CN115047408A - 一种基于单层大卷积核神经网络的水下多声源定位方法 - Google Patents

一种基于单层大卷积核神经网络的水下多声源定位方法 Download PDF

Info

Publication number
CN115047408A
CN115047408A CN202210663272.4A CN202210663272A CN115047408A CN 115047408 A CN115047408 A CN 115047408A CN 202210663272 A CN202210663272 A CN 202210663272A CN 115047408 A CN115047408 A CN 115047408A
Authority
CN
China
Prior art keywords
layer
neural network
sound
error
convolution kernel
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
Application number
CN202210663272.4A
Other languages
English (en)
Other versions
CN115047408B (zh
Inventor
李醒飞
郑宇鸿
徐佳毅
文艺成
李洪宇
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.)
Tianjin University
Original Assignee
Tianjin 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 Tianjin University filed Critical Tianjin University
Priority to CN202210663272.4A priority Critical patent/CN115047408B/zh
Publication of CN115047408A publication Critical patent/CN115047408A/zh
Application granted granted Critical
Publication of CN115047408B publication Critical patent/CN115047408B/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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

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)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于单层大卷积核神经网络的水下多声源定位方法：使用Kraken工具箱进行海洋环境的声学建模，将模拟出的一定带宽范围内不同频率声压的波形数据进行叠加得到时域上的水听器接收波形；对水听器接收波形数据加入随机高斯白噪声得到不同信噪比的模拟波形，将得到的波形数据进行训练集、验证集和测试集的划分；利用训练集对单层大卷积核神经网络进行训练，训练单层大卷积核神经网络直至其误差函数不再下降为止，网络参数更新也随之停止；利用单层大卷积核神经网络对测试集进行预测，从而完成对不同的声源深度和距离的预测。本发明在实际的海洋声源被动定位有较好的应用价值。

Description

一种基于单层大卷积核神经网络的水下多声源定位方法
技术领域
本发明涉及一种水下声源定位方法，更具体的说，是涉及一种基于单层大卷积核神经网络的水下多声源定位方法。
背景技术
水下动态声源的定位技术在国家海洋安全方面占据了越发重要的地位。随着大数据环境兴起，多声源定位开始成为研究热点。传统的匹配场定位技术依靠海洋先验声场的范围搜索方法，在上世纪七八十年代实际水域中实现了声源被动定位。用匹配场方法进行多声源定位，定位失准以及定位效率低使其逐渐暴露了缺点。
由于近些年机器学习理论和技术的迅猛发展，一些基于机器学习的水下声源被动定位方法陆续出现。在深度学习领域，大多工作都在较深的卷积网络堆叠下实现了多声源定位，但这些工作并未考虑深度堆叠对定位精度的影响，过深的网络堆叠不利于波形的特征提取，且同时定位的声源数目较少，定位效率普遍较低。此外，部分定位方法将信号输入卷积神经网络之前还需经过繁杂的信号特征手工提取过程。
发明内容
本发明的目的是为了克服现有的水下声源定位技术的不足，提出了一种基于单层大卷积核神经网络的水下多声源定位方法，通过对海洋声学环境进行模拟，利用训练后的单层大卷积核神经网络进行定位，在不同信噪比的情况下，水下多声源定位取得了良好的效果。
本发明的目的是通过以下技术方案实现的。
本发明基于单层大卷积核神经网络的水下多声源定位方法，包括以下步骤：
(1)使用Kraken工具箱进行海洋环境的声学建模，将模拟出的一定带宽范围内不同频率声压的波形数据进行叠加得到时域上的水听器接收波形；
(2)对水听器接收波形数据加入随机高斯白噪声得到不同信噪比的模拟波形，将得到的波形数据进行训练集、验证集和测试集的划分；
(3)利用训练集对单层大卷积核神经网络进行训练，训练单层大卷积核神经网络直至其误差函数不再下降为止，网络参数更新也随之停止；
(4)利用单层大卷积核神经网络对测试集进行预测，从而完成对不同的声源深度和距离的预测。
步骤(1)中将实际声速剖面数据用于海洋环境的声学建模中；水听器接收阵由R个水听器组成，声源阵在一定海深范围内布设，定位时同时对声源阵的S个声源进行定位；海洋环境由四个空间组成，由上至下依次为海水层、沉积层、泥岩层、海底半空间；
水听器接收波形公式如下：
Figure BDA0003691938660000021
其中，t为时间，f(·)为频率，ps(·)为频率点复声压，S为同时定位的声源数量，M为频率点总数，m为频率点的序号，s为声源的序号，i为虚数单位。
步骤(2)中对水听器接收波形加入高斯白噪声后，得到的模拟波形为：
W(t)＝w(t)+n(t)
其中n(t)为噪声序列，公式如下：
Figure BDA0003691938660000022
其中，
Figure BDA0003691938660000023
L为信号长度，N(t)为满足高斯分布的处于0～1的随机序列，SNR为信噪比。
步骤(3)中所述的单层大卷积核神经网络除了卷积层和全连接层，两者中间还设置有批标准归一化层、激活层、全局平均池化层；单层大卷积核神经网络输入矩阵长度为L，即信号长度，卷积核个数为E，输入矩阵宽度为2R，最终输出2S个节点；经过卷积层后的特征图长度公式如下：
Figure BDA0003691938660000024
其中，Ks为卷积核大小，P为卷积填充大小，stride为卷积步长；卷积层的一维卷积操作遵循以下公式：
Figure BDA0003691938660000031
其中，feg+r,q和feg分别表示卷积前后的特征点，Wr,q为卷积核的权重点，r和q分别为卷积范围内的横纵坐标，g为卷积核以步长stride横向滑动的距离，最长为O，biasg为卷积偏置；
全连接层的正向传播公式如下：
Figure BDA0003691938660000032
其中，
Figure BDA0003691938660000033
为第b个样本第j个节点的网络正向传播值，whj表示全连接层输入层的第h个节点至输出层第j个节点的权重值，
Figure BDA0003691938660000034
表示第b个样本经过全局池化层后在全连接输入层第h个节点的特征值，bias表示全连接层偏置；
在单层大卷积核神经网络中，误差反向传播的原理为利用输出后的误差来计算网络前一层的误差，并以此进行逐层反向传播；在此采用的误差函数为平均绝对误差，公式如下：
Figure BDA0003691938660000035
其中，B为批处理样本数，
Figure BDA0003691938660000036
为第b个样本第j个节点的标签值；在确定误差函数后，首先利用随机权重对网络进行初始化，并利用平均绝对误差计算误差函数对网络的梯度，用于校正网络权值；对误差进行递归计算后可更新整个网络的权值；全连接输入层至输出层需更新权重增量公式如下：
Figure BDA0003691938660000037
其中，η表示学习率；
Figure BDA0003691938660000038
为第b个样本指向全连接输出层第j个节点的误差，公式如下：
Figure BDA0003691938660000039
其中，J表示全连接输出层的节点总数；则全连接层偏置增量公式如下：
Figure BDA0003691938660000041
第b个样本指向全连接输入层第h个节点的误差公式如下：
Figure BDA0003691938660000042
其中，
Figure BDA0003691938660000043
为第b个样本第h个节点的网络正向传播值；
则第b个样本由全连接误差函数推导出批标准归一化误差矩阵的公式如下：
Figure BDA0003691938660000044
其中，
Figure BDA0003691938660000045
表示第b个样本指向全连接输入层的误差矩阵，由全连接输入层的节点误差组成；upsample(·)表示将全局平均池化后的节点恢复到卷积后大小，并将
Figure BDA0003691938660000046
的特征值均匀分布于卷积后的特征图中；
Figure BDA0003691938660000047
表示卷积后经过批标准归一化的特征矩阵，f(·)表示激活函数；⊙表示Harmard积，即对应逐元素相乘；
卷积层权重增量公式如下：
Figure BDA0003691938660000048
其中，
Figure BDA0003691938660000049
表示卷积层的误差矩阵，
Figure BDA00036919386600000410
表示进行归一化后输入至卷积层的初始矩阵，*表示卷积操作；卷积层偏置增量公式如下：
Figure BDA00036919386600000411
其中，o为
Figure BDA00036919386600000412
的特征序号，O为卷积后的特征图长度，也为
Figure BDA00036919386600000413
的特征长度。
步骤(4)中利用单层大卷积核神经网络来预测不同信噪比下不同声源的深度和距离，其中精确度的判定标准为平均相对误差MRE和平均绝对误差MAE，公式如下：
Figure BDA00036919386600000414
Figure BDA00036919386600000415
其中，K代表测试样本总数，k表示测试样本序号，S表示同时定位的声源数量，s表示声源序号，
Figure BDA0003691938660000051
表示预测值，Yks表示真实值。
与现有技术相比，本发明的技术方案所带来的有益效果是：
本发明利用模拟海洋声场生成的声压接收数据对单层大卷积核神经网络进行训练并将其用于水下多声源定位，解决了传统方法定位不准以及耗费时间长的问题。此外，避免了利用机器学习方法定位时繁杂的信号特征手工提取过程。再者，在不同信噪比情况下，相比较深堆叠的卷积神经网络，大面积感受野对波形特征的学习可以使得单层大卷积核神经网络在距离以及深度方向上取得更好的定位效果。
附图说明
图1为本发明基于单层大卷积核神经网络的水下多声源定位方法的流程图；
图2是本发明中的海洋声场环境模型图。
图3是本发明中的单层大卷积核神经网络网络图。
图4是本发明中不同信噪比下三种算法的多声源定位距离平均相对误差图。
图5是本发明中不同信噪比下三种算法的多声源定位深度平均相对误差图。
具体实施方式
下面结合附图对本发明的技术方案进行详细说明。
本发明公开了一种基于单层大卷积核神经网络的水下多声源定位方法，针对传统方法存在水下声源定位失准以及定位时间过长的问题，设计了一种单层大卷积核神经网络。模拟真实海洋环境，并在水中布设水听器阵，仿真了大量不同位置的声源在水听器处产生的接收数据。将所述接收数据对单层大卷积核神经网络进行训练，从而获取了复杂海洋声场环境中多声源定位网络，避免了繁杂的信号特征手工提取过程。另外，相对于深度堆叠卷积神经网络，单层大卷积核神经网络取得了更高的定位精度和更快的定位速度，本发明在实际的海洋声源被动定位有较好的应用价值。
如图1所示，本发明基于单层大卷积核神经网络的水下多声源定位方法，包括以下步骤：
第一步：使用Kraken工具箱进行海洋环境的声学建模，将模拟出的一定带宽范围内不同频率声压的波形数据进行叠加得到时域上的水听器接收波形。
利用Kraken模拟真实海洋声场环境并生成相应数据，其中仿真的海洋声场环境模型如图2所示。将实际声速剖面数据用于海洋环境的声学建模中。水听器接收阵由R个水听器组成，声源阵在一定海深范围内布设，定位时同时对声源阵的S个声源进行定位。海洋环境由四个空间组成，由上至下依次为海水层、沉积层、泥岩层、海底半空间。
水听器接收波形公式如下：
Figure BDA0003691938660000061
其中，t为时间，f(·)为频率，ps(·)为频率点复声压，S为同时定位的声源数量，M为频率点总数，m为频率点的序号，s为声源的序号，i为虚数单位。
第二步：对水听器接收波形数据加入随机高斯白噪声得到不同信噪比的模拟波形，将得到的波形数据进行训练集、验证集和测试集的划分。
对水听器接收波形加入高斯白噪声后，得到的模拟波形为：
W(t)＝w(t)+n(t)
其中n(t)为噪声序列，公式如下：
Figure BDA0003691938660000062
其中，
Figure BDA0003691938660000063
L为信号长度，N(t)为满足高斯分布的处于0～1的随机序列，SNR为信噪比。
第三步：利用训练集对单层大卷积核神经网络进行训练，训练单层大卷积核神经网络直至其误差函数不再下降为止，网络参数更新也随之停止。
单层大卷积核神经网络除了卷积层和全连接层，两者中间还设置有批标准归一化层、激活层、全局平均池化层，其中全连接层包括全连接输入层和全连接输出层。设计的单层大卷积核神经网络如图3所示。单层大卷积核神经网络输入矩阵长度为L，即信号长度。卷积核个数为E。由于波形数据包含实部和虚部两个部分，因此输入矩阵宽度为2R，最终输出2S个节点。经过卷积层后的特征图长度公式如下：
Figure BDA0003691938660000071
其中，Ks为卷积核大小，P为卷积填充大小，stride为卷积步长。卷积层的一维卷积操作遵循以下公式：
Figure BDA0003691938660000072
其中，feg+r,q和feg分别表示卷积前后的特征点，Wr,q为卷积核的权重点，r和q分别为卷积范围内的横纵坐标，g为卷积核以步长stride横向滑动的距离，最长为O，biasg为卷积偏置。批标准归一化层中特征标准归一化的公式如下：
Figure BDA0003691938660000073
其中，xb为样本进行卷积后的总体特征值，B表示批处理样本数，b为样本序号，μ为最小批次样本特征的平均值，σ为其方差，ε为一个小常数以防止分母为0。
Figure BDA0003691938660000074
为第b个样本进行归一化但未进行拉伸和偏移的特征值，γ和α是可以进行更新的参数，分别为特征拉伸和偏移值，yb为样本进行批标准归一化后的特征值。批标准归一化既可以提高卷积层的特征提取精度，又可以加速网络更新参数的速度。激活层使用的激活函数为ReLu，ReLu可避免训练时网络出现梯度饱和，ReLu函数公式如下：
ReLu(yb)＝max(0,yb)
全连接层的正向传播公式如下：
Figure BDA0003691938660000075
其中，
Figure BDA0003691938660000076
为第b个样本第j个节点的网络正向传播值，whj表示全连接层输入层的第h个节点至输出层第j个节点的权重值，
Figure BDA0003691938660000077
表示第b个样本经过全局池化层后在全连接输入层第h个节点的特征值，bias表示全连接层偏置。在全连接输出层采用了多层设计，分别对应输出S个距离特征值和S个深度特征值。
在设计的单层大卷积核神经网络中，误差反向传播的原理为利用输出后的误差来计算网络前一层的误差，并以此进行逐层反向传播；在此采用的误差函数为平均绝对误差，公式如下：
Figure BDA0003691938660000081
相比均方根误差函数，平均绝对误差对离群点不敏感，这避免了模型对离群样本过于拟合而降低了对正常样本的预测效果。其中，B为批处理样本数，
Figure BDA0003691938660000082
为第b个样本第j个节点的标签值。在确定误差函数后，首先利用随机权重对网络进行初始化，并利用平均绝对误差计算误差函数对网络的梯度，用于校正网络权值。对误差进行递归计算后可更新整个网络的权值。全连接输入层至输出层需更新权重增量公式如下：
Figure BDA0003691938660000083
其中，η表示学习率；
Figure BDA0003691938660000084
为第b个样本指向全连接输出层第j个节点的误差，公式如下：
Figure BDA0003691938660000085
其中，J表示全连接输出层的节点总数。则全连接层偏置增量公式如下：
Figure BDA0003691938660000086
第b个样本指向全连接输入层第h个节点的误差公式如下：
Figure BDA0003691938660000087
其中，
Figure BDA0003691938660000088
为第b个样本第h个节点的网络正向传播值。
则第b个样本由全连接误差函数推导出批标准归一化误差矩阵
Figure BDA0003691938660000089
的公式如下：
Figure BDA00036919386600000810
其中，
Figure BDA00036919386600000811
表示第b个样本指向全连接输入层的误差矩阵，由全连接输入层的节点误差组成；upsample(·)表示将全局平均池化后的节点恢复到卷积后大小，并将
Figure BDA0003691938660000091
的特征值均匀分布于卷积后的特征图中；
Figure BDA0003691938660000092
表示卷积后经过批标准归一化的特征矩阵；f(·)表示激活函数；⊙表示Harmard积，即对应逐元素相乘。γ的增量公式如下：
Figure BDA0003691938660000093
α的增量公式如下：
Figure BDA0003691938660000094
卷积层的误差矩阵公式如下：
Figure BDA0003691938660000095
其中，
Figure BDA0003691938660000096
Figure BDA0003691938660000097
Figure BDA0003691938660000098
化简得：
Figure BDA0003691938660000099
其中，
Figure BDA00036919386600000910
为第d个样本的批标准归一化误差矩阵，
Figure BDA00036919386600000911
为第d个样本进行归一化但未进行拉伸和偏移的特征值；
则卷积层权重增量公式如下：
Figure BDA00036919386600000912
其中，
Figure BDA00036919386600000913
表示卷积层的误差矩阵，
Figure BDA00036919386600000914
表示进行归一化后输入至卷积层的初始矩阵，*表示卷积操作。卷积层偏置增量公式如下：
Figure BDA00036919386600000915
其中，o为
Figure BDA0003691938660000101
的特征序号，O为卷积后的特征图长度，也为
Figure BDA0003691938660000102
的特征长度。训练时优化器为带有动量机制的随机梯度下降(SGD)，使得梯度改变的方向更为平滑，在参数更新过程中引入了一个中间量vt，总体SGD公式如下：
Figure BDA0003691938660000103
其中，β为动量系数，de为权重衰减系数，vt和vt-1分别为相邻时间步的指数加权平均值，wbe和waf分别表示更新前和更新后的权重，a表示训练样本总数，Δw表示批处理样本对网络产生的需更新权重增量，在卷积层对应ΔwC，在全连接层对应Δwhj。网络中的其余需更新参数的更新公式如下：
Figure BDA0003691938660000104
其中，parambe和paramaf分别表示更新前和更新后的参数，Δp表示批处理样本对网络产生的需更新参数增量，对于批标准归一化层对应Δγ和Δα，对于偏置则对应Δbias和Δbiasg。
第四步：利用单层大卷积核神经网络对测试集进行预测，从而完成对不同的声源深度和距离的预测。
利用单层大卷积核神经网络来预测不同信噪比下多个声源的深度和距离，其中精确度的判定标准为平均相对误差MRE和平均绝对误差MAE，公式如下：
Figure BDA0003691938660000105
Figure BDA0003691938660000106
其中，K代表测试样本总数，k表示测试样本序号，S表示同时定位的声源数量，s表示声源序号，
Figure BDA0003691938660000107
表示预测值，Yks表示真实值。
为了验证本发明方法的效果，引入Resnet18和VGG11网络与设计的单层大卷积核神经网络进行比较。将Swellex-96海深为0～196.5m的声速剖面数据用于海洋环境的声学建模中。声源阵设为等间隔垂直阵，垂直间隔为3m，深度处于1到78m之间，同时定位声源阵内的声源数量S设为10，垂直声源阵列距离水听器1km到11km之间。水听器接收阵设置为等间隔垂直阵，水听器数量R设为64，垂直间隔为1m，并布设于海深11～74m的范围。海水层海水深度设为196.5m，海水密度设为1.03g/cm3。沉积层的深度设为23.5m，声速设为1572.3～1593m/s，密度设为1.66g/cm3，衰减系数设为0.2dB/λ。泥岩层的深度设为800m，声速设为1881～3245m/s，密度设为1.96g/cm3，衰减系数设为0.06dB/λ。海底半空间的声速设为5000m/s，密度设为2.56g/cm3，衰减系数设为0.02dB/λ。
波形带宽范围设为49Hz～388Hz，加入噪声使得波形的信噪比处于-5dB～5dB之间。总样本的数量为110010，其中72％用作训练集，8％用作验证集，余下的作为测试集。批处理样本数B设为256，根据采样频率，输入网络的初始矩阵长度L取151，单层大卷积核神经网络的卷积核大小Ks取31，卷积填充大小P取15，卷积步长stride取1，易得O＝L，因此卷积前后的特征图长度保持不变。卷积核个数E取128，与卷积后的频道数相等。vt初始值为0，动量系数β设为0.9，学习率η设为0.002，权重衰减系数de设为0.0001，训练时使用交叉验证方法，训练三种网络至误差函数Loss值不再下降。训练后使用测试集测试了水下多声源定位的预测效果，不同卷积神经网络对水下多声源定位的预测效果如表1所示。
表1
Figure BDA0003691938660000111
其中DMRE、DMAE分别表示在深度方向上的平均相对误差和平均绝对误差，RMRE、RMAE分别表示在距离方向上的平均相对误差和平均绝对误差。算法运行在配置为Intel(R)Core(TM)i7-11800H@2.30GHz、NVIDIA GeForce RTX3060Laptop GPU计算机上，操作系统为Windows 11。其中Resnet18为深度堆叠并存在分支的卷积神经网络，VGG11为深度堆叠的卷积神经网络，本发明设计的单层大核卷积神经网络(Single Layer Big KernelConvolutionNeural Network,SLBKCNN)参数量最少，且前向推理速度大大超过了其他两个模型，每秒处理的样本数公式如下：
T＝speed·B
其中每一循环可处理一个批处理样本数的样本。由表1可知SLBKCNN的各项误差都比Resnet18低。除了DMRE，SLBKCNN的其他误差指标都比VGG11低，说明VGG11对较远距离声源的深度定位效果较好，但总体定位精度不及SLBKCNN。将不同信噪比的波形数据对单层大卷积核神经网络进行测试，得到三种算法预测距离、深度的平均相对误差随信噪比变化的曲线，分别如图4和图5所示。
随着信噪比的增大，距离以及深度方向上的平均相对误差大体逐渐降低。Resnet18定位平均相对误差最高，且在距离方向上SLBKCNN定位的平均相对误差最低。虽然SLBKCNN在信噪比大于2dB时深度方向上的定位平均相对误差比VGG11高，在信噪比等于5dB时深度方向上的定位平均相对误差比Resnet18高，但SLBKCNN总体的定位平均绝对误差比Resnet18和VGG11低，且定位速度远高于Resnet18和VGG11，说明了单层大卷积核神经网络对本发明中波形特征提取的有效性。
本发明针对水下多声源定位，设计了一个单层大卷积核神经网络，利用复杂海洋环境下模拟生成的接收数据对单层大卷积核神经网络进行训练并将其同时对多个声源进行定位，解决了传统算法和深度堆叠网络定位不够精确以及耗费时间长的问题。在信噪比动态变化的情况下单层大卷积核神经网络取得了更好的定位效果，此发明在实际的海洋多声源定位中有较好的应用价值。
尽管上面结合附图对本发明的功能及工作过程进行了描述，但本发明并不局限于上述的具体功能和工作过程，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可以做出很多形式，这些均属于本发明的保护之内。

Claims (5)

1.一种基于单层大卷积核神经网络的水下多声源定位方法，其特征在于，包括以下步骤：
(1)使用Kraken工具箱进行海洋环境的声学建模，将模拟出的一定带宽范围内不同频率声压的波形数据进行叠加得到时域上的水听器接收波形；
(2)对水听器接收波形数据加入随机高斯白噪声得到不同信噪比的模拟波形，将得到的波形数据进行训练集、验证集和测试集的划分；
(3)利用训练集对单层大卷积核神经网络进行训练，训练单层大卷积核神经网络直至其误差函数不再下降为止，网络参数更新也随之停止；
(4)利用单层大卷积核神经网络对测试集进行预测，从而完成对不同的声源深度和距离的预测。
2.根据权利要求1所述的基于单层大卷积核神经网络的水下多声源定位方法，其特征在于，步骤(1)中将实际声速剖面数据用于海洋环境的声学建模中；水听器接收阵由R个水听器组成，声源阵在一定海深范围内布设，定位时同时对声源阵的S个声源进行定位；海洋环境由四个空间组成，由上至下依次为海水层、沉积层、泥岩层、海底半空间；
水听器接收波形公式如下：
Figure FDA0003691938650000011
其中，t为时间，f(·)为频率，ps(·)为频率点复声压，S为同时定位的声源数量，M为频率点总数，m为频率点的序号，s为声源的序号，i为虚数单位。
3.根据权利要求1所述的基于单层大卷积核神经网络的水下多声源定位方法，其特征在于，步骤(2)中对水听器接收波形加入高斯白噪声后，得到的模拟波形为：
W(t)＝w(t)+n(t)
其中n(t)为噪声序列，公式如下：
Figure FDA0003691938650000012
其中，
Figure FDA0003691938650000021
L为信号长度，N(t)为满足高斯分布的处于0～1的随机序列，SNR为信噪比。
4.根据权利要求1所述的基于单层大卷积核神经网络的水下多声源定位方法，其特征在于，步骤(3)中所述的单层大卷积核神经网络除了卷积层和全连接层，两者中间还设置有批标准归一化层、激活层、全局平均池化层；单层大卷积核神经网络输入矩阵长度为L，即信号长度，卷积核个数为E，输入矩阵宽度为2R，最终输出2S个节点；经过卷积层后的特征图长度公式如下：
Figure FDA0003691938650000022
其中，Ks为卷积核大小，P为卷积填充大小，stride为卷积步长；卷积层的一维卷积操作遵循以下公式：
Figure FDA0003691938650000023
其中，feg+r,q和feg分别表示卷积前后的特征点，Wr,q为卷积核的权重点，r和q分别为卷积范围内的横纵坐标，g为卷积核以步长stride横向滑动的距离，最长为O，biasg为卷积偏置；
全连接层的正向传播公式如下：
Figure FDA0003691938650000024
其中，
Figure FDA0003691938650000025
为第b个样本第j个节点的网络正向传播值，whj表示全连接层输入层的第h个节点至输出层第j个节点的权重值，
Figure FDA0003691938650000026
表示第b个样本经过全局池化层后在全连接输入层第h个节点的特征值，bias表示全连接层偏置；
在单层大卷积核神经网络中，误差反向传播的原理为利用输出后的误差来计算网络前一层的误差，并以此进行逐层反向传播；在此采用的误差函数为平均绝对误差，公式如下：
Figure FDA0003691938650000027
其中，B为批处理样本数，
Figure FDA0003691938650000028
为第b个样本第j个节点的标签值；在确定误差函数后，首先利用随机权重对网络进行初始化，并利用平均绝对误差计算误差函数对网络的梯度，用于校正网络权值；对误差进行递归计算后可更新整个网络的权值；全连接输入层至输出层需更新权重增量公式如下：
Figure FDA0003691938650000031
其中，η表示学习率；
Figure FDA0003691938650000032
为第b个样本指向全连接输出层第j个节点的误差，公式如下：
Figure FDA0003691938650000033
其中，J表示全连接输出层的节点总数；则全连接层偏置增量公式如下：
Figure FDA0003691938650000034
第b个样本指向全连接输入层第h个节点的误差公式如下：
Figure FDA0003691938650000035
其中，
Figure FDA0003691938650000036
为第b个样本第h个节点的网络正向传播值；
则第b个样本由全连接误差函数推导出批标准归一化误差矩阵的公式如下：
Figure FDA0003691938650000037
其中，
Figure FDA0003691938650000038
表示第b个样本指向全连接输入层的误差矩阵，由全连接输入层的节点误差组成；upsample(·)表示将全局平均池化后的节点恢复到卷积后大小，并将
Figure FDA0003691938650000039
的特征值均匀分布于卷积后的特征图中；
Figure FDA00036919386500000310
表示卷积后经过批标准归一化的特征矩阵，f(·)表示激活函数；⊙表示Harmard积，即对应逐元素相乘；
卷积层权重增量公式如下：
Figure FDA00036919386500000311
其中，
Figure FDA00036919386500000312
表示卷积层的误差矩阵，
Figure FDA00036919386500000313
表示进行归一化后输入至卷积层的初始矩阵，*表示卷积操作；卷积层偏置增量公式如下：
Figure FDA00036919386500000314
其中，o为
Figure FDA0003691938650000041
的特征序号，O为卷积后的特征图长度，也为
Figure FDA0003691938650000042
的特征长度。
5.根据权利要求1所述的基于单层大卷积核神经网络的水下多声源定位方法，其特征在于，步骤(4)中利用单层大卷积核神经网络来预测不同信噪比下不同声源的深度和距离，其中精确度的判定标准为平均相对误差MRE和平均绝对误差MAE，公式如下：
Figure FDA0003691938650000043
Figure FDA0003691938650000044
其中，K代表测试样本总数，k表示测试样本序号，S表示同时定位的声源数量，s表示声源序号，
Figure FDA0003691938650000045
表示预测值，Yks表示真实值。
CN202210663272.4A 2022-06-13 2022-06-13 一种基于单层大卷积核神经网络的水下多声源定位方法 Active CN115047408B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210663272.4A CN115047408B (zh) 2022-06-13 2022-06-13 一种基于单层大卷积核神经网络的水下多声源定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210663272.4A CN115047408B (zh) 2022-06-13 2022-06-13 一种基于单层大卷积核神经网络的水下多声源定位方法

Publications (2)

Publication Number Publication Date
CN115047408A true CN115047408A (zh) 2022-09-13
CN115047408B CN115047408B (zh) 2023-08-15

Family

ID=83160848

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210663272.4A Active CN115047408B (zh) 2022-06-13 2022-06-13 一种基于单层大卷积核神经网络的水下多声源定位方法

Country Status (1)

Country Link
CN (1) CN115047408B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116819445A (zh) * 2023-06-30 2023-09-29 中北大学 一种水下声源定位方法、系统、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110245608A (zh) * 2019-06-14 2019-09-17 西北工业大学 一种基于半张量积神经网络的水下目标识别方法
CN111352075A (zh) * 2018-12-20 2020-06-30 中国科学院声学研究所 一种基于深度学习的水下多声源定位方法及系统
CN113109795A (zh) * 2020-01-13 2021-07-13 中国科学院声学研究所 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
CN113109794A (zh) * 2020-01-13 2021-07-13 中国科学院声学研究所 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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111352075A (zh) * 2018-12-20 2020-06-30 中国科学院声学研究所 一种基于深度学习的水下多声源定位方法及系统
CN110245608A (zh) * 2019-06-14 2019-09-17 西北工业大学 一种基于半张量积神经网络的水下目标识别方法
CN113109795A (zh) * 2020-01-13 2021-07-13 中国科学院声学研究所 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
CN113109794A (zh) * 2020-01-13 2021-07-13 中国科学院声学研究所 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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
徐及 等: "深度学习在水下目标被动识别中的应用进展", vol. 35, no. 9, pages 1460 - 1475 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116819445A (zh) * 2023-06-30 2023-09-29 中北大学 一种水下声源定位方法、系统、电子设备及存储介质

Also Published As

Publication number Publication date
CN115047408B (zh) 2023-08-15

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
CN111639429B (zh) 基于切比雪夫多项式谱的水下声场数值模拟方法、系统及介质
CN109858523B (zh) 一种神经网络和射线理论的浅海声速剖面反演方法
CN114201987B (zh) 一种基于自适应识别网络的有源干扰识别方法
CN113486591B (zh) 一种卷积神经网络结果的重力多参量数据密度加权反演方法
CN107145943A (zh) 混沌背景中基于改进教学优化算法的检测回声状态网络微弱信号的方法
CN113111786B (zh) 基于小样本训练图卷积网络的水下目标识别方法
CN109655815A (zh) 基于ssd的声呐目标检测方法
CN113822201B (zh) 基于流场速度分量时程的水下物体外形识别的深度学习方法
CN110376290A (zh) 基于多维核密度估计的声发射源定位方法
Heaney et al. Validation of genetic algorithm-based optimal sampling for ocean data assimilation
CN111580163B (zh) 一种基于非单调搜索技术的全波形反演方法及系统
CN115047408B (zh) 一种基于单层大卷积核神经网络的水下多声源定位方法
CN115204058A (zh) 基于bp神经网络的地波雷达流场计算方法及装置
CN115841076A (zh) 基于bp神经网络模型的浅海分层海底地声参数反演方法
CN115032682A (zh) 一种基于图论的多站台地震震源参数估计方法
CN108572349B (zh) 一种深海环境下基于模型计算的声源定深方法
CN117784250A (zh) 一种基于模型无关元学习算法的海底声学参数反演方法
CN111273349B (zh) 一种用于海底浅部沉积层的横波速度提取方法及处理终端
CN114974298A (zh) 一种基于深度学习的海洋声源定位及海洋参数反演方法
CN114970642A (zh) 一种用于加速度计测试的激光多普勒测速仪信号降噪方法
CN111965601A (zh) 一种基于核极限学习机的水下声源被动定位方法
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
CN113702923A (zh) 一种雷达杂波模拟方法及电子设备
CN113255887A (zh) 基于遗传算法优化bp神经网络的雷达误差补偿方法及系统

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