CN112415467B - 一种基于神经网络的单矢量潜标目标定位实现方法 - Google Patents

一种基于神经网络的单矢量潜标目标定位实现方法 Download PDF

Info

Publication number
CN112415467B
CN112415467B CN202011231889.6A CN202011231889A CN112415467B CN 112415467 B CN112415467 B CN 112415467B CN 202011231889 A CN202011231889 A CN 202011231889A CN 112415467 B CN112415467 B CN 112415467B
Authority
CN
China
Prior art keywords
data
neural network
vector
sound pressure
distance
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.)
Active
Application number
CN202011231889.6A
Other languages
English (en)
Other versions
CN112415467A (zh
Inventor
张�浩
陈晓
安源
岳鑫
刘炜琪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ocean University of China
Original Assignee
Ocean University of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ocean University of China filed Critical Ocean University of China
Priority to CN202011231889.6A priority Critical patent/CN112415467B/zh
Publication of CN112415467A publication Critical patent/CN112415467A/zh
Application granted granted Critical
Publication of CN112415467B publication Critical patent/CN112415467B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01S1/00—Beacons or beacon systems transmitting signals having a characteristic or characteristics capable of being detected by non-directional receivers and defining directions, positions, or position lines fixed relatively to the beacon transmitters; Receivers co-operating therewith
    • G01S1/72—Beacons or beacon systems transmitting signals having a characteristic or characteristics capable of being detected by non-directional receivers and defining directions, positions, or position lines fixed relatively to the beacon transmitters; Receivers co-operating therewith using ultrasonic, sonic or infrasonic waves
    • G01S1/76—Systems for determining direction or position line
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

一种基于神经网络的单矢量潜标目标定位实现方法，本发明涉及基于神经网络的单矢量潜标目标定位实现方法。本发明是要解决现有方法能量检测法对于能量较弱且运动速度过快的目标较难准确地捕捉出其方位随时间变化与传统的单矢量水听器目标距离预报方法大多停留在理论仿真，对于工程应用存在难度的问题。一、根据滑窗重叠法取单矢量水听器声压和振速通道信号p(t)、vx(t)与vy(t)做傅里叶变换；二、利用动态累积启动滑动更新方法得到声压振速组合矩阵P(f)并利用单矢量MVDR得到波束输出；三、搭建三层BP神经网络，对声压通道数据抗混叠滤波后降采样，与样本目标距离数据进行样本和标签的准确匹配，训练神经网络模型并保存；四、利用已保存神经网络模型对新采样声压时域数据进行目标距离分类；五、对神经网络预测分类结果解算成距离值并完成数据跳变点(野点)剔除。本发明应用于信号处理领域。

Description

一种基于神经网络的单矢量潜标目标定位实现方法
技术领域
本发明涉及基于神经网络的单矢量潜标目标定位的实现方法。
背景技术
机器学习是人工智能中最具智能特征，最前沿的研究领域之一，其在自然语言处理、机器视觉、模式识别，图像处理等许多领域得到广泛应用。神经网络是机器学习领域诸多算法中的一种，借鉴人脑的多分层结构以及神经元连接交互信息逐层处理机制对人类学习过程或大数据环境下有效信息获取进行探索，神经网络既可以用来做有监督的任务如分类识别等，又可以做无监督的任务，也可以出来复杂的非线性问题。
在海洋目标探测中，矢量水听器应用得到广泛的应用，相比传统的声压水听器，矢量水听器可以实现空间同时、共点测量声场中某一点的声压和振速，且振速的三个正交分量具有和频率无关的指向性特性，因此矢量水听器的应用为水下信号处理提供了更多的可处理信息以及更大可选择的空间，矢量水听器的优势使其在水声工程领域受到越来越多的关注，与其相关的技术和算法目前是受到关注的研究方向之一。基于单矢量水听器的海洋潜标系统结构简单、布放灵活是长期定点观测海洋环境数据的重要装备，在海洋科学研究领域被重点关注和应用。
单矢量潜标可以通过对声压和振速信号联合处理实现对海洋目标的方位探测。对于处于不同距离的目标，单矢量潜标产生的响应存在差异。目标运动具有连续性特征，因此结合以上可以获取目标的位置信息。
经过文献检索发现，有文献对矢量方位估计问题和机器学习目标测距进行了研究：
贾艳云,陈宏宇.基于矢量水听器的MVDR水下近场噪声源定位方法研究[J].声学与电子工程,2016(2):1-5.(以下简称文献1)
Ozard,John M.An artificial neural network for range and depthdiscrimination in matched field processing[J].Journal of the AcousticalSociety of America,1991,90(5):2658-2663.(以下简称文献2)
本发明采用了文献1中的MVDR波束形成空间谱函数求解公式进行方位估计。采用了文献2中利用神经网络进行目标深度和距离辨别思想。但是从上述文献无法得到在实际工程应用中存在的目标能量弱且运动速度较快以及如何对神经网络预测结果进行的相关处理及结算这些实际存在的问题解决方法。
发明内容
本发明是要解决现有方法难以在不同的海洋环境下获取更稳定的目标位置信息。
一种基于神经网络的单矢量潜标实现方法，它按以下步骤实现：
一、设定数据滑窗长度T与单次读取数据的长度t，取矢量水听器声压通道信号p(t)，x轴振速通道信号vx(t)和y轴振速通道信号vy(t)，分别将一次快拍数据p(t)、vx(t)与vy(t)做傅里叶变换，分别得频域声压信号P(f)与x轴振速通道信号Vx(f)和y轴振速通道信号Vy(f)；
二、设定动态累积最大值，当累积到上限值时，得到一定带宽下的P(f)，Vx(f)和Vy(f)组合矩阵P(f)，计算：
R＝P(f)PH(f)
利用MVDR波束形成得到波束输出：
Figure BDA0002765491690000021
其中，a＝[1cosθsinθ]T。
三、搭建BP神经网络，利用声压通道p(t)，归一化后与已知距离分类信息构建训练样本，随机生成测试样本以评估神经网络预测性能。
Figure BDA0002765491690000022
y为神经网络每层输出，w和b分别为权系数和偏置。
四、根据步骤三对模型进行训练得到的性能满足实际需求的模型并保存，利用保存的神经网络模型对新数据进行预测，得到距离分类结果输出d。
五、对输出结果进行跳变点剔除，跳变点判断依据：
|d0(i)-d0(i-1)|≥D
|d0(i+1)-d0(i)|≥D
D根据不同目标最大航速经验值以及数据长度设定。
d0(i)＝d0(i-1)
用d0(i-1)代替d0(i)，更新输出结果，同时更新神经网络训练样本集；
六、根据所求方位与距离，输出目标位置信息。
发明效果：
与常用的目标定位方法比较，该方法的优点如下：
(1)单矢量水听器MVDR算法对于能量较弱且运动速度过快的目标较难准确地捕捉出其方位随时间的变化。本专利提出的方法，一方面在读取水听器时域信号设置滑窗，保证每次数据保持与前次存在一定的重叠，不仅带来时间上的积分，而且一定程度上弥补了单矢量水听器硬件性能造成的短板；将单矢量水听器理解为接收信号不存在时延差的三振元阵列，求协方差时采用动态累积方法，利用缓存以及动态滑动方法同样得到积分效果，提高检测稳定性。
(2)传统的单矢量水听器目标距离预报方法大多停留在理论仿真，对于工程应用存在难度。由于近几年机器学习在语音识别、图像处理等领域得到了突破性进展，且随着5G技术的到来，基于数据学习的算法相继被提出并取得了非常好的效果。利用神经网络进行被动定位可以克服海洋环境的不确定性对算法的影响。本方法结合当前热门话题，考虑到利用神经网络预测得到的距离分类容易受到训练模型性能的干扰导致得到的距离信息显示在实际轨迹中是剧烈的跳变点。新的检测方法是一种运动历程的检查，具有稳定性的现实特征，因此其对单个距离突发跳变不敏感，从而最终得到稳定的探测结果。
附图说明
图1为单矢量潜标目标定位的实现流程图；
图2为单矢量水听器坐标示意图；
图3为单矢量潜标声压和振速通道信号p(t)、vx(t)、vy(t)图，其中，第一幅图为声压通道信号p(t)，第二幅图为x轴振速通道信号vx(t)，最后为y轴振速通道信号vy(t)；
图4为单矢量水听器测向结果图；
图5为BP神经网络结构框图；
图6为训练、验证、测试以及全部数据的回归情况；
图7为单矢量水听器距离预测结果图；
图8为最终单矢量水听器距离预测结果图；
具体实施方式
结合图1～图5说明：
具体实施方式一：本实施方式的一种基于神经网络的单矢量水听器目标定位的实现方法按以下步骤实现：
一、设定数据滑窗长度t与每两次数据读取时数据的重叠长度T，取矢量水听器声压通道信号p(t)，x轴振速通道信号vx(t)和y轴振速通道信号vy(t)，分别将一次快拍数据p(t)与vx(t)与vy(t)做傅里叶变换，分别得频域声压信号P(f)与x轴振速通道信号Vx(f)和y轴振速通道信号Vy(f)；
P(f)＝DFT(p(t))
Vx(f)＝DFT(Vx(t))
Vy(f)＝DFT(Vy(t))
二、设定动态累积P(f)、Vx(f)、Vy(f)的傅里叶变换累积次数门限，当累积到门限值时，按照频点分布将一定带宽下的P(f)，Vx(f)和Vy(f)组合成矩阵S(f)，s(f)具体形式如下：
S(f)＝[P(f)，Vx(f)，Vy(f)]
结合单矢量MVDR波束形成算法，计算协方差：
R＝S(f)SH(f)
与波束输出
Figure BDA0002765491690000041
其中，
a＝[1cosθsinθ]T
三、搭建BP神经网络框架，利用声压通道p(t)，归一化后与已知距离分类信息构建训练样本，随机生成测试样本以评估神经网络预测性能。
Figure BDA0002765491690000042
L为样本输入长度，y为神经网络每层输出，w和b分别为权系数和偏置。
本发明训练数据由声压时域数据与对应目标距离作为标签构成，对于每段声压数据都有唯一数字对应其类别。神经网络结构含有三层隐含层，激活函数分别为tansig，tansig，purelin。
tansig形式为：
Y＝tansig(X)
X为上一层输出，Y为下一层输入。purelin则是根据Levenberg-Marquardt优化更新权值和偏倚值。
四、根据步骤三得到的训练模型对新数据进行预测，得到距离分类预测结果输出d。对输出结果进行跳变点剔除，跳变点判断依据：
|d0(i)-d0(i-1)|≥D
|d0(i+1)-d0(i)|≥D
D根据不同目标最大航速经验值以及数据长度设定。
令
d0(i)＝d0(i-1)
用d0(i-1)代替d0(i)，更新输出结果，同时更新神经网络训练样本集。
具体实施方式二：本实施方式与具体实施方式一不同的是：步骤一中所述方法所述利用滑窗重叠处理数据过程具体为：
令三通道数据流分别表示为：
单矢量声压通道：Pp；单矢量振速通道：Vvx；单矢量振速通道：Vvy；
pr(t)＝Pp((r-1)(t-T)+1：rt-(r-1)T)
Figure BDA0002765491690000051
Figure BDA0002765491690000052
假设各通道数据按行向量形式读取，r为每通道数据流访问次序，t为每通道单次访问数据长度，T为相邻次数间数据重合长度，数据流访问至文件尾或数据动态缓存长度不足一次读取数据长度t时停止。
其它步骤及参数与具体实施方式一相同。
具体实施方式二：本实施方式与具体实施方式一不同的是：步骤二中所述方法所述动态缓存三通道频域数据具体为：
(一)步骤一中已得到三通道经过傅里叶变换后得到的频域缓存数据为：
P(f)，Vx(f)，Vy(f)
令探测感兴趣频段为fL～fH，傅里叶变换累积次数门限N，频域数据动态累积过程为：
Figure BDA0002765491690000053
Figure BDA0002765491690000054
Figure BDA0002765491690000061
l为每次读取的数据长度，在采样率为fs时，l＝tfs。最终合成矩阵：
S(f)＝[P(f)，Vx(f)，Vy(f)]
Δf＝fs/Nfft
Nfft为傅里叶变换点数。
并按照频点依次进行：
R＝S(f)SH(f)
(二)在P(f)，Vx(f)，Vy(f)更新过程中：从累积计数达到第一次达到N开始，每次读取数据后自动将当前矩阵上移一行，移出第一行最早一行获取的数据，将最新一行获取数据添加至当前矩阵末尾一行。
计算波束输出
Figure BDA0002765491690000062
其中，
a＝[1cosθsinθ]T
具体实施方式三：本实施方式与具体实施方式一、二不同的是：步骤三中所述方法所述建立BP神经网络实现距离探测具体为：
步骤一、与具体实施方式一中取相同时间段声压通道p(t)，为保证训练网络的高效以及避免加入冗余信息对声压通道数据进行抗混叠滤波和降采样并归一化，归一化后与已知距离分类信息构建训练样本，随机生成测试样本以评估神经网络预测性能。
(一)构建样本:
对经过抗混叠滤波和降采样的声压数据进行样本和标签数据预处理，将目标按照距离分段对数据进行分割，不同间距给与不同标签类，保证数据与标签对齐。
(二)训练神经网络模型：
L抗混叠和降采样后样本输入长度，y为神经网络输出，w和b分别为权系数和偏置。本发明神经网络结构含有三层隐含层，第一层:
Figure BDA0002765491690000063
激活函数：y2in＝tansig(y1)
第二层：
Figure BDA0002765491690000071
激活函数：y3in＝tansig(y2)
第三层：
Figure BDA0002765491690000072
激活函数：y＝tansig(y3)
yout＝purelin(y)
对BP神经网络进行模型训练，得到高性能模型并保存网络结构，性能考核系数为：
Figure BDA0002765491690000073
Figure BDA0002765491690000074
为第i个样本预测值，yi为第i个样本真实值，l为样本数目。
步骤二、利用已保存的网络结构对新输入数据进行预测，得到距离(分类)预测输出结果。
具体实施方式四：本实施方式与具体实施方式一、二、三不同的是：步骤四中所述方法所述对距离预测结果输出进行野点(跳变点)剔除具体为：
根据具体实施方式三得到的训练模型对新数据进行预测，得到距离分类预测结果输出d。由于d为分类输出，对应的预测距离则落在d标签对应的某段距离内，假设d标签落在对应距离区间的中间点，便可利用转换后的距离值进行判断：
对输出结果进行跳变点剔除，跳变点判断依据(以下为简单起见，直接将d代表转换后的距离)：
|d0(i)-d0(i-1)|≥D
|d0(i+1)-d0(i)|≥D
D根据不同目标最大航速经验值以及数据长度设定。
令
d0(i)＝d0(i-1)
用d0(i-1)代替d0(i)，更新神经网络训练样本集，输出距离预测结果。
试验数据具体处理过程及结果：
以下为利用海试数据处理过程，试验目标为一试验船，实际运动由近及远围绕单矢量潜标运动。
一、目标测向：
①声压通道时域数据重叠滑动结果：
表1声压通道滑动重叠0.5s前后数据对比
Figure BDA0002765491690000081
红色加粗字段为两次数据搬移情况。数据流获取中各参数设定为：采样率为fs＝40000Hz，每通道单次访问数据长度为1s数据量，因此t＝fs*1，为40000个数据点，相邻次数间数据重合0.5s，因此重合长度T＝0.5*fs，为20000个数据点，第二次采集数据较第一次，第一次的前0.5s数据做丢弃，后0.5s和新进入0.5s合成当前最新的1s的长度为40000点的数据。振速Vx和Vy通道数据处理方式与此相同。
表2振速Vx通道滑动重叠0.5s前后数据对比
Figure BDA0002765491690000082
表3振速Vy通道滑动重叠0.5s前后数据对比
Figure BDA0002765491690000083
②傅里叶变换后频域数据动态累积矩阵更新结果(累积阈值为8)：
表4频域数据动态累积过程记录
Figure BDA0002765491690000084
Figure BDA0002765491690000091
动态累积不满设定值N时，不启动下一步运算，当动态累积值达到设定值N(本发明中设定为8)时，启动运算。
附图中，图5为单矢量潜标海试数据测向结果图，红色点为试验船GPS信息，该部分可以将目标方位轨迹探测出来；
二、目标距离预测
训练数据：声压通道时域归一化声压值。BP神经网络参数设置：迭代次数epoch＝6000；训练目标goal＝1e-3；学习率lr＝0.01；
图6为训练、验证、测试以及全部数据的回归情况，其中R越接近1越好；
图7为单矢量潜标利用BP神经网络对目标距离预测的结果，并进行了真实距离分类值和预测结果的对比，可以看出，该方法可以较准确地对目标进行距离预测，但是依然存在野点；
图8为野点剔除后结果，经过野点剔除后，得到稳定的目标距离变化。
综上，实现目标定位功能。

Claims (3)

1.一种基于神经网络的单矢量潜标目标定位实现方法，其特征在于它按以下步骤实现：
一、设定数据滑窗长度T与单次读取数据的长度t，取矢量水听器声压通道信号p(t)，x轴振速通道信号vx(t)和y轴振速通道信号vy(t)，分别将一次快拍数据p(t)与vx(t)与vy(t)做傅里叶变换，分别得频域声压信号P(f)与x轴振速通道信号Vx(f)和y轴振速通道信号Vy(f)；
二、设定动态累积最大值，当累积到上限值时，得到一定带宽下的P(f)，Vx(f)和Vy(f)组合矩阵P(f)，计算：
R＝P(f)PH(f)
与MVDR波束形成得到波束输出：
Figure FDA0003827796840000011
其中，a＝[1 cosθ sinθ]T；
三、搭建BP神经网络框架，利用声压通道p(t)，归一化后与已知距离分类信息构建训练样本，随机生成测试样本以评估神经网络预测性能，
Figure FDA0003827796840000012
y为神经网络每层输出，w和b分别为权系数和偏置；
四、根据步骤三对模型进行训练得到的性能满足实际需求的模型并保存，利用保存的神经网络模型对新数据进行预测，得到距离分类结果输出d；
五、对输出结果进行跳变点剔除，跳变点判断依据：
|d(i)-d(i-1)|≥D
|d(i+1)-d(i)|≥D
D根据不同目标最大航速经验值以及数据长度设定，
d(i)＝d(i-1)
用d(i-1)代替d(i)，更新输出结果，同时更新神经网络训练样本集；
其中，所述步骤一中，数据滑窗的设定方法为：
令三通道数据流分别表示为：单矢量声压通道：Pp；单矢量振速通道：Vvx；单矢量振速通道：Vvy；
pr(t)＝Pp((r-1)(t-T)+1：rt-(r-1)T)
Figure FDA0003827796840000021
Figure FDA0003827796840000022
假设各通道数据按行向量形式读取，r为每通道数据流访问次序，t为每通道单次访问数据长度，T为相邻次数间数据重合长度，数据流访问至文件尾或数据动态缓存长度不足一次读取数据长度t时停止；
所述步骤二中，设定动态累积最大值具体方法为：
(一)步骤一中已得到三通道经过傅里叶变换后得到的频域缓存数据为：
P(f)，Vx(f)，Vy(f)
令探测感兴趣频段为fL～fH，傅里叶变换累积次数门限N，频域数据动态累积过程为：
Figure FDA0003827796840000023
Figure FDA0003827796840000024
Figure FDA0003827796840000025
l为每次读取的数据长度，在采样率为fs时，l＝tfs，最终合成矩阵：
S(f)＝[P(f)，Vx(f)，Vy(f)]
Δf＝fs/Nfft
Nfft为傅里叶变换点数，
并按照频点依次进行：
R＝S(f)SH(f)
(二)在P(f)，Vx(f)，Vy(f)更新过程中：从累积计数达到第一次达到N开始，每次读取数据后自动将当前矩阵上移一行，移出第一行最早一行获取的数据，将最新一行获取数据添加至当前矩阵末尾一行，
计算波束输出
Figure FDA0003827796840000031
其中，
a＝[1 cosθ sinθ]T。
2.根据权利要求1所述的一种基于神经网络的单矢量潜标目标定位实现方法，其特征在于，步骤三具体为：
(一)构建样本:
对经过抗混叠滤波和降采样的声压数据进行样本和标签数据预处理，将目标按照距离分段对数据进行分割，不同间距给与不同标签类，保证数据与标签对齐；
(二)训练神经网络模型：
L抗混叠和降采样后样本输入长度，y为神经网络输出，w和b分别为权系数和偏置，其中，神经网络结构含有三层隐含层，第一层:
Figure FDA0003827796840000032
激活函数：y2in＝tansig(y1)
第二层：
Figure FDA0003827796840000033
激活函数：y3in＝tansig(y2)
第三层：
Figure FDA0003827796840000034
激活函数：y＝tansig(y3)
yout＝purelin(y)
对BP神经网络进行模型训练，得到高性能模型并保存网络结构。
3.根据权利要求1或2所述的一种基于神经网络的单矢量潜标目标定位实现方法，其特征在于步骤五具体为：
利用已保存的训练模型对新数据进行预测，得到距离分类预测结果输出d，由于d为分类输出，对应的预测距离则落在d标签对应的某段距离内，假设d标签落在对应距离区间的中间点，便可利用转换后的距离值进行判断：
对输出结果进行跳变点剔除，跳变点判断依据，其中，直接将d代表转换后的距离：
|d(i)-d(i-1)|≥D
|d(i+1)-d(i)|≥D
D根据不同目标最大航速经验值以及数据长度设定，
令
d(i)＝d(i-1)
用d(i-1)代替d(i)，更新输出结果，同时更新神经网络训练样本集。
CN202011231889.6A 2020-11-06 2020-11-06 一种基于神经网络的单矢量潜标目标定位实现方法 Active CN112415467B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011231889.6A CN112415467B (zh) 2020-11-06 2020-11-06 一种基于神经网络的单矢量潜标目标定位实现方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011231889.6A CN112415467B (zh) 2020-11-06 2020-11-06 一种基于神经网络的单矢量潜标目标定位实现方法

Publications (2)

Publication Number Publication Date
CN112415467A CN112415467A (zh) 2021-02-26
CN112415467B true CN112415467B (zh) 2022-10-25

Family

ID=74782057

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011231889.6A Active CN112415467B (zh) 2020-11-06 2020-11-06 一种基于神经网络的单矢量潜标目标定位实现方法

Country Status (1)

Country Link
CN (1) CN112415467B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113495275A (zh) * 2021-05-24 2021-10-12 中国海洋大学 一种单水听器垂直合成孔径被动定位方法、系统及应用
CN113988142B (zh) * 2021-12-27 2022-04-29 中南大学 一种基于卷积神经网络的隧道衬砌空洞声学识别方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110196407A (zh) * 2019-05-06 2019-09-03 东南大学 一种基于频率预估的单矢量水听器信号来波方向估计方法
WO2020042708A1 (zh) * 2018-08-31 2020-03-05 大象声科（深圳）科技有限公司 基于时频掩蔽和深度神经网络的声源方向估计方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008144570A1 (en) * 2007-05-16 2008-11-27 Verathon Inc. Systems and methods for testing the functionality of ultrasound transducers
US8750857B2 (en) * 2010-06-04 2014-06-10 Qualcomm Incorporated Method and apparatus for wireless distributed computing
US11125866B2 (en) * 2015-06-04 2021-09-21 Chikayoshi Sumi Measurement and imaging instruments and beamforming method
US10042038B1 (en) * 2015-09-01 2018-08-07 Digimarc Corporation Mobile devices and methods employing acoustic vector sensors
CN105223576B (zh) * 2015-09-24 2017-11-21 哈尔滨工程大学 一种基于单矢量潜标的线谱信号目标自动检测方法
CN105182345B (zh) * 2015-09-26 2017-10-03 哈尔滨工程大学 基于单矢量潜标的连续谱信号目标自动检测方法
CN107728109A (zh) * 2017-09-18 2018-02-23 哈尔滨工程大学 一种非合作目标辐射噪声测量定位技术
GB2570433A (en) * 2017-09-25 2019-07-31 Nissan Motor Mfg Uk Ltd Machine vision system
WO2019180511A1 (en) * 2018-03-19 2019-09-26 King Abdullah University Of Science And Technology Ultrasound based air-writing system and method
EP3582142A1 (en) * 2018-06-15 2019-12-18 Université de Liège Image classification using neural networks
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
CN110488225B (zh) * 2019-10-17 2020-02-07 南京雷鲨信息科技有限公司 声音方位的指示方法、装置、可读存储介质及移动终端
CN111473947B (zh) * 2020-05-07 2021-01-15 中国科学院力学研究所 一种脉冲风洞测力系统单矢量动态校准方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020042708A1 (zh) * 2018-08-31 2020-03-05 大象声科（深圳）科技有限公司 基于时频掩蔽和深度神经网络的声源方向估计方法
CN110196407A (zh) * 2019-05-06 2019-09-03 东南大学 一种基于频率预估的单矢量水听器信号来波方向估计方法

Also Published As

Publication number Publication date
CN112415467A (zh) 2021-02-26

Similar Documents

Publication Publication Date Title
Baumgartner et al. Real-time reporting of baleen whale passive acoustic detections from ocean gliders
US6105015A (en) Wavelet-based hybrid neurosystem for classifying a signal or an image represented by the signal in a data system
CN106023996B (zh) 基于十字形声阵列宽带波束形成的声识别方法
CN112415467B (zh) 一种基于神经网络的单矢量潜标目标定位实现方法
Ferguson Multitask convolutional neural network for acoustic localization of a transiting broadband source using a hydrophone array
Ogundile et al. A hidden Markov model with selective time domain feature extraction to detect inshore Bryde's whale short pulse calls
Wu et al. Acoustic detection and recognition of dolphins using swarm intelligence neural networks
De Magistris et al. Automatic object classification for low-frequency active sonar using convolutional neural networks
Jiang et al. Detection of underwater acoustic target using beamforming and neural network in shallow water
CN113640768B (zh) 一种基于小波变换的低分辨雷达目标识别方法
CN111401180A (zh) 神经网络识别模型训练方法、装置、服务器及存储介质
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
CN117451055A (zh) 一种基于基追踪降噪的水下传感器定位方法和系统
Meiyan et al. M-FCN based sea-surface weak target detection
Zhou et al. A multi-feature compression and fusion strategy of vertical self-contained hydrophone array
Wang et al. Passive tracking of underwater acoustic targets based on multi-beam LOFAR and deep learning
Yao et al. Range estimation of few-shot underwater sound source in shallow water based on transfer learning and residual CNN
Le Bot et al. Cross recurrence plot analysis based method for tdoa estimation of underwater acoustic signals
Klay et al. Advanced methods for passive acoustic detection, classification, and localization of marine mammals
Bach Improving the classification of propeller ships using LOFAR and triple loss variational auto encoder
de Souza et al. Passive sonar classification using time-domain information and recurrent neural networks
CN113421281A (zh) 一种基于分割理论的行人微动部位分离方法
Cao et al. Distinguishing multiple surface ships using one acoustic vector sensor based on a convolutional neural network
Nishimoto et al. Target identification from multi-aspect high range-resolution radar signatures using a hidden Markov model
Chen et al. Coal mine microseismic identification and first-arrival picking based on Conv-LSTM-Unet

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