 Download PDFInfo
- Publication number
- CN111965601A CN111965601A CN202010776975.9A CN202010776975A CN111965601A CN 111965601 A CN111965601 A CN 111965601A CN 202010776975 A CN202010776975 A CN 202010776975A CN 111965601 A CN111965601 A CN 111965601A
- Authority
- CN
- China
- Prior art keywords
- learning machine
- sound source
- data
- extreme learning
- depth
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims abstract description 21
- 241001386813 Kraken Species 0.000 claims abstract description 8
- 238000010606 normalization Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000003491 array Methods 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 8
- 230000007613 environmental effect Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- CLOMYZFHNHFSIQ-UHFFFAOYSA-N clonixin Chemical compound CC1=C(Cl)C=CC=C1NC1=NC=CC=C1C(O)=O CLOMYZFHNHFSIQ-UHFFFAOYSA-N 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
- 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
- G01S5/24—Position of single direction-finder fixed by determining direction of a plurality of spaced sources of known location
Abstract
本发明公开了一种基于核极限学习机的水下声源被动定位方法,包括:对使用KRAKEN程序模拟出的复声压数据进行取模运算以及归一化操作,将得到的实矩阵作为核极限学习机的训练数据;使用训练数据训练核极限学习机,得到水下声源定位预测模型,即根据观测到的声场数据,预测出信号源的距离和深度。本发明同时适用于单水听器以及水听器阵列的情形,取得了较高的定位精度,并且在实时性上具有显著优势。
Description
技术领域
本发明涉及一种水下声源被动定位方法,尤其涉及一种基于核极限学习机的水下声源被动定位方法,属于信号处理技术领域。
背景技术
水下声源被动定位是利用水听器对水下声波信号进行接收并以此判断水下声源的水平距离以及垂直深度的技术。通常,被动式声源定位系统主要由单个或多个水听器构成,根据接收到的声压信号以及声波信号在水下传播的特性,反推出声源的位置。
目前,基于匹配场处理结合声传播模型和阵列信号处理的方法,是水下目标被动定位的主要手段之一。这种方法在水下目标被动定位领域具有广泛的应用。匹配场处理的性能主要依赖于对传播环境的精确建模,这就要求对环境参数具有非常精确的测量和估计,在某些情况下,如环境失配、表面干扰、模型参数未知等,其定位性能会受到严重影响与制约。
近年来,机器学习方法在诸如计算机视觉,自然语言处理等领域取得了突破性的成就。机器学习方法能够对数据的高维特征进行抽象和提取,提高处理的精度以及速度。
发明内容
发明目的:鉴于以上陈述的已有技术的不足,本发明旨在提供一种基于核极限学习机的水下声源被动定位方法,该方法能够在保证较高精度的同时,明显提高水下定位的速度,提高算法实时性。
技术方案:本发明的目的是通过如下手段来实现的。
一种基于核极限学习机的水下声源被动定位方法,包括以下步骤:
(1)对使用KRAKEN程序模拟出的向量数据进行取模运算以及归一化操作,得到一个实矩阵作为训练数据。
(2)使用训练数据对核极限学习机进行训练,得到水下声源定位模型,则根据观测到的声场数据,预测出声源的深度及位置。
进一步的,步骤(1)中,首先在预期的深度范围和距离范围内,以距离间隔Δr和深度间隔Δd,生成K1个距离标签和K2个深度标签然后按照生成的距离和深度标签,使用KRAKEN程序进行仿真,生成相应距离和深度下的复声压数据;该数据需通过取模运算将其转换为实数形式,然后将声压数据归一化,以作为训练数据。
进一步的,步骤(2)中使用核极限学习机模型进行声源定位,训练过程如下:
1)将训练数据输入核极限学习机,训练数据包括声压数据矩阵[xi1,xi2,...,xin]T∈Rn以及对应声压数据的标签向量[ci1,ci2,...,cim]T∈Rm,其中,n代表输入特征维度,m代表输出特征维度;
2)训练数据中声压数据经过核函数映射,生成高维特征核矩阵ΩELM,利用该特征矩阵与one-hot形式的标签矩阵C共同求解输出权重矩阵B;
基于核极限学习机的水下声源被动定位方法预测过程如下:
1)将待预测声压数据进行取模以及归一化预处理,然后输入核极限学习机;
2)将核函数运算得到的高维特征与输出权重矩阵相乘,得到分类评估值Y,对于核极限学习机,距离分类以及深度分类被分别映射到两个1*K1以及1*K2的向量yd,yr中,最后分别以yd,yr的SoftMax分布中得分最高的类别作为预测类别。
有益结果:和传统匹配场处理技术相比,本发明无需建立声传播模型,通过少数训练样本即可对水下声源进行精准定位,减小了环境信息缺失或失配带来的影响;和相关研究相比,本发明将机器学习方法与水下声源被动定位结合,对声源的距离与深度进行精准预测,并且无需更改网络结构,即可实现对单,多水听器信号的处理。更重要的是,本发明无需繁琐的预处理过程,极大减少了计算时间以及对硬件的需求,提高了实时性与可行性,具有实际运用于水下声源定位的潜力。
附图说明如下:
图1.本发明方法的流程示意图。
图2.本发明方法中KRAKEN程序生成训练数据的环境参数。
图3.本发明方法中核极限学习机的网络结构图。
具体实施方式
下面结合附图和具体实施例对本发明的技术方案实施进行详细描述。
本发明的发明思路是针对现有匹配场处理进行海洋声源定位技术所存在的环境失配问题,利用核极限学习机对声压信号进行特征提取,从而在单、多水听器环境下对声源距离、深度进行准确预测。
本发明的一种基于核极限学习机的水下声源定位方法,将核极限学习机应用于水下声源定位中,对水听器阵列接收到的声压数据进行特征提取和抽象;方法流程如图1所示,包括以下步骤:
步骤1:对使用KRAKEN程序模拟出的向量数据进行取模和归一化操作,得到在频率f处的模拟声场数据x(f);
实验中使用的数据是使用带有环境参数的KRAKEN程序模拟而出的,如图2,声源采用中心频率为300Hz,带宽100Hz的双曲调频(HFM)信号,水层深度为500m,密度为1g/cm3,顶部声速1540m/s,底部声速为1533.0m/s。位于底部沉积层(声速1565m/s,密度:1.6g/cm3,衰减系数0.3dB/λ)。垂直水听器阵列由21个接收器组成,跨越100-200米深度,传感器间距为5米。声源的水平分布从5km到10km,Δr=2.5m,深度分布从50m到500m,Δd=1m,即对距离的预测精度为2.5m,对深度的预测精度为1m。
首先,对仿真生成的声压数据进行取模运算,为了减小声源谱对精度的影响,对其进行归一化:
(3)步骤2:使用训练数据对核极限学习机进行训练,得到水下声源定位模型,则根据观测到的声场数据,预测出声源的深度及位置。
核极限学习机是一种基于核函数和极限学习机的机器学习方法,是一种单隐层神经网络,结构如图3所示。由于核函数的使用,其能够提供鲁棒的回归以及分类结果,并且不同于一般神经网络,其参数调整无需反向传播,因此节约了大量的时间。在该问题中,我们通过核极限学习机将每个声压信号分类到一个距离和深度类别中。
其训练过程如下:
1)将训练数据输入核极限学习机,训练数据包括声压数据矩阵[xi1,xi2,...,xin]T∈Rn以及对应声压数据的标签向量[ci1,ci2,...,cim]T∈Rm,其中,n代表输入特征维度,m代表输出特征维度;
2)训练数据中声压数据经过核函数映射,生成高维特征核矩阵ΩELM,利用该特征矩阵与one-hot形式的标签矩阵C共同求解输出权重矩阵B;
其预测过程如下:
1)将待预测声压数据进行取模以及归一化预处理,然后输入核极限学习机;
2)将核函数运算得到的高维特征与输出权重矩阵相乘,得到分类评估值Y,对于核极限学习机,距离分类以及深度分类被分别映射到两个1*K1以及1*K2的向量yd,yr中,最后分别以yd,yr的SoftMax分布中得分最高的类别作为预测类别。SoftMax定义如下:
在本发明中,使用均方根误差(RMSE)作为预测结果的评估指标,其定义如下:
模型经训练后输入声场数据即可得到对应声源位置。
算法运行在Intel(R)Core(TM)i9-9900KCPU@3.60GHz、Nvida GTX2080Ti计算机上,操作系统为Windows 10。
为了验证本发明的效果,使用测试集测试水下声源定位效果,单声源下水下声源定位的预测效果如表1所示:
根据以上实验结果可知,本发明方法保证了较高的水下声源定位精度,对深度和距离都进行了预测,同时极大提升了预测速度,满足了实时性要求,降低了对硬件的需求。可广泛用于侦测入侵敌军潜艇、追踪海洋生物、打捞海底残骸、探测海洋资源等场景中。
Claims (3)
1.一种基于核极限学习机的水下声源被动定位方法,其特征在于,包括以下步骤:
(1)对使用KRAKEN程序模拟出的向量数据进行取模运算以及归一化操作,得到一个实矩阵作为训练数据。
(2)使用训练数据对核极限学习机进行训练,得到水下声源定位模型,则根据观测到的声场数据,预测出声源的深度及位置。
3.实现权利要求1所述的一种基于核极限学习机的水下声源被动定位方法,其特征在于,步骤(2)中使用核极限学习机模型进行声源定位,训练过程如下:
1)将训练数据输入核极限学习机,训练数据包括声压数据矩阵[xi1,xi2,...,xin]T∈Rn以及对应声压数据的标签向量[ci1,ci2,...,cim]T∈Rm,其中,n代表输入特征维度,m代表输出特征维度;
2)训练数据中声压数据经过核函数映射,生成高维特征核矩阵ΩELM,利用该特征矩阵与one-hot形式的标签矩阵C共同求解输出权重矩阵B;
基于核极限学习机的水下声源被动定位方法预测过程如下:
1)将待预测声压数据进行取模以及归一化预处理,然后输入核极限学习机;
2)将核函数运算得到的高维特征与输出权重矩阵相乘,得到分类评估值Y,对于核极限学习机,距离分类以及深度分类被分别映射到两个1*K1以及1*K2的向量yd,yr中,最后分别以yd,yr的SoftMax分布中得分最高的类别作为预测类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010776975.9A CN111965601A (zh) | 2020-08-05 | 2020-08-05 | 一种基于核极限学习机的水下声源被动定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010776975.9A CN111965601A (zh) | 2020-08-05 | 2020-08-05 | 一种基于核极限学习机的水下声源被动定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111965601A true CN111965601A (zh) | 2020-11-20 |
Family
ID=73363869
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010776975.9A Pending CN111965601A (zh) | 2020-08-05 | 2020-08-05 | 一种基于核极限学习机的水下声源被动定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111965601A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112733447A (zh) * | 2021-01-07 | 2021-04-30 | 浙江大学 | 一种基于域自适应网络的水下声源定位方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170061981A1 (en) * | 2015-08-27 | 2017-03-02 | Honda Motor Co., Ltd. | Sound source identification apparatus and sound source identification method |
CN109975762A (zh) * | 2017-12-28 | 2019-07-05 | 中国科学院声学研究所 | 一种水下声源定位方法 |
CN109993280A (zh) * | 2019-03-27 | 2019-07-09 | 东南大学 | 一种基于深度学习的水下声源定位方法 |
-
2020
- 2020-08-05 CN CN202010776975.9A patent/CN111965601A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170061981A1 (en) * | 2015-08-27 | 2017-03-02 | Honda Motor Co., Ltd. | Sound source identification apparatus and sound source identification method |
CN109975762A (zh) * | 2017-12-28 | 2019-07-05 | 中国科学院声学研究所 | 一种水下声源定位方法 |
CN109993280A (zh) * | 2019-03-27 | 2019-07-09 | 东南大学 | 一种基于深度学习的水下声源定位方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112733447A (zh) * | 2021-01-07 | 2021-04-30 | 浙江大学 | 一种基于域自适应网络的水下声源定位方法及系统 |
CN112733447B (zh) * | 2021-01-07 | 2022-04-29 | 浙江大学 | 一种基于域自适应网络的水下声源定位方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109993280B (zh) | 一种基于深度学习的水下声源定位方法 | |
CN110807365B (zh) | 一种基于gru与一维cnn神经网络融合的水下目标识别方法 | |
CN109932708B (zh) | 一种基于干涉条纹和深度学习的水面水下分类目标的方法 | |
CN109782231B (zh) | 一种基于多任务学习的端到端声源定位方法及系统 | |
CN111983619B (zh) | 一种基于迁移学习的水声目标前向散射声扰动定位方法 | |
CN112733447B (zh) | 一种基于域自适应网络的水下声源定位方法及系统 | |
CN107202976A (zh) | 低复杂度的分布式麦克风阵列声源定位系统 | |
CN109858523A (zh) | 一种神经网络和射线理论的浅海声速剖面反演方法 | |
CN117198330B (zh) | 一种声源识别方法、系统及电子设备 | |
CN113253248B (zh) | 一种基于迁移学习的小样本垂直阵目标距离估计方法 | |
CN108572349B (zh) | 一种深海环境下基于模型计算的声源定深方法 | |
CN111965601A (zh) | 一种基于核极限学习机的水下声源被动定位方法 | |
CN114417908A (zh) | 一种基于多模态融合的无人机探测系统和方法 | |
CN113109794B (zh) | 一种强噪声环境下基于深度神经网络的深海声源定深方法 | |
CN112305502A (zh) | 一种基于阵列不变量的水面水下声源二元判别方法 | |
Houégnigan et al. | A novel approach to real-time range estimation of underwater acoustic sources using supervised machine learning | |
Yao et al. | Range estimation of few-shot underwater sound source in shallow water based on transfer learning and residual CNN | |
CN111352075A (zh) | 一种基于深度学习的水下多声源定位方法及系统 | |
Guo et al. | Target depth estimation by deep neural network based on acoustic interference structure in deep water | |
CN108650043A (zh) | 一种高精度水声通信信道建模方法 | |
CN113109795B (zh) | 一种基于深度神经网络的深海直达声区目标深度估计方法 | |
TANG et al. | Application of LVQ neural network combined with the genetic algorithm in acoustic seafloor classification | |
CN113221651A (zh) | 利用声传播数据和无监督机器学习的海底沉积分类方法 | |
Cao et al. | Distinguishing multiple surface ships using one acoustic vector sensor based on a convolutional neural network | |
CN111931412A (zh) | 一种基于生成式对抗网络的水中目标噪声lofar谱图仿真方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201120 |
|
RJ01 | Rejection of invention patent application after publication |