CN115825854A - 一种基于深度学习的水下目标方位估计方法、介质及系统 - Google Patents

一种基于深度学习的水下目标方位估计方法、介质及系统 Download PDF

Info

Publication number
CN115825854A
CN115825854A CN202310145547.XA CN202310145547A CN115825854A CN 115825854 A CN115825854 A CN 115825854A CN 202310145547 A CN202310145547 A CN 202310145547A CN 115825854 A CN115825854 A CN 115825854A
Authority
CN
China
Prior art keywords
target
underwater
deep learning
array
matrix
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
CN202310145547.XA
Other languages
English (en)
Other versions
CN115825854B (zh
Inventor
孙超
岳博朗
雷波
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 Research Institute Of Northwest Polytechnic University
Original Assignee
Qingdao Research Institute Of Northwest Polytechnic 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 Qingdao Research Institute Of Northwest Polytechnic University filed Critical Qingdao Research Institute Of Northwest Polytechnic University
Priority to CN202310145547.XA priority Critical patent/CN115825854B/zh
Publication of CN115825854A publication Critical patent/CN115825854A/zh
Application granted granted Critical
Publication of CN115825854B publication Critical patent/CN115825854B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明提供了一种基于深度学习的水下目标方位估计方法、介质及系统，属于水下探测领域，该基于深度学习的水下目标方位估计方法利用卷积神经网络，输入预处理过后的水平线列阵接收信号的协方差矩阵，训练若干个神经网络，将原来的多分类问题转化为在每一个方位上的二分类问题，即对于每一个方位都单独训练一个网络，用来判断这个方位出现目标的概率值。这种基于深度学习的水下目标方位估计方法、介质及系统，属于水下定位领域，能够改善水下目标的DOA估计旁瓣较高，在低信噪比时误差较大，导致方位估计性能下降的问题；也能够改善此前的神经网络类方法需同时对全方位进行训练，造成时间的浪费，实用性也随之降低的问题。

Description

一种基于深度学习的水下目标方位估计方法、介质及系统
技术领域
本发明属于水下探测领域，具体而言，涉及一种基于深度学习的水下目标方位估计方法、介质及系统。
背景技术
目前常用的目标方位估计（Direction of arrival, DOA）方法有常规波束形成法（Conventional Beamforming, CBF）、最小方差无失真响应法（Minimum VarianceDistortionless Response，MVDR）、多重信号分类法（Multiple Signal Classification,MUSIC）等，这些方法在估计水下目标的DOA时，往往不能兼顾较高的分辨能力和较快的处理速度。
随着深度学习算法的发展和计算机计算能力的提升，深度学习被广泛应用于水声领域，其中就包括水下目标的DOA估计。相关研究人员通常是将DOA问题看作一个多分类问题，只训练一个神经网络，网络的输出对应每一个方位出现目标的概率值，最大概率值对应的方位即为目标的真实方位（Ozanich E. A feedforward neural network fordirection-of-arrival estimation[J], Journal of the Acoustical Society ofAmerica, 2020, 147(3):2035-2048.）。然而，这种处理方法的旁瓣较高，在低信噪比时误差较大，导致方位估计性能下降；而且需同时对全方位进行训练，造成时间的浪费，实用性也随之降低。
发明内容
有鉴于此，本发明提供一种基于深度学习的水下目标方位估计方法、介质及系统，能够改善水下目标的DOA估计旁瓣较高，在低信噪比时误差较大，导致定位性能下降的问题；也能够改善此前的深度学习类方法需同时对全方位进行训练，造成时间的浪费，实用性也随之降低的问题。
本发明是这样实现的：
本发明第一方面提供一种基于深度学习的水下目标方位估计方法，其中，包含以下步骤：
S10：利用卷积神经网络构建水下目标估计数学模型；
S20：采集已知方位的水下目标的水声设备的接收信号，对接收信号进行预处理，将预处理后的接收信号以及对应的标签作为训练数据；
S30：利用训练数据对水下目标方位估计数学模型进行训练；
S40：采集实际水声设备接收信号，对采集的接收信号进行预处理，将预处理之后的接收信号作为神经网络的输入，对输出结果进行概率处理并得到目标的方位。
其中，所述水声设备为均匀线列阵，所述水声设备接收信号为均匀线列阵接收的远场窄带信号，其中，所述均匀线列阵接收的信号为远场窄带信号，记为：
Figure SMS_1
；
式中，
Figure SMS_2
是接收信号的幅度，
Figure SMS_3
是接收信号的相位，ω是接收信号的角频率，
Figure SMS_4
。
所述远场窄带信号符合以下公式，也就是说在窄带远场信号源的假设下，可以推出下式成立：
Figure SMS_5
；
其中
Figure SMS_6
表示第
Figure SMS_7
个声源辐射的信号到阵列产生的时延,
Figure SMS_8
表示第
Figure SMS_9
个声源辐射信号的角频率，
Figure SMS_10
表示声源的个数。
因此可以得到均匀线列阵第
Figure SMS_11
个阵元的接收信号为：
Figure SMS_12
；
式中，
Figure SMS_16
为第
Figure SMS_17
个阵元对第
Figure SMS_18
个接收信号的增益，
Figure SMS_19
表示第
Figure SMS_20
个阵元在
Figure SMS_21
时刻的噪声，
Figure SMS_22
表示第
Figure SMS_13
个信号到达第
Figure SMS_14
个阵元时相对于参考阵元所产生的时延，
Figure SMS_15
表示均匀线列阵阵元的个数。
进一步的，当所述均匀线列阵是各向同性的且不存在通道不一致时，由于互耦等因素的影响，增益可以忽略，即可以视为
Figure SMS_23
。
将
Figure SMS_24
个阵元在特定时刻接收的信号写成列阵形式，表示为：
Figure SMS_25
；
上式解释如下：
Figure SMS_26
；
上式中，
Figure SMS_28
为
Figure SMS_29
维阵列快拍数据向量，
Figure SMS_30
为
Figure SMS_31
维噪声数据向量，
Figure SMS_32
为
Figure SMS_33
维向量，
Figure SMS_34
为
Figure SMS_27
维流形矩阵，且：
Figure SMS_35
；
其中：
Figure SMS_36
；
式中，
Figure SMS_37
，
Figure SMS_38
是声速，
Figure SMS_39
是第
Figure SMS_40
个声源辐射信号的波长。
之后利用下式得到协方差矩阵：
Figure SMS_41
；
其中，所述步骤S20中对所述水声设备接收信号进行的预处理的方法为：得到水声设备接收信号的协方差矩阵，所述协方差矩阵为一个M*M维的矩阵，其中M表示阵元的个数，提取其实部标记为
Figure SMS_42
，所述
Figure SMS_43
为一个M*M维的矩阵，提取其虚部标记为
Figure SMS_44
，也为一个M*M维的矩阵，之后将所述
Figure SMS_45
以及所述
Figure SMS_46
组合成一个M*M*2维的矩阵，记为
Figure SMS_47
。
然后，对每一个方位训练一个神经网络，其输入是协方差矩阵处理后的矩阵，当有目标存在时其标签为[1,0]，无目标存在时，其标签为[0,1]，所述神经网络的卷积层的大小为[1,1,2]且只包含一个卷积核，无池化层，全连接层的输出为一个1*2维的向量, 第一个值表示这个方位有目标的概率，第二个值表示这个方位无目标的概率。损失函数选取交叉熵损失函数，其数学定义式在被问题中可写为下式：
Figure SMS_48
；
其中，
Figure SMS_49
分别表示真实的标签和网络的输出向量。
激活函数采用ReLU函数，其数学定义式如下：
Figure SMS_50
；
其中，所述步骤“对输出结果进行概率处理并得到目标的方位”中对输出结果进行概率处理的方法为：第k个方位上的网络的输出向量为
Figure SMS_51
，对于第k个方位的输出，
Figure SMS_52
表示第k个方位出现目标的概率，
Figure SMS_53
表示不出现目标的概率，对输出结果中的每个方位建立目标概率向量
Figure SMS_54
，并重写为
Figure SMS_55
，之后将每一个方位对应的网络的有目标存在时的概率组合起来，并组成一个1*K维的向量为
Figure SMS_56
，其值表示每个方位出现目标的概率，通过每个方位出现目标概率值的大小确定在这个方位是否出现目标。
其中，若概率值大于0.6则表明该方位出现目标，也可根据经验判断概率值与出现目标情况之间的关系。
本发明第二方面提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有程序代码，用于执行上述的一种基于深度学习的水下目标方位估计方法。
本发明第三方面提供一种基于深度学习的水下目标方位估计系统，其中，包含上述的一种计算机可读存储介质。
与现有技术相比较，本发明提供的一种基于深度学习的水下目标方位估计方法、介质及系统的有益效果是：利用卷积神经网络，输入预处理过后的水平线列阵接收信号的协方差矩阵，训练若干个神经网络，将原来的多分类问题转化为在每一个方位上的二分类问题，对于每一个方位都单独训练一个网络，用来判断这个方位出现目标的概率值，增强了结果的准确性，能够改善水下目标的DOA估计旁瓣较高，在低信噪比时误差较大，导致估计性能下降的问题；将原来的多分类问题视为在每一个方向上的二分类问题，使得其将一个复杂的问题视为很多个简单的问题，同时由于它是在每一个方位上都有一个神经网络，能够改善此前的深度学习类方法需同时对全方位进行训练，造成时间的浪费，实用性也随之降低的问题。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为一种基于深度学习的水下目标方位估计方法步骤图；
图2为均匀线列阵对窄带远场信号的接收示意图；
图3为本发明使用的卷积神经网络的示意图；
图4为本发明与其他方法的仿真估计结果对比；
图5为本发明和其他方法双目标仿真时的正确率随着信噪比的变化对比；
图6为本发明和其他方法对Swellex-96的S-59event实验数据在3000快拍下的处理结果对比；
图7为本发明和其他方法对Swellex-96的S-59event处理的耗时对比；
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
如图1-7所示，是本发明提供的一种基于深度学习的水下目标方位估计方法的第一实施例，在本实施例中，包含以下步骤：
S10：利用卷积神经网络构建水下目标估计数学模型；
S20：采集已知方位的水下目标的水声设备的接收信号，对接收信号进行预处理，将预处理后的接收信号以及对应的标签作为训练数据；
S30：利用训练数据对水下目标方位估计数学模型进行训练；
S40：采集实际水声设备接收信号，对采集的接收信号进行预处理，将预处理之后的接收信号作为神经网络的输入，对输出结果进行概率处理并得到目标的方位。
其中，卷积神经网络指的是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一；水下目标方位估计目的是确定水下载体和设备的方位。
其中，在上述技术方案中，所述水声设备为均匀线列阵，水声设备接收信号为均匀线列阵接收的信号为远场窄带信号，其中，均匀线列阵接收的远场窄带信号记为：
Figure SMS_57
；
式中，
Figure SMS_58
是均匀线列阵对远场窄带信号，
Figure SMS_59
是接收信号的幅度，
Figure SMS_60
是指某一时刻，
Figure SMS_61
是接收信号的相位，ω是接收信号的角频率，
Figure SMS_62
。
所述远场窄带信号符合以下公式，也就是说在窄带远场信号源的假设下，可以推出下式成立：
Figure SMS_63
；
其中
Figure SMS_64
表示第
Figure SMS_65
个声源辐射的信号到阵列产生的时延,
Figure SMS_66
表示第
Figure SMS_67
个声源辐射的信号的角频率，
Figure SMS_68
表示声源的个数。
因此可以得到第
Figure SMS_69
个阵元的接收信号为：
Figure SMS_70
；
式中，
Figure SMS_74
为第
Figure SMS_75
个阵元对第
Figure SMS_76
个接收信号的增益，
Figure SMS_77
表示第
Figure SMS_78
个阵元在
Figure SMS_79
时刻的噪声，
Figure SMS_80
表示第
Figure SMS_71
个信号到达第
Figure SMS_72
个阵元时相对于参考阵元所产生的时延，
Figure SMS_73
表示均匀线列阵阵元的个数。
进一步的，当均匀线列阵是各向同性的且不存在通道不一致时，由于互耦等因素的影响，增益可以忽略，即可以视为
Figure SMS_81
。
将
Figure SMS_82
个阵元在特定时刻接收的信号写成列阵形式，表示为：
Figure SMS_83
；
上式解释如下：
Figure SMS_84
；
上式中，
Figure SMS_86
为
Figure SMS_87
维阵列快拍数据向量，
Figure SMS_88
为
Figure SMS_89
维噪声数据向量，
Figure SMS_90
为
Figure SMS_91
维向量，
Figure SMS_92
为
Figure SMS_85
维流形矩阵，且：
Figure SMS_93
；
其中：
Figure SMS_94
；
式中，
Figure SMS_95
，
Figure SMS_96
是声速，
Figure SMS_97
是第
Figure SMS_98
个声源辐射信号的波长。
之后利用下式得到协方差矩阵：
Figure SMS_99
；
其中，在上述技术方案中，步骤S20中对水声设备接收信号进行预处理的方法为：得到水声设备接收信号的协方差矩阵，协方差矩阵为一个M*M维的矩阵，其中M表示阵元的个数，提取其实部标记为
Figure SMS_100
，
Figure SMS_101
为一个M*M维的矩阵，提取其虚部标记为
Figure SMS_102
，也为一个M*M维的矩阵，之后将这两个矩阵组合成一个M*M*2维的矩阵，记为
Figure SMS_103
。
其中，在统计学与概率论中，协方差矩阵是一个矩阵，其每个元素是各个向量元素之间的协方差，是从标量随机变量到高维度随机向量的自然推广。
然后，对每一个方位训练一个网络，其输入是协方差矩阵处理后的矩阵，当有目标存在时其标签为[1,0]，无目标存在时，其标签为[0,1]。所述卷积层的大小为[1,1,2]且只包含一个卷积核，无池化层，全连接层的输出为一个1*2维的向量, 第一个值表示这个方位有目标的概率，第二个值表示这个方位无目标的概率。损失函数选取交叉熵损失函数，其数学定义式在被问题中可写为下式：
Figure SMS_104
；
其中，
Figure SMS_105
分别表示真实的标签和网络的输出向量。
激活函数采用ReLU函数，其数学定义式如下：
Figure SMS_106
；
在训练时，由于对于每一个方位，在这个方位存在目标的训练集远小于未存在目标的训练集，因此需要调整每一次训练有目标的训练集和无目标的训练集的个数，通常在每一次训练时可设置为有目标训练集的个数占比为0.7或0.8，每一个网路对应的训练次数通常可设置为1000。
其中，所述步骤“对输出结果进行概率处理并得到目标的方位”中对输出结果进行概率处理的方法为：第k个方位上的网络的输出向量为
Figure SMS_107
，对于第k个方位的输出，
Figure SMS_108
表示第k个方位出现目标的概率，
Figure SMS_109
表示不出现目标的概率，对输出结果中的每个方位建立目标概率向量
Figure SMS_110
，并重写为
Figure SMS_111
，之后将每一个方位对应的网络的有目标存在时的概率组合起来，并组成一个1*K维的向量为
Figure SMS_112
，其值表示每个方位出现目标的概率，通过每个方位出现目标概率值的大小确定在这个方位是否出现目标。如果对某一方位的结果不太满意，可重新训练该方位对应的网络，无需对所有的网络重新训练，节省了训练时间。
其中，若概率值大于0.6则表明该方位出现目标，也可根据经验判断概率值与出现目标情况之间的关系。
本发明第二方面提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有程序代码，用于执行上述的一种基于深度学习的水下目标方位估计方法。
本发明第三方面提供一种基于深度学习的水下目标方位估计系统，其中，包含上述的一种计算机可读存储介质。
现给出仿真条件和Swellex-96的S-59event的各项数据，其中，图4至图7给出了本方案和其他方案的数据对比。
(1)仿真条件
假设100Hz的双目标相干信号，阵元个数是20，快拍数是500，在使用MVDR和MUSIC方法时，利用双向平滑算法进行解相干。利用深度学习进行仿真时分别在-10-4dB的信噪比之间每隔2dB构建训练集进行训练。在不同信噪比下的训练集取
Figure SMS_113
，每隔一度取一个目标，假设目标处于不同的方位，则在每一种信噪比下有64980个训练集。
方位估计示意图的信噪比为-2dB，目标的方位为-15°和-10°。
在探究信噪比对各个方法正确率的影响时，测试集的构建与训练集相似，即设置信噪比在-10-4dB之间，每隔2dB构建测试集。
根据仿真的结果可以看出本发明实现了最高的分辨率，且无论在高信噪比还是在低信噪比下其性能都是较优的。
(2)Swellex-96的S-59 event简介
S59-event包含一个干扰源。
目标源船（R/V Sproul）在两个水平线列阵以东方向开始运动，并以5节（2.5m/s）的速度沿着180m左右的等深线向北行驶。在此次实验的最后25min，目标源传完成一个循环。干扰源从所有阵列的西侧开始运动，向东南方向和两个HLA之间前进，最后在阵列以东停止。R/V Sproul同时拖着两个源：一个深源（J-15）和一个浅源（J-13）。
深源被拖至约54m深。它传输了49Hz至400Hz之间的各种源级的多种tonal set。此tonal set称为 T-49-13，如下所示：
表1： T-49-13 tonal set分组
Figure SMS_114
；
T-49-13 tonal set由5组每组13 个tonal组成。每组13 tonal跨越49Hz和400Hz之间的频率。第一组13 tonal预计在最高级别，并被称为"High tonal set"。这些tonal预计传输水平约为158dB。第二组tonal的投影水平约为132dB。后续的tonal（第三、第四和第五）分别预计比上一组下降4dB。
浅源被拖至约9m深，传输了9 个频率，称为 C-109-9S tonal set，如下所示：
表2： C-109-9S tonal set分组
Figure SMS_115
；
C-109-9S tonal set传输了109Hz和 385Hz之间的 9 个频率。
基阵为27个阵元的曲线阵。 HLA北阵列是部署在海底的240m长的水平阵列。从第一个元件到最后一个元件的连线相对于正北方向呈顺时针34.5°，阵列实际变为一个轻微的弓形（约13m）。
从对实验数据的处理结果可以看出，本发明的分辨率是最高的，处理的耗时也低于传统的方法，利用本发明进行实际的水下DOA估计是可行的。
具体的，本发明的原理是：利用卷积神经网络，输入预处理过后的水平线列阵接收信号的协方差矩阵，训练若干个神经网络，将原来的多分类问题转化为在每一个方位上的二分类问题，对于每一个方位都单独训练一个网络，用来判断这个方位出现目标的概率值，使得其将一个复杂的问题视为很多个简单的问题。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (9)

1.一种基于深度学习的水下目标方位估计方法，其特征在于，包含以下步骤：
S10：利用卷积神经网络构建水下目标估计数学模型；
S20：采集已知方位的水下目标的水声设备的接收信号，对接收信号进行预处理，将预处理后的接收信号以及对应的标签作为训练数据；
S30：利用训练数据对水下目标方位估计数学模型进行训练；
S40：采集实际水声设备接收信号，对采集的接收信号进行预处理，将预处理之后的接收信号作为神经网络的输入，对输出结果进行概率处理并得到目标的方位。
2.根据权利要求1所述的一种基于深度学习的水下目标方位估计方法，所述水声设备为均匀线列阵，其中，所述均匀线列阵接收的信号为远场窄带信号，记为：
Figure QLYQS_1
；
式中，
Figure QLYQS_2
是均匀线列阵对远场窄带信号，
Figure QLYQS_3
是接收信号幅度，
Figure QLYQS_4
指的是某一时刻，
Figure QLYQS_5
是接收信号的相位，ω是接收信号的角频率，
Figure QLYQS_6
；所述远场窄带信号符合以下公式：
Figure QLYQS_7
；
其中
Figure QLYQS_8
表示第
Figure QLYQS_9
个声源辐射的信号到阵列产生的时延，
Figure QLYQS_10
表示第
Figure QLYQS_11
个声源的角频率，
Figure QLYQS_12
表示声源的个数，因此可以得到第
Figure QLYQS_13
个阵元的接收信号为：
Figure QLYQS_14
；
式中，
Figure QLYQS_20
为第
Figure QLYQS_21
个阵元的接收信号，
Figure QLYQS_22
为第
Figure QLYQS_23
个阵元对第
Figure QLYQS_24
个接收信号的增益，
Figure QLYQS_25
表示第
Figure QLYQS_26
个阵元在
Figure QLYQS_15
时刻的噪声，
Figure QLYQS_16
表示第
Figure QLYQS_17
个信号到达第
Figure QLYQS_18
个阵元时相对于参考阵元所产生的时延，
Figure QLYQS_19
表示均匀线列阵阵元的个数。
3.根据权利要求2所述的一种基于深度学习的水下目标方位估计方法，其特征在于，当所述均匀线列阵是各向同性的且不存在通道不一致时，将
Figure QLYQS_27
个阵元接收的信号写成列阵形式，表示为：
Figure QLYQS_28
；
上式解释如下：
Figure QLYQS_29
；
上式中，
Figure QLYQS_30
为
Figure QLYQS_31
维阵列快拍数据向量，
Figure QLYQS_32
为
Figure QLYQS_33
维噪声数据向量，
Figure QLYQS_34
为
Figure QLYQS_35
维向量，
Figure QLYQS_36
为
Figure QLYQS_37
维流形矩阵，且：
Figure QLYQS_38
；
其中：
Figure QLYQS_39
；
式中，
Figure QLYQS_40
，
Figure QLYQS_41
是声速，
Figure QLYQS_42
是第
Figure QLYQS_43
个声源辐射信号的波长；之后利用下式得到协方差矩阵：
Figure QLYQS_44
。
4.根据权利要求3所述的一种基于深度学习的水下目标方位估计方法，其特征在于，所述步骤“对接收信号进行预处理”的预处理方法为：得到所述水声设备接收信号的协方差矩阵，所述协方差矩阵为一个M*M维的矩阵，其中M表示阵元的个数，提取其实部标记为
Figure QLYQS_45
，所述
Figure QLYQS_46
为一个M*M维的矩阵，提取其虚部标记为
Figure QLYQS_47
，也为一个M*M维的矩阵，之后将所述
Figure QLYQS_48
以及所述
Figure QLYQS_49
组合成一个M*M*2维的矩阵，记为
Figure QLYQS_50
。
5.根据权利要求4所述的一种基于深度学习的水下目标方位估计方法，其特征在于，对每一个方位训练一个神经网络，其输入是协方差矩阵处理后的矩阵，当有目标存在时其标签为[1,0]，无目标存在时，其标签为[0,1]；所述神经网络的卷积层的大小为[1,1,2]且只包含一个卷积核，无池化层，全连接层的输出为一个1*2维的向量, 第一个值表示这个方位有目标的概率，第二个值表示这个方位无目标的概率；损失函数选取交叉熵损失函数，其数学定义式在被问题中可写为下式：
Figure QLYQS_51
；
其中，
Figure QLYQS_52
分别表示真实的标签和网络的输出向量；
激活函数采用ReLU函数，其数学定义式如下：
Figure QLYQS_53
。
6.根据权利要求5所述的一种基于深度学习的水下目标方位估计方法，其特征在于，所述步骤“对输出结果进行概率处理并得到目标的方位”中对输出结果进行概率处理的方法为：第k个方位上的网络的输出向量为
Figure QLYQS_54
，对于第k个方位的输出，
Figure QLYQS_55
表示第k个方位出现目标的概率，
Figure QLYQS_56
表示不出现目标的概率，对输出结果中的每个方位建立目标概率向量
Figure QLYQS_57
，并重写为
Figure QLYQS_58
，之后将每一个方位对应的网络的有目标存在时的概率组合起来，并组成一个1*K维的向量为
Figure QLYQS_59
，其值表示每个方位出现目标的概率，通过每个方位出现目标概率值的大小确定在这个方位是否出现目标。
7.根据权利要求6所述的一种基于深度学习的水下目标方位估计方法，其特征在于，若概率值大于0.6则表明该方位出现目标。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有程序代码，用于执行权利要求1-7任一项所述的一种基于深度学习的水下目标方位估计方法。
9.一种基于深度学习的水下目标方位估计系统，其特征在于，包含权利要求8所述的一种计算机可读存储介质。
CN202310145547.XA 2023-02-22 2023-02-22 一种基于深度学习的水下目标方位估计方法、介质及系统 Active CN115825854B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310145547.XA CN115825854B (zh) 2023-02-22 2023-02-22 一种基于深度学习的水下目标方位估计方法、介质及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310145547.XA CN115825854B (zh) 2023-02-22 2023-02-22 一种基于深度学习的水下目标方位估计方法、介质及系统

Publications (2)

Publication Number Publication Date
CN115825854A true CN115825854A (zh) 2023-03-21
CN115825854B CN115825854B (zh) 2023-05-23

Family

ID=85522019

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310145547.XA Active CN115825854B (zh) 2023-02-22 2023-02-22 一种基于深度学习的水下目标方位估计方法、介质及系统

Country Status (1)

Country Link
CN (1) CN115825854B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190204430A1 (en) * 2017-12-31 2019-07-04 Woods Hole Oceanographic Institution Submerged Vehicle Localization System and Method
CN110764053A (zh) * 2019-10-22 2020-02-07 浙江大学 一种基于水下传感器网络的多目标被动定位方法
CN113109759A (zh) * 2021-04-10 2021-07-13 青岛科技大学 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
CN113219404A (zh) * 2021-05-25 2021-08-06 青岛科技大学 基于深度学习的水声阵列信号二维波达方向估计方法
CN114047474A (zh) * 2021-10-26 2022-02-15 西北工业大学 基于广义回归神经网络的均匀线列阵目标方位估计方法
CN114397621A (zh) * 2022-01-12 2022-04-26 江苏科技大学 一种基于卷积神经网络的水下目标波达方向估计的方法
CN114462454A (zh) * 2022-02-11 2022-05-10 南京邮电大学 基于深度学习的无网格信号源doa估计方法
CN115097378A (zh) * 2022-05-05 2022-09-23 华南理工大学 一种基于卷积神经网络的非相干散射源检测与定位方法
CN115236584A (zh) * 2022-06-10 2022-10-25 中国人民解放军空军工程大学 基于深度学习的米波雷达低仰角估计方法
CN115510898A (zh) * 2022-09-07 2022-12-23 西北工业大学 一种基于卷积神经网络的舰船声尾流检测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190204430A1 (en) * 2017-12-31 2019-07-04 Woods Hole Oceanographic Institution Submerged Vehicle Localization System and Method
CN110764053A (zh) * 2019-10-22 2020-02-07 浙江大学 一种基于水下传感器网络的多目标被动定位方法
CN113109759A (zh) * 2021-04-10 2021-07-13 青岛科技大学 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
CN113219404A (zh) * 2021-05-25 2021-08-06 青岛科技大学 基于深度学习的水声阵列信号二维波达方向估计方法
CN114047474A (zh) * 2021-10-26 2022-02-15 西北工业大学 基于广义回归神经网络的均匀线列阵目标方位估计方法
CN114397621A (zh) * 2022-01-12 2022-04-26 江苏科技大学 一种基于卷积神经网络的水下目标波达方向估计的方法
CN114462454A (zh) * 2022-02-11 2022-05-10 南京邮电大学 基于深度学习的无网格信号源doa估计方法
CN115097378A (zh) * 2022-05-05 2022-09-23 华南理工大学 一种基于卷积神经网络的非相干散射源检测与定位方法
CN115236584A (zh) * 2022-06-10 2022-10-25 中国人民解放军空军工程大学 基于深度学习的米波雷达低仰角估计方法
CN115510898A (zh) * 2022-09-07 2022-12-23 西北工业大学 一种基于卷积神经网络的舰船声尾流检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
侯云山;黄建国;张立杰;金勇;: "一种新的浅海目标方位估计方法", 西安交通大学学报 *
王志伟;徐灵基;杨益新;王秀波;: "直线阵识别水下运动目标噪声源方法研究", 振动与冲击 *
陈禹乐等: "小样本下基于深度学习的声呐图像分类研究" *

Also Published As

Publication number Publication date
CN115825854B (zh) 2023-05-23

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
CN109272989B (zh) 语音唤醒方法、装置和计算机可读存储介质
CN106054123B (zh) 一种稀疏l阵及其二维doa估计方法
CN106021637B (zh) 互质阵列中基于迭代稀疏重构的doa估计方法
CN111123192B (zh) 一种基于圆形阵列和虚拟扩展的二维doa定位方法
CN103901395B (zh) 一种冲击噪声环境下相干信号波达方向动态跟踪方法
US8669901B2 (en) Method for determining azimuth and elevation angles of arrival of coherent sources
CN109597046B (zh) 基于一维卷积神经网络的米波雷达doa估计方法
CN104991236B (zh) 一种单基地mimo雷达非圆信号相干源波达方向估计方法
CN105403856A (zh) 基于嵌套式最小冗余阵列的波达方向估计方法
CN103837861B (zh) 基于特征子空间的子阵级线性约束自适应波束形成方法
CN109683126A (zh) 波达角测量方法、信号处理设备及存储介质
CN106526530A (zh) 基于传播算子的2‑l型阵列二维doa估计算法
CN104408278A (zh) 一种基于干扰噪声协方差矩阵估计的稳健波束形成方法
CN107124216A (zh) 一种针对阵列误差的Capon稳健自适应波束形成方法及系统
Elbir et al. Sparse array selection across arbitrary sensor geometries with deep transfer learning
CN106802402A (zh) 基于双层平行圆阵列天线的doa估计方法
CN106597441A (zh) 一种面向多目标isar成像任务的mimo雷达波形优化设计方法
CN109709510A (zh) 一种相干信源二维波达方向的估计方法及系统
CN108398659B (zh) 一种矩阵束与求根music结合的波达方向估计方法
CN110673085B (zh) 一种均匀面阵下基于快速收敛平行因子的相干信源测向方法
CN104360306B (zh) 一种基于差分进化机理的目标船舶方位估计方法
CN115825854A (zh) 一种基于深度学习的水下目标方位估计方法、介质及系统
CN110133578B (zh) 一种基于半圆柱体积阵的海底反射声线入射角度估计方法
CN111896929A (zh) 非均匀mimo雷达的dod/doa估计算法

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
GR01 Patent grant
GR01 Patent grant