CN113219404B - 基于深度学习的水声阵列信号二维波达方向估计方法 - Google Patents

基于深度学习的水声阵列信号二维波达方向估计方法 Download PDF

Info

Publication number
CN113219404B
CN113219404B CN202110572624.0A CN202110572624A CN113219404B CN 113219404 B CN113219404 B CN 113219404B CN 202110572624 A CN202110572624 A CN 202110572624A CN 113219404 B CN113219404 B CN 113219404B
Authority
CN
China
Prior art keywords
signal
time
array
underwater acoustic
frequency
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
CN202110572624.0A
Other languages
English (en)
Other versions
CN113219404A (zh
Inventor
矫禄禄
权天祺
黄子豪
宋娟
董新利
张德春
王景景
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.)
Qingdao University of Science and Technology
Original Assignee
Qingdao University of Science and Technology
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 Qingdao University of Science and Technology filed Critical Qingdao University of Science and Technology
Priority to CN202110572624.0A priority Critical patent/CN113219404B/zh
Publication of CN113219404A publication Critical patent/CN113219404A/zh
Application granted granted Critical
Publication of CN113219404B publication Critical patent/CN113219404B/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
    • 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
    • G01S3/802—Systems for determining direction or deviation from predetermined direction

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于深度学习的水声阵列信号二维波达方向估计方法，本发明首先基于小波变换对型水声阵列接收信号进行预处理，提取水声信号时频特征，在保留原信号重要信息的前提下，利用线性因子对信号特征进行增强，降低噪声干扰；然后基于奇异值分解对信号进行压缩降维，提取分解后矩阵左上角信号能量部分，摒弃右下角噪声能量部分，增强预处理后信号的时频特征；最后训练基于卷积神经网络的水声阵列信号二维波达方向估计模型，获取准确预测的二维波达方向。本发明能够有效增强信号的时频特性，降低噪声干扰，更精准地预测水声阵列信号二维波达方向。

Description

基于深度学习的水声阵列信号二维波达方向估计方法
技术领域
本发明属于水声通信技术领域，具体地说，涉及一种基于深度学习的水声阵列信号二维波达方向估计方法。
背景技术
波达方向(DirectionofArrival，DOA)估计是指通过对阵列接收信号进行分析处理进而估计信号来波方向。随着水声通信技术的发展，水声阵列信号DOA估计技术成为了对水声目标进行识别、定位、跟踪和探测的前提和基础。目前，声波是唯一能够在水下进行远距离传播的信号形式，但海洋中环境复杂，水声信道稀疏，大量自然及人为噪声和多径效应等干扰严重，增大了水声DOA估计技术的研究难度。同时，水声DOA估计技术大多集中于一维DOA估计，然而一维角度在立体空间无法准确表征信源的实际方向，因此水声信号二维DOA估计技术具有较高的研究价值。
目前，较为经典的二维多重信号分类算法估计精度较高，但需进行二维谱峰搜索计算复杂度较大，在实际应用上非常困难。为解决这一问题，二维旋转不变子空间算法和二维传播算子算法相继被提出，但针对复杂海洋环境中低信噪比、小快拍的情况下该类算法仍存在估计精度低、性能严重下降等问题。因此，在复杂水声环境信号时变特性及噪声干扰等问题的影响下，现有水声阵列信号二维DOA估计算法的实际应用效果仍不理想。
发明内容
针对复杂海洋环境下水声信号的时变特性，人为及自然等噪声干扰严重，二维DOA估计复杂度高及估计精度低等问题，本发明提出了一种基于深度学习的水声阵列信号二维波达方向估计方法，以弥补现有技术的不足。
为实现上述发明目的，本发明采取下述技术方案予以实现：
一种基于深度学习的水声阵列信号二维波达方向估计方法，包括以下步骤：
S1：建立水声L型均匀线阵接收模型并接收水声信号；
S2：基于改进的小波变换，提取水声信号时频特征；
S3：基于奇异值分解对S2提取的时频特征进行压缩降维；
S4：根据压缩降维后的时频特征，搭建卷积神经网络；
S5：利用S1-S3构建的数据集，训练S4搭建的卷积神经网络，得到二维波达方向估计模型；
S6：实际接收的待测水声信号进行S2和S3处理，处理后的待测数据时频特征导入S5得到的二维波达方向估计模型，最终输出预测结果，实现水声信号二维波达方向估计。
进一步的，所述S1具体包括：
S1-1：L型均匀线阵由平面上的两个分别沿x轴和y轴的M元均匀线阵组成，相邻阵元间隔为d，等于信号半波长，坐标原点处的阵元看作参考阵元，各阵元各向同性；假设有频率为f、声速为v的远场窄带水声信号以波长λ入射到2M-1个阵元组成的L型阵列上，其中入射信号与x轴、y轴的夹角分别用α和β表示，设信号的方位角与俯仰角分别为θ和
Figure BDA0003083129480000021
则t时刻L型阵列接收到的沿x轴和y轴方向的数据模型表示为：
Figure BDA0003083129480000022
Figure BDA0003083129480000023
式中，t＝1,2,...,K，K表示快拍数；s(t)表示信源在t时刻的信号矢量；阵列流型矩阵分别为
Figure BDA0003083129480000024
Figure BDA0003083129480000025
其中，
Figure BDA0003083129480000026
Figure BDA0003083129480000027
分别表示子阵X和子阵Y的导向矢量；
S1-2：分别将子阵X和子阵Y各阵元的接收信号顺序排列，排列后的信号矢量表示为：
X(t)＝[xx(t)Txy(t)T]T
其中，
Figure BDA0003083129480000028
进一步的，所述S2具体包括：
S2-1：采用复Morlet小波作为小波变换的基函数提取水声信号的时频特征，其数学表达式如下：
Figure BDA0003083129480000029
其中，Ω为复Morlet小波的中心角频率；
S2-2：对于任意函数f(t)的连续小波变换定义表示为
Figure BDA0003083129480000031
式中，a为尺度因子，b为平移因子；
S2-3:提取的水声阵列信号的时频特征表示为
Figure BDA0003083129480000032
其中，Ya(b)＝[ya,1(b),ya,2(b),...,ya,M(b),ya,M+1(b)...,ya,2M(b)]T是阵列接收信号的小波系数向量，由信号s(t)经过小波变换之后得到；Na(b)＝[na,1(t),na,2(t),...,na,2M(t)]T是噪声的小波系数；
Figure BDA0003083129480000033
是2M×1的时频导向矢量矩阵，
Figure BDA0003083129480000034
是2M×1的阵列模型数据时频导向矢量，τi为第i个阵元的接收时延，其表达式为：
Figure BDA0003083129480000035
S2-4:已知水声信号的频率为f0，利用线性因子ε对小波系数进行过滤，削弱噪声能量特征，线性因子ε的数学表达式为：
Figure BDA0003083129480000036
其中，f为小波系数频率，[fl,fh]为水声信号的有效频带；
则改进后水声信号时频特征表示为：
Figure BDA0003083129480000037
进一步的，所述S3具体为：
S3-1：对水声信号的时频特征进行奇异值分解：
W＝UΣVH
其中，W∈C2M×K；
S3-2：构造降维时频特征WSV∈C2M×N
WSV＝UΣDN＝WVDN
其中，N为信源个数，DN＝[IN0]，IN表示N×N维单位矩阵；
S3-3：为保证卷积神经网络的正确输入，对降维后的时频特征进行实虚部分离并拼成两列，表示为：
W′SV＝[real(WSV) imag(WSV)]。
进一步的，所述S4中的卷积神经网络设计为：
S4-1：由于S3中降维后的时频特征的维度为2M×2N，因此设计输入层的结构为2M×2N×1；
S4-2：第一层卷积层采用J1个卷积核，卷积核大小为1×2N，步长为p1，增强时频特征实虚部间的特征关系；
S4-3:第二层卷积层采用J2个卷积核，卷积核大小为M×1，步长为p2，增强各个子阵列内部时频特征的联系；
S4-4：第三层为全连接层，采用R个神经元，增强特征间的联系；
S4-5：第四层为全连接层，将S4-4得到的结果2N次送入第四层全连接层，实现特征和样本标签的映射；采用Softmax激活函数输出分类结果，并将输出结果拼接得到最终输出结果；
S4-6：卷积层的激活函数均采用Rule，其数学表达式为：
Figure BDA0003083129480000041
进一步的，所述S5包括：
S5-1：根据S1-S3构造水声信号时频特征数据集，数据集可以表示为
Figure BDA0003083129480000042
其中，l为样本容量，
Figure BDA0003083129480000043
为网络输入，{P(1),P(2),...,P(l)}为深度学习分类标签，P(i)∈Cδ×2N,i＝1,2,...,l，δ表示角度最大类别数，即将方位角与仰角以1°为间隔划分为离散的角度，方位角范围从-60°到60°，仰角范围从0°到90°，并将其转化为one-hot标签的形式，仰角标签90°之后的类别使用0来填充；
S5-2：将数据集以8：2的比例划分为训练集、测试集；
S5-3：使用训练集训练网络模型，利用测试集验证模型准确性，完成水声阵列信号二维DOA估计模型的训练。
与现有方法相比，本发明优点和技术效果如下：
本发明基于改进小波变换对水声信号进行滤化，降低噪声干扰，增强信号时频特征；再基于奇异值分解处理时频特征，聚集信号能量，并进行压缩降维，降低存储容量；另，根据增强后的水声信号时频特征，设计卷积神经网络，训练水声阵列信号二维DOA估计模型，高效预测的二维波达方向。
本发明能够有效增强复杂海洋环境下信号的时频特性，降低噪声干扰，更精准预测信号方向，解决了复杂海洋环境信号二维波达方向估计低精度的问题。
附图说明
图1是本发明实施例的基本流程图；
图2是本发明实施例中的水声阵列信号接收模型框图；
图3是本发明的卷积神经网络结构图；
图4是本发明实施例中的模型构建流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下将结合附图和实施例，对本发明作进一步详细说明。
实施例1：
本实施例所述的一种基于深度学习的水声阵列信号二维波达方向估计方法，包括以下步骤(如图1所示)：
步骤S1：对浅海水声环境进行建模并接收水声信号，具体步骤如下：
S1-1：L型均匀线阵(如图2所示)由平面上的两个分别沿x轴和y轴的M元均匀线阵组成，相邻阵元间隔为d，等于信号半波长，坐标原点处的阵元看作参考阵元，各阵元各向同性。假设有频率为f0、声速为v的远场窄带水声信号以波长λ入射到2M-1个阵元组成的L型阵列上，其中入射信号与x轴、y轴的夹角分别用α和β表示，设信号的方位角与俯仰角分别为θ和
Figure BDA0003083129480000051
则t时刻L型阵列接收到的沿x轴和y轴方向的数据模型可表示为：
Figure BDA0003083129480000052
Figure BDA0003083129480000053
式中，t＝1,2,...,K，K表示快拍数；s(t)表示信源在t时刻的信号矢量；阵列流型矩阵分别为
Figure BDA0003083129480000054
Figure BDA0003083129480000055
其中，
Figure BDA0003083129480000061
Figure BDA0003083129480000062
分别表示子阵X和子阵Y的导向矢量；
步骤S2：基于改进小波变换，提取水声信号时频特征，具体步骤如下：
S2-1：采用复Morlet小波作为小波变换的基函数提取水声信号的时频特征，其数学表达式如下：
Figure BDA0003083129480000063
其中，Ω为复Morlet小波的中心角频率；
S2-2：对于任意函数f(t)的连续小波变换定义表示为
Figure BDA0003083129480000064
式中，a为尺度因子，b为平移因子；
S2-3:提取的水声阵列信号的时频特征表示为
Figure BDA0003083129480000065
其中，Ya(b)＝[ya,1(b),ya,2(b),...,ya,M(b),ya,M+1(b)...,ya,2M(b)]T是阵列接收信号的小波系数向量，由信号s(t)经过小波变换之后得到；Na(b)＝[na,1(t),na,2(t),...,na,2M(t)]T是噪声的小波系数；
Figure BDA0003083129480000066
是2M×1的时频导向矢量矩阵，
Figure BDA0003083129480000067
是2M×1的阵列模型数据时频导向矢量，τi为第i个阵元的接收时延，其表达式为：
Figure BDA0003083129480000068
S2-4:已知水声信号的频率为f0，利用线性因子ε对小波系数进行过滤，削弱噪声能量特征，线性因子ε的数学表达式为
Figure BDA0003083129480000071
其中，f为小波系数频率，[fl,fh]为水声信号的有效频带；
则改进后水声信号时频特征表示为：
Figure BDA0003083129480000072
步骤S3：基于奇异值分解对基于改进小波变换提取的时频特征进行压缩降维，具体步骤如下：
S3-1：对水声信号的时频特征进行奇异值分解：
W＝UΣVH
其中，W∈C2M×K；
S3-2：构造降维时频特征WSV∈C2M×N
WSV＝UΣDN＝WVDN
其中，N为信源个数，DN＝[IN0]，IN表示N×N维单位矩阵；
为保证卷积神经网络的正确输入，对降维后的时频特征进行实虚部分离并拼成两列，表示为：
W′SV＝[real(WSV) imag(WSV)]
步骤S4：根据压缩降维后的时频特征，搭建卷积神经网络(结构如图3所示)，具体步骤如下：
S4-1：由于S3中降维后的时频特征的维度为2M×2N，因此设计输入层的结构为2M×2N×1；
S4-2：第一层为卷积层，采用J1个卷积核，卷积核大小为1×2N，步长为p1，增强时频特征实虚部间的特征关系，第一层卷积之后输出结构为2M×1×J1；
S4-3:第二层为卷积层，采用J2个卷积核，卷积核大小为M×1，步长为p2，增强各个子阵列内部时频特征的联系，第二层卷积之后输出结构为2×1×J2；
S4-4：第三层为全连接层，采用R个神经元，增强特征间的联系；
S4-5：第四层为全连接层，将S4-4得到的结果2N次送入第四层全连接层，，实现特征和样本标签的映射；采用Softmax激活函数输出分类结果，并将输出结果拼接得到最后输出结果；
S4-6：卷积层的激活函数均采用Rule，其数学表达式为：
Figure BDA0003083129480000081
步骤S5：利用预处理后的水声信号时频特征构建数据集，训练卷积神经网络，得到二维波达方向估计模型，具体如下：
S5-1：根据S1-S3构造水声信号时频特征数据集，数据集可以表示为
Figure BDA0003083129480000082
其中，l为样本容量，
Figure BDA0003083129480000083
为网络输入，{P(1),P(2),...,P(l)}为深度学习分类标签，P(i)∈Cδ×2N,i＝1,2,...,l，δ表示角度最大类别数，即将方位角与仰角以1°为间隔划分为离散的角度，方位角范围从-60°到60°，仰角范围从0°到90°，并将其转化为one-hot标签的形式，仰角标签90°之后的类别使用0来填充，例如第h个样本标签表示-60°方位角和0°仰角，则转换为one-hot标签表示为：
Figure BDA0003083129480000084
S5-2：将数据集以8：2的比例划分为训练集、测试集；
S5-3：使用训练集训练网络模型，利用测试集验证模型准确性，完成水声阵列信号二维DOA估计模型的训练(如图4所示)。
步骤S6：实际接收的待测信号进行改进小波变换和奇异值分解处理，处理后的待测数据时频特征导入训练好的二维波达方向估计模型，最终输出预测结果，实现水声信号二维波达方向估计。
以上实施例仅用以说明本发明的技术方案，而非对其进行限制；尽管参照前述实施例对本发明进行了详细的说明，对于本领域的普通技术人员来说，依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。

Claims (4)

1.一种基于深度学习的水声阵列信号二维波达方向估计方法，其特征在于，该方法包括以下步骤：
S1：建立水声L型均匀线阵接收模型并接收水声信号；
S2：基于改进的小波变换，提取水声信号时频特征；
S3：基于奇异值分解对所述S2提取的时频特征进行压缩降维；
S4：根据压缩降维后的时频特征，搭建卷积神经网络；
S5：利用所述S1、S2和S3构建的数据集，训练所述S4搭建的卷积神经网络，得到二维波达方向估计模型；
S6：实际接收的待测水声信号进行所述S2和S3处理，处理后的待测数据时频特征导入所述S5得到的二维波达方向估计模型，最终输出预测结果；
所述S2具体包括：
S2-1：采用复Morlet小波作为小波变换的基函数提取水声信号的时频特征，其数学表达式如下：
Figure FDA0003554750380000011
其中，Ω为复Morlet小波的中心角频率；
S2-2：对于任意函数f(t)的连续小波变换定义表示为
Figure FDA0003554750380000012
式中，a为尺度因子，b为平移因子；
S2-3：提取的水声阵列信号的时频特征表示为
Figure FDA0003554750380000013
其中，Ya(b)＝[ya，1(b)，ya，2(b)，...，ya，M(b)，ya，M+1(b)…，ya，2M(b)]T是阵列接收信号的小波系数向量，由信号s(t)经过小波变换之后得到；Na(b)＝[na，1(t)，na，2(t)，...，na，2M(t)]T是噪声的小波系数；
Figure FDA0003554750380000014
是2M×1的时频导向矢量矩阵，
Figure FDA0003554750380000015
是2M×1的阵列模型数据时频导向矢量，τi为第i个阵元的接收时延，其表达式为：
Figure FDA0003554750380000016
S2-4：已知水声信号的频率为f0，利用线性因子ε对小波系数进行过滤，线性因子ε的数学表达式为：
Figure FDA0003554750380000021
其中，f为小波系数频率，[fl，fh]为水声信号的有效频带；
则改进后水声信号时频特征表示为：
Figure FDA0003554750380000022
所述S4中的卷积神经网络设计为：
S4-1：由于S3中降维后的时频特征的维度为2M×2N，因此设计输入层的结构为2M×2N×1；
S4-2：第一层卷积层采用J1个卷积核，卷积核大小为1×2N，步长为p1，增强时频特征实虚部间的特征关系；
S4-3：第二层卷积层采用J2个卷积核，卷积核大小为M×1，步长为p2，增强各个子阵列内部时频特征的联系；
S4-4：第三层为全连接层，采用R个神经元，增强特征间的联系；
S4-5：第四层为全连接层，将S4-4得到的结果2N次送入第四层全连接层，实现特征和样本标签的映射；采用Softmax激活函数输出分类结果，并将输出结果拼接得到最终输出结果；
S4-6：卷积层的激活函数均采用Rule，其数学表达式为：
Figure FDA0003554750380000023
2.如权利要求1所述的水声阵列信号二维波达方向估计方法，其特征在于，所述S1具体包括：
S1-1：L型均匀线阵由平面上的两个分别沿x轴和y轴的M元均匀线阵组成，相邻阵元间隔为d，等于信号半波长，坐标原点处的阵元看作参考阵元，各阵元各向同性；假设有频率为f、声速为v的远场窄带水声信号以波长λ入射到2M-1个阵元组成的L型阵列上，其中入射信号与x轴、y轴的夹角分别用α和β表示，设信号的方位角与俯仰角分别为θ和
Figure FDA0003554750380000024
则t时刻L型阵列接收到的沿x轴和y轴方向的数据模型表示为：
Figure FDA0003554750380000031
Figure FDA0003554750380000032
式中，t＝1，2，...，K，K表示快拍数；s(t)表示信源在t时刻的信号矢量；阵列流型矩阵分别为
Figure FDA0003554750380000033
Figure FDA0003554750380000034
其中，
Figure FDA0003554750380000035
Figure FDA0003554750380000036
分别表示子阵X和子阵Y的导向矢量；
S1-2：分别将子阵X和子阵Y各阵元的接收信号顺序排列，排列后的信号矢量表示为：
X(t)＝[xx(t)Txy(t)T]T
其中，
Figure FDA0003554750380000037
3.如权利要求1所述的水声阵列信号二维波达方向估计方法，其特征在于，所述S3具体为：
S3-1：对水声信号的时频特征进行奇异值分解：
W＝U∑VH
其中，W∈C2M×K；
S3-2：构造降维时频特征WSV∈C2M×N
WSV＝U∑DN＝WVDN
其中，N为信源个数，DN＝[IN0]，IN表示N×N维单位矩阵；
S3-3：对降维后的时频特征进行实虚部分离并拼成两列，表示为：
W′SV＝[real(WSV) imag(WSV)]。
4.如权利要求1所述的水声阵列信号二维波达方向估计方法，其特征在于，所述S5包括：
S5-1：根据S1-S3构造水声信号时频特征数据集，数据集可以表示为
Figure FDA0003554750380000038
其中，l为样本容量，
Figure FDA0003554750380000039
为网络输入，{P(1)，P(2)，...，P(l)}为深度学习分类标签，P(i)∈Cδ×2N，i＝1，2，...，l，δ表示角度最大类别数，即将方位角与仰角以1°为间隔划分为离散的角度，方位角范围从-60°到60°，仰角范围从0°到90°，并将其转化为one-hot标签的形式，仰角标签90°之后的类别使用0来填充；
S5-2：将数据集以8：2的比例划分为训练集、测试集；
S5-3：使用训练集训练网络模型，利用测试集验证模型准确性，完成水声阵列信号二维DOA估计模型的训练。
CN202110572624.0A 2021-05-25 2021-05-25 基于深度学习的水声阵列信号二维波达方向估计方法 Active CN113219404B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110572624.0A CN113219404B (zh) 2021-05-25 2021-05-25 基于深度学习的水声阵列信号二维波达方向估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110572624.0A CN113219404B (zh) 2021-05-25 2021-05-25 基于深度学习的水声阵列信号二维波达方向估计方法

Publications (2)

Publication Number Publication Date
CN113219404A CN113219404A (zh) 2021-08-06
CN113219404B true CN113219404B (zh) 2022-04-29

Family

ID=77098345

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110572624.0A Active CN113219404B (zh) 2021-05-25 2021-05-25 基于深度学习的水声阵列信号二维波达方向估计方法

Country Status (1)

Country Link
CN (1) CN113219404B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115426055B (zh) * 2022-11-07 2023-03-24 青岛科技大学 一种基于解耦卷积神经网络的含噪水声信号盲源分离方法
CN115825854B (zh) * 2023-02-22 2023-05-23 西北工业大学青岛研究院 一种基于深度学习的水下目标方位估计方法、介质及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110007265A (zh) * 2019-04-30 2019-07-12 哈尔滨工业大学 一种基于深度神经网络的波达方向估计方法
CN111446998A (zh) * 2019-10-21 2020-07-24 清华大学 基于深度学习的波达方向估计方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109712611B (zh) * 2018-12-28 2021-03-16 苏州思必驰信息科技有限公司 联合模型训练方法及系统
CN110133576B (zh) * 2019-05-23 2020-11-27 成都理工大学 基于级联残差网络的双基互质mimo阵列方位估计算法
WO2021044551A1 (ja) * 2019-09-04 2021-03-11 日本電信電話株式会社 到来方向推定装置、モデル学習装置、到来方向推定方法、モデル学習方法、プログラム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110007265A (zh) * 2019-04-30 2019-07-12 哈尔滨工业大学 一种基于深度神经网络的波达方向估计方法
CN111446998A (zh) * 2019-10-21 2020-07-24 清华大学 基于深度学习的波达方向估计方法

Also Published As

Publication number Publication date
CN113219404A (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
CN110531313B (zh) 一种基于深度神经网络回归模型的近场信号源定位方法
CN113219404B (zh) 基于深度学习的水声阵列信号二维波达方向估计方法
US6105015A (en) Wavelet-based hybrid neurosystem for classifying a signal or an image represented by the signal in a data system
Frederick et al. Seabed classification using physics-based modeling and machine learning
Feng et al. A transformer-based deep learning network for underwater acoustic target recognition
CN113109759B (zh) 基于小波变换联合卷积神经网络的水声阵列信号波达方向估计方法
Zhu et al. Two-dimensional DOA estimation via deep ensemble learning
Khishe Drw-ae: A deep recurrent-wavelet autoencoder for underwater target recognition
Xie et al. Adaptive ship-radiated noise recognition with learnable fine-grained wavelet transform
Mallik et al. Predicting transmission loss in underwater acoustics using convolutional recurrent autoencoder network
Cheng et al. Tensor-based basis function learning for three-dimensional sound speed fields
Kamal et al. Generative adversarial learning for improved data efficiency in underwater target classification
Liu et al. Joint color spectrum and conditional generative adversarial network processing for underwater acoustic source ranging
CN112014791A (zh) 存在阵列误差的阵列pca-bp算法的近场源定位方法
Zheng et al. Deep Learning-Based DOA Estimation
Mallik et al. Deep neural network for learning wave scattering and interference of underwater acoustics
Pavel et al. Neural network-based compression framework for DoA estimation exploiting distributed array
Su et al. Convolution Neural Networks for Localization of Near‐Field Sources via Symmetric Double‐Nested Array
Zhu et al. Feature selection based on principal component analysis for underwater source localization by deep learning
Liu et al. Implementation of Bartlett matched-field processing using interpretable complex convolutional neural network
CN113421281A (zh) 一种基于分割理论的行人微动部位分离方法
CN113687297B (zh) 数据缺失下基于矩阵分解的声矢量传感器doa估计方法
Trentin et al. Unsupervised nonparametric density estimation: A neural network approach
Tan et al. A dilated inception convolutional neural network for gridless DOA estimation under low SNR scenarios
Zhang et al. A Two-Stage Multi-Layer Perceptron for High-Resolution DOA Estimation

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