CN113820693B - 基于生成对抗网络的均匀线列阵阵元失效校准方法 - Google Patents

基于生成对抗网络的均匀线列阵阵元失效校准方法 Download PDF

Info

Publication number
CN113820693B
CN113820693B CN202111102596.2A CN202111102596A CN113820693B CN 113820693 B CN113820693 B CN 113820693B CN 202111102596 A CN202111102596 A CN 202111102596A CN 113820693 B CN113820693 B CN 113820693B
Authority
CN
China
Prior art keywords
array element
array
signal
countermeasure network
training sample
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
CN202111102596.2A
Other languages
English (en)
Other versions
CN113820693A (zh
Inventor
杨宏晖
王大彪
李俊豪
郑凯锋
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.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
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 Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202111102596.2A priority Critical patent/CN113820693B/zh
Publication of CN113820693A publication Critical patent/CN113820693A/zh
Application granted granted Critical
Publication of CN113820693B publication Critical patent/CN113820693B/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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
    • G01S7/52004—Means for monitoring or calibrating
    • 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
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/88—Sonar systems specially adapted for specific applications
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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

Landscapes

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

Abstract

本发明提出一种基于生成对抗网络解决失效阵元的方法，首先将归一化训练样本集X'中某一阵元的信号换为‑1～1之间的随机数，得到新的训练样本集Xfai，搭建生成对抗网络模型，将训练样本集Xfai输入到生成对抗网络中的生成器网络，将训练样本集X'输入到生成对抗网络中的判别器网络，训练后得到该阵元失效所对应的生成对抗网络模型；重复以上过程得到不同阵元失效所对应的生成对抗网络模型；实际使用时，先判断失效阵元序号，再利用对应的生成对抗网络模型生成阵元信号，组合后得到失效校准后的阵列信号。本发明利用生成对抗网络去生成失效阵元的接收信号，用生成的阵元信号代替失效阵元信号去进行波束形成，从而估计水声目标的方位，提高水声目标方位估计的准确性。

Description

基于生成对抗网络的均匀线列阵阵元失效校准方法
技术领域
本发明水声目标探测技术领域，具体为一种基于生成对抗网络的均匀线列阵阵元失效校准方法。
背景技术
在水声目标探测中，作为阵列信号处理领域的重要技术，波束形成是声纳检测和定位水声目标的重要手段。目标方位估计是阵列信号处理中的一个重要研究方向，几十年来涌现出各种区别于常规波束形成的高方位分辨能力的波束形成算法，但是它们计算量大且对阵列误差非常敏感。
在实际水声目标探测中，由于复杂的海洋环境，某些阵元会出现损坏的情况，从而会导致接收信号失真或失效，给波束形成时的目标方位估计性能带来严重影响。处理阵元失效最简单的方法是直接更换掉损坏阵元，但是经济成本高，且在实际水声目标探测中操作难度大。几十年来，针对阵列阵元失效校准的问题，国内外专家学者已取得了一定的研究成果，主要从以下两方面着手：对剩余阵元权值重优化和信号重构法。前者在阵列距离较远等情况下不易实现，且计算量大；后者对于单入射源情况简单，但是对于多入射源情况则很复杂。
随着近年来深度学习的发展，深度学习开始应用于阵列信号处理领域，利用深度学习对水声目标进行方位估计成为新的研究方向和热点。但是已有的研究大多数集中于利用深度学习建立目标方位分类模型从而对目标进行定位，在解决阵元失效问题方面缺乏研究，因此利用深度学习解决阵元失效问题成为一个新的研究内容。
发明内容
针对现有技术存在的问题，本发明提出一种基于生成对抗网络的阵元失效校准方法，利用生成对抗网络去生成失效阵元的接收信号，用生成的阵元信号代替失效阵元信号去进行波束形成，从而估计水声目标的方位，提高水声目标方位估计的准确性。
本发明的技术方案为：
所述一种基于生成对抗网络的阵元失效校准方法，包括以下步骤：
步骤1：获取阵列信号训练样本集X＝{X1,X2,…,XK}，每M个阵元信号作为一个训练样本Xi＝[xi1,xi2,…,xiM]T，i＝1,2,…,K，单个训练样本Xi维度为M×N，N为每个阵元信号的采样点数；
步骤2：对训练样本进行归一化处理，得到归一化后的训练样本集X'；
步骤3：通过以下过程得到第η个阵元失效所对应的生成对抗网络模型，1＜η＜M：
步骤3.1：将训练样本集X'中所有训练样本的第η个阵元的信号换为-1～1之间的随机数，得到训练样本集Xfai；
步骤3.2：搭建生成对抗网络模型，并设置网络结构参数、激活函数以及损失函数；
步骤3.3：将训练样本集X'和训练样本集Xfai中的每个训练样本对应截断为维度为M×len的连续信号，其中len＜N；将训练样本集X'输入到生成对抗网络中的判别器网络，将训练样本集Xfai输入到生成对抗网络中的生成器网络，按照设定的训练次数进行训练；
步骤3.4：观察生成器和判别器损失函数是否收敛，若不收敛，则重新设置训练次数进行训练，直到生成器和判别器损失函数收敛，得到第η个阵元失效所对应的生成对抗网络模型；
步骤4：重复步骤3，得到每个阵元失效所对应的生成对抗网络模型；
步骤5：对于实际采集的线列阵信号W＝[w1,w2,…,wM]T，进行归一化处理，得到归一化后的线列阵信号W'；将归一化后的线列阵信号W'按列分割成
Figure BDA0003271418030000021
个小样本Wl＝{Wl,1,Wl,2,…,Wl,γ}，每个小样本维度为M×len，N'为实际采集的每个阵元信号的采样点数；
步骤6：判断实际采集的线列阵中的失效阵元序号ε，将分割后的γ个小样本Wl＝{Wl,1,Wl,2,…,Wl,γ}按顺序输入到步骤4中得到的第ε个阵元失效所对应的生成对抗网络模型的生成器中，生成γ个阵元序号为ε的阵元信号，并将生成的γ个阵元序号为ε的阵元信号按顺序合并成一个生成阵元信号，将该生成阵元信号与归一化后的线列阵信号W'中的M-1个正常阵元信号组合，得到失效校准后的线列阵信号Wg。
进一步的，所述阵元为水声目标探测阵列中的阵元。
进一步的，步骤1中，单个训练样本Xi中每个阵元信号为：
Figure BDA0003271418030000031
其中i为训练样本序号，f为水声目标中第p个信号源的频率，sp(t)为第p个信号源的输出信号，τim(θp)为第p个信号源的输出信号到达第m个阵元与到达参考阵元之间的时延差
Figure BDA0003271418030000032
cp为信号源sp(t)输出信号的传播速度，θp为第p个信号源输出信号的入射角度，d为阵元间距；nim(t)为在t时刻时第m个阵元上接收到的环境噪声。
进一步的，步骤1中，环境噪声nim(t)采用信噪比在[snr_range1,snr_range2]范围内的高斯白噪声。
进一步的，所述水声目标探测阵列为均匀线列阵。
进一步的，步骤2中，对训练样本进行归一化处理的过程为
Figure BDA0003271418030000033
进一步的，步骤3中搭建的生成对抗网络模型包括生成器模型和判别器模型；所述生成器模型中包括3个一维卷积层和3个一维转置卷积层，所述判别器模型中包括4个一维卷积层。
进一步的，步骤3中网络结构参数包括生成器和判别器每个一维卷积层以及一维转置卷积层的参数：卷积核数目、卷积核大小、步长、填充方式，Adam优化器学习率α，指数衰减率β1和β2，生成器输入通道数nch。
进一步的，步骤3中激活函数设置为：生成器三个一维卷积层均采用Leaky-ReLU函数，前两个一维转置卷积层采用ReLU函数，第三个一维转置卷积层采用tanh函数；判别器所有层均采用Leaky-ReLU函数；损失函数设置为WGAN-GP损失函数。
有益效果
本发明提出一种基于生成对抗网络解决失效阵元的方法，该方法能够修复失效阵元的阵元信号，从而弥补失效阵元在阵列信号处理中的不足，提高波束形成中水声目标方位估计的准确性。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1：本发明方法的生成对抗网络模型结构图。
图2：本发明方法的流程图。
图3：测试信号信噪比为-5dB时的时间方位历程图：
(a)8个阵元(1-8号阵元)均为正常阵元；
(b)7个阵元(2-8号阵元)均为正常阵元；
(c)用生成的2号阵元信号代替2号失效阵元信号，其他7个阵元均正常。
具体实施方式
下面详细描述本发明的实施例，所述实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
本实施例针对均匀水声阵元线列阵。提出一种基于生成对抗网络解决阵元失效的方法，包括以下步骤：
步骤1：获取均匀线列阵信号训练样本集X＝{X1,X2,…,XK},K＝808，每M＝8个阵元信号作为一个训练样本Xi＝[xi1,xi2,…,xi8]T，i＝1,2,…,K，每个训练样本入射信号均为单信号源正弦信号，训练样本集包括的信号源的频率范围为50-550Hz(频率间隔为5Hz，共101个频率)，每个频率信号包含8个入射角度(20、40、60、80、100、120、140、160度)，单个训练样本Xi维度为M×N＝8×8192，N为每个阵元信号的采样点数。
单个训练样本Xi中每个阵元信号为：
Figure BDA0003271418030000051
其中i为训练样本序号，f为水声目标中第p个信号源的频率，sp(t)为第p个信号源的输出信号，τim(θp)为第p个信号源的输出信号到达第m个阵元与到达参考阵元之间的时延差
Figure BDA0003271418030000052
cp为信号源sp(t)输出信号的传播速度，θp为第p个信号源输出信号的入射角度，d为阵元间距；nim(t)为在t时刻时第m个阵元上接收到的环境噪声，采用信噪比在[snr_range1,snr_range2]范围内的高斯白噪声。
本实施例在训练模型的每次迭代中，给训练样本集X＝{X1,X2,…,XK},K＝808随机加上信噪比在[-5,20]dB范围内的高斯白噪声。
步骤2：对训练样本进行归一化处理，得到归一化后的训练样本集X'；其中
Figure BDA0003271418030000053
步骤3：通过以下过程得到第η个阵元失效所对应的生成对抗网络模型，1＜η＜M：
步骤3.1：将训练样本集X'中所有训练样本的第η个阵元的信号换为-1～1之间的随机数，得到训练样本集Xfai；本实施例中令第η＝2个阵元失效，将训练样本集X'中所有训练样本的第η＝2个阵元的信号换为-1～1之间的随机数，得到训练样本集Xfai；
步骤3.2：搭建生成对抗网络模型，并设置网络结构参数、激活函数以及损失函数；
如图1所示，搭建的生成对抗网络模型包括生成器模型和判别器模型；所述生成器模型中包括3个一维卷积层和3个一维转置卷积层，所述判别器模型中包括4个一维卷积层。网络结构参数包括生成器和判别器每个一维卷积层以及一维转置卷积层的参数：卷积核数目、卷积核大小、步长、填充方式。生成器和判别器的Adam优化器学习率α＝0.0001、指数衰减率β1＝0.5和β2＝0.9，生成器输入通道数nch＝8。
激活函数设置为：生成器三个一维卷积层均采用Leaky-ReLU函数，前两个一维转置卷积层采用ReLU函数，第三个一维转置卷积层采用tanh函数；判别器所有层均采用Leaky-ReLU函数；
损失函数设置为WGAN-GP损失函数：
判别器损失函数
Figure BDA0003271418030000061
生成器损失函数/>
Figure BDA0003271418030000062
Pg代表生成样本分布，Pr代表真实样本分布，/>
Figure BDA0003271418030000063
代表从生成样本和真实样本随机插值取样得到的样本分布，设置惩罚系数λ＝10；
初始训练次数epoch＝4000，批大小b＝32，生成器迭代一次时判别器的迭代次数ncritic＝5。
步骤3.3：将训练样本集X'和训练样本集Xfai中的每个训练样本对应截断为维度为M×len＝8×4096的连续信号，其中len＜N；将训练样本集X'输入到生成对抗网络中的判别器网络，将训练样本集Xfai输入到生成对抗网络中的生成器网络，按照设定的训练次数进行训练；
步骤3.4：观察生成器和判别器损失函数是否收敛，若不收敛，则重新设置训练次数进行训练，直到生成器和判别器损失函数收敛，得到第η个阵元失效所对应的生成对抗网络模型；
步骤4：重复步骤3，得到每个阵元失效所对应的生成对抗网络模型。
步骤5：对于实际采集的线列阵信号W＝[w1,w2,…,wM]T，进行归一化处理，得到归一化后的线列阵信号W'；将归一化后的线列阵信号W'按列分割成
Figure BDA0003271418030000064
个小样本Wl＝{Wl,1,Wl,2,…,Wl,γ}，每个小样本维度为M×len，N'为实际采集的每个阵元信号的采样点数；
步骤6：判断实际采集的线列阵中的失效阵元序号ε，将分割后的γ个小样本Wl＝{Wl,1,Wl,2,…,Wl,γ}按顺序输入到步骤4中得到的第ε个阵元失效所对应的生成对抗网络模型的生成器中，生成γ个阵元序号为ε的阵元信号，并将生成的γ个阵元序号为ε的阵元信号按顺序合并成一个生成阵元信号，将该生成阵元信号与归一化后的线列阵信号W'中的M-1个正常阵元信号组合，得到失效校准后的线列阵信号Wg。
本实施例中，采用测试样本集进行验证：
获取均匀线列阵信号测试样本集Y＝{Y1,Y2,…,Y5}，5个测试样本只有信噪比不同，分别为-10、-5、0、5、10dB，阵元信号频率为400Hz。每个测试样本维度为8×20480000。
将测试样本集Y＝{Y1,Y2,…,Y5}归一化，得到测试样本集Y'。将测试样本集Y'中所有测试样本的第η＝2个阵元的信号换为-1～1之间的随机数，得到测试样本集Yfai。
将测试样本集Yfai中的每个测试样本Yfai i按列分割成γ＝5000个小样本Yfai i＝{Yfai i1,Yfai i2,…,Yfai iγ}。
将5000个小样本Yfai i＝{Yfai i1,Yfai i2,…,Yfai iγ}按顺序输入到序号为2的阵元失效所对应的生成对抗网络模型的生成器中，生成5000个对应的阵元序号为2的阵元信号yg i 2γ。
将5000个对应的阵元序号为2的阵元信号yg i 2γ拼接成一个生成阵元信号样本yg i 2。yg i 2和每个测试样本Yfai i中剩余的M-1个正常阵元信号组合作为一个样本Yg i，所有这样的样本集合为Yg。
用对角加载波束形成方法对测试样本Yi'中的阵列信号进行波束形成，帧长
Figure BDA0003271418030000071
在阵元数目M＝8(全部阵元)和max(M-η+1,η)＝7(第2～8号阵元)情况下绘制时间方位历程图，计算时间累计方位谱半功率束宽值。
用对角加载波束形成方法对测试样本Yg i中的阵列信号进行波束形成，帧长
Figure BDA0003271418030000072
在阵元数目M＝8(全部阵元)情况下绘制时间方位历程图，计算时间累计方位谱半功率束宽值。
比较上述三种不同情况下的时间方位历程图和时间累计方位谱半功率束宽值，如表1。
表1时间累计方位谱半功率束宽值比较
-10dB -5dB 0dB 5dB 10dB
8个正常 11 6.66 4.96 3.57 2.52
7个正常(1、3-8号阵元)+2号合成 12.19 7.43 5.42 3.68 2.41
7个正常(2-8号阵元) 12.84 7.91 5.44 4.08 3.03
通过比较三种不同情况下的时间方位历程图和时间累计方位谱半功率束宽值，可以发现用生成的阵元信号代替失效阵元信号所得的时间方位历程图轨迹清晰，时间累计方位谱半功率束宽值比去掉失效阵元信号所得的值小，表明该方法能够修复失效阵元的阵元信号，从而弥补失效阵元在阵列信号处理中的不足。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (9)

1.一种基于生成对抗网络的阵元失效校准方法，其特征在于：包括以下步骤：
步骤1：获取阵列信号训练样本集X＝{X1,X2,…,XK}，每M个阵元信号作为一个训练样本Xi＝[xi1,xi2,…,xiM]T，i＝1,2,…,K，单个训练样本Xi维度为M×N，N为每个阵元信号的采样点数；
步骤2：对训练样本进行归一化处理，得到归一化后的训练样本集X'；
步骤3：通过以下过程得到第η个阵元失效所对应的生成对抗网络模型，1＜η＜M：
步骤3.1：将训练样本集X'中所有训练样本的第η个阵元的信号换为-1～1之间的随机数，得到训练样本集Xfai；
步骤3.2：搭建生成对抗网络模型，并设置网络结构参数、激活函数以及损失函数；
步骤3.3：将训练样本集X'和训练样本集Xfai中的每个训练样本对应截断为维度为M×len的连续信号，其中len＜N；将训练样本集X'输入到生成对抗网络中的判别器网络，将训练样本集Xfai输入到生成对抗网络中的生成器网络，按照设定的训练次数进行训练；
步骤3.4：观察生成器和判别器损失函数是否收敛，若不收敛，则重新设置训练次数进行训练，直到生成器和判别器损失函数收敛，得到第η个阵元失效所对应的生成对抗网络模型；
步骤4：重复步骤3，得到每个阵元失效所对应的生成对抗网络模型；
步骤5：对于实际采集的线列阵信号W＝[w1,w2,…,wM]T，进行归一化处理，得到归一化后的线列阵信号W'；将归一化后的线列阵信号W'按列分割成
Figure FDA0003271418020000011
个小样本Wl＝{Wl,1,Wl,2,…,Wl,γ}，每个小样本维度为M×len，N'为实际采集的每个阵元信号的采样点数；
步骤6：判断实际采集的线列阵中的失效阵元序号ε，将分割后的γ个小样本Wl＝{Wl,1,Wl,2,…,Wl,γ}按顺序输入到步骤4中得到的第ε个阵元失效所对应的生成对抗网络模型的生成器中，生成γ个阵元序号为ε的阵元信号，并将生成的γ个阵元序号为ε的阵元信号按顺序合并成一个生成阵元信号，将该生成阵元信号与归一化后的线列阵信号W'中的M-1个正常阵元信号组合，得到失效校准后的线列阵信号Wg。
2.根据权利要求1所述一种基于生成对抗网络的阵元失效校准方法，其特征在于：所述阵元为水声目标探测阵列中的阵元。
3.根据权利要求2所述一种基于生成对抗网络的阵元失效校准方法，其特征在于：所述水声目标探测阵列为均匀线列阵。
4.根据权利要求1所述一种基于生成对抗网络的阵元失效校准方法，其特征在于：步骤1中，单个训练样本Xi中每个阵元信号为：
Figure FDA0003271418020000021
其中i为训练样本序号，f为水声目标中第p个信号源的频率，sp(t)为第p个信号源的输出信号，τim(θp)为第p个信号源的输出信号到达第m个阵元与到达参考阵元之间的时延差
Figure FDA0003271418020000022
cp为信号源sp(t)输出信号的传播速度，θp为第p个信号源输出信号的入射角度，d为阵元间距；nim(t)为在t时刻时第m个阵元上接收到的环境噪声。
5.根据权利要求4所述一种基于生成对抗网络的阵元失效校准方法，其特征在于：步骤1中，环境噪声nim(t)采用信噪比在[snr_range1,snr_range2]范围内的高斯白噪声。
6.根据权利要求1所述一种基于生成对抗网络的阵元失效校准方法，其特征在于：步骤2中，对训练样本进行归一化处理的过程为
Figure FDA0003271418020000023
7.根据权利要求1所述一种基于生成对抗网络的阵元失效校准方法，其特征在于：步骤3中搭建的生成对抗网络模型包括生成器模型和判别器模型；所述生成器模型中包括3个一维卷积层和3个一维转置卷积层，所述判别器模型中包括4个一维卷积层。
8.根据权利要求7所述一种基于生成对抗网络的阵元失效校准方法，其特征在于：步骤3中网络结构参数包括生成器和判别器每个一维卷积层以及一维转置卷积层的参数：卷积核数目、卷积核大小、步长、填充方式，Adam优化器学习率α，指数衰减率β1和β2，生成器输入通道数nch。
9.根据权利要求7所述一种基于生成对抗网络的阵元失效校准方法，其特征在于：步骤3中激活函数设置为：生成器三个一维卷积层均采用Leaky-ReLU函数，前两个一维转置卷积层采用ReLU函数，第三个一维转置卷积层采用tanh函数；判别器所有层均采用Leaky-ReLU函数；损失函数设置为WGAN-GP损失函数。
CN202111102596.2A 2021-09-20 2021-09-20 基于生成对抗网络的均匀线列阵阵元失效校准方法 Active CN113820693B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111102596.2A CN113820693B (zh) 2021-09-20 2021-09-20 基于生成对抗网络的均匀线列阵阵元失效校准方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111102596.2A CN113820693B (zh) 2021-09-20 2021-09-20 基于生成对抗网络的均匀线列阵阵元失效校准方法

Publications (2)

Publication Number Publication Date
CN113820693A CN113820693A (zh) 2021-12-21
CN113820693B true CN113820693B (zh) 2023-06-23

Family

ID=78922681

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111102596.2A Active CN113820693B (zh) 2021-09-20 2021-09-20 基于生成对抗网络的均匀线列阵阵元失效校准方法

Country Status (1)

Country Link
CN (1) CN113820693B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019237846A1 (zh) * 2018-06-11 2019-12-19 腾讯科技（深圳）有限公司 图像处理方法、人脸识别方法、装置和计算机设备
CN112349297A (zh) * 2020-11-10 2021-02-09 西安工程大学 一种基于麦克风阵列的抑郁症检测方法
CN113311397A (zh) * 2021-05-25 2021-08-27 西安电子科技大学 基于卷积神经网络的大型阵列快速自适应抗干扰方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019237846A1 (zh) * 2018-06-11 2019-12-19 腾讯科技（深圳）有限公司 图像处理方法、人脸识别方法、装置和计算机设备
CN112349297A (zh) * 2020-11-10 2021-02-09 西安工程大学 一种基于麦克风阵列的抑郁症检测方法
CN113311397A (zh) * 2021-05-25 2021-08-27 西安电子科技大学 基于卷积神经网络的大型阵列快速自适应抗干扰方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于信号重构的阵列失效校准方法;徐朝阳;章新华;康春玉;;计算机工程(第01期);全文 *

Also Published As

Publication number Publication date
CN113820693A (zh) 2021-12-21

Similar Documents

Publication Publication Date Title
CN109085531B (zh) 基于神经网络的近场源到达角估计方法
CN108802683B (zh) 一种基于稀疏贝叶斯学习的源定位方法
CN110658508B (zh) 一种基于特征量的k分布海杂波参数估计方法
CN111639746B (zh) 一种基于cnn神经网络的gnss-r海面风速反演方法及系统
CN109977724B (zh) 一种水下目标分类方法
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
CN109631756B (zh) 一种基于混合时频域的旋转声源识别方法
CN112612006B (zh) 基于深度学习的机载雷达非均匀杂波抑制方法
Saeger et al. Evaluation of simplified evaporation duct refractivity models for inversion problems
CN110888105A (zh) 一种基于卷积神经网络和接收信号强度的doa估计方法
CN111257845A (zh) 一种基于近似消息传递的不在网格目标角度估计方法
CN112180369A (zh) 基于深度学习的一维综合孔径辐射计海面风速反演方法
CN113820693B (zh) 基于生成对抗网络的均匀线列阵阵元失效校准方法
CN117451055A (zh) 一种基于基追踪降噪的水下传感器定位方法和系统
CN110118958B (zh) 基于变分编码-解码网络的宽带雷达复回波去噪方法
Olofsson Deconvolution and model-based restoration of clipped ultrasonic signals
CN115587291B (zh) 一种基于裂纹超声散射矩阵的去噪表征方法及系统
CN111650574A (zh) 基于稀疏恢复的水下空时自适应处理方法及系统
CN114841892B (zh) 一种基于全连接网络的稀疏导波数据恢复方法
CN110764084A (zh) 一种复杂地形下遮蔽目标的雷达探测方法
CN115932808A (zh) 一种基于多特征融合的被动声纳智能探测方法
CN115015832A (zh) 一种非均匀噪声下大规模阵列幅相误差及目标方位联合估计方法
CN114936570A (zh) 基于轻量化cnn网络的干扰信号智能识别方法
CN113126030A (zh) 基于宽带声场干涉结构的深海直达声区目标深度估计方法
CN114966640B (zh) 基于阵列背景噪声统计协方差估计的方位估计方法及系统

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