CN116449350A - 一种基于自监督学习的混响抑制方法、系统及存储介质 - Google Patents
一种基于自监督学习的混响抑制方法、系统及存储介质 Download PDFInfo
- Publication number
- CN116449350A CN116449350A CN202310304521.5A CN202310304521A CN116449350A CN 116449350 A CN116449350 A CN 116449350A CN 202310304521 A CN202310304521 A CN 202310304521A CN 116449350 A CN116449350 A CN 116449350A
- Authority
- CN
- China
- Prior art keywords
- data
- reverberation
- self
- reverberation suppression
- array element
- 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.)
- Pending
Links
- 230000001629 suppression Effects 0.000 title claims abstract description 145
- 238000000034 method Methods 0.000 title claims abstract description 98
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 230000010363 phase shift Effects 0.000 claims abstract description 13
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 40
- 238000010304 firing Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 4
- 238000012545 processing Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000002592 echocardiography Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000009527 percussion Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000002087 whitening effect Effects 0.000 description 1
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
- G01S7/539—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明提供一种基于自监督学习的混响抑制方法、系统及存储介质,包括:采集主动声呐阵元接收的信号并进行预处理;对预处理后的信号计算出声呐阵元相关性最大的方向确定为目标方向,补偿各阵元与目标方向之间的相移;基于补偿后的阵元数据通过自监督混响抑制网络模型对各阵元数据进行混响抑制,输出去混响结果;基于所述去混响结果将各阵元通道数据进行波束形成,完成混响抑制后的结果输出。通过本发明解决了现有声呐混响抑制效果差问题。
Description
技术领域
本发明涉及声呐信号处理技术领域,尤其涉及一种基于自监督学习的混响抑制方法、系统及存储介质。
背景技术
混响抑制是主动声呐信号处理中的基础问题。主动声呐信号发射机发射的声波信号遇到水中我们感兴趣的目标物体时产生的散射回波称为目标回波。而这些发射信号遇到水中的鱼类、气泡、水底、水面等我们不感兴趣的散射体时也会产生散射回波,这些散射回波统称为混响。混响由于与目标回波具有一定的相关性,会影响声呐回波信号的质量,严重干扰声呐对于水下目标的探测。因此,混响抑制是主动声呐信号处理中必不可少的一部分。主动声呐的接收机使用多个水听器构成的阵列来接收回波信号,水听器中的换能器将接收到的散射回波转换为电信号,随后这些多通道的数据会经过带通滤波、自动增益控制、采样、正交解调、匹配滤波等处理流程,然后进行波束形成合成单路数据输出。
声呐接收端的混响抑制方法主要包括基于单脉冲击发数据和基于多脉冲击发数据两类。基于单脉冲击发数据的方法可以从时域、变换域、空域等进行混响抑制。经典的混响抑制时域方法包括AR预白化方法、子空间分解方法、混响统计模型方法等,这些时域方法对特定条件下的混响有较好的抑制作用,但是它们的模型需要满足较强的假设,在复杂多变的海洋环境中难以自适应。混响抑制的变换域方法包括分数阶傅立叶变换方法、多普勒效应方法、非负矩阵分解方法等,这些方法在变换域抑制混响,但是在逆变换过程中往往会引入一些错误。混响抑制的空域方法主要有时变波束形成、空时自适应处理等方法,这些方法需要有目标方向等先验信息,而实际情况中这些先验信息往往不能获得。基于多脉冲击发数据的混响抑制方法应用于具有运动目标的声呐视频去混响领域,应用范围较局限。
随着深度学习的快速发展,越来越多的学者将深度学习应用在声呐信号处理领域。现有的基于深度学习的混响抑制方法多使用有监督学习,即以数据驱动的方式去构造去混响模型。为了解决声呐数据稀少的问题,现有的有监督学习都是通过模型仿真方法来产生目标和混响并合成为仿真数据,通过这些合成数据训练出来的模型能够在已知混响统计模型的条件下取得较好的混响抑制效果,但是当应用到混响统计特性未知的数据中时,这些模型的混响抑制性能将会受到很大限制。目前自监督学习在声呐信号处理领域的应用还仅限于声呐图像去噪,在声呐混响抑制方面还未有应用,现有混响抑制方法对复杂的海洋环境泛化能力不足。
发明内容
本发明提供一种基于自监督学习的混响抑制方法、系统及存储介质,用以解决现有声呐混响抑制效果差问题。
本发明提供一种基于自监督学习的混响抑制方法,包括:
采集主动声呐阵元接收的信号并进行预处理;
对预处理后的信号计算出声呐阵元相关性最大的方向确定为目标方向,补偿各阵元与目标方向之间的相移;
基于补偿后的阵元数据通过自监督混响抑制网络模型对各阵元数据进行混响抑制,输出去混响结果;
基于所述去混响结果将各阵元通道数据进行波束形成,完成混响抑制后的结果输出
根据本发明提供的一种基于自监督学习的混响抑制方法,所述采集主动声呐阵元接收的信号并进行预处理,具体包括:
采集主动声呐阵元接收的信号;
通过带通滤波限制接收数据的带宽,抑制带外噪声;
通过正交解调将接收到的载波信号转变为基带信号;
通过匹配滤波使用发射的基带信号与各阵元通道接收的数据进行卷积,增强接收信号中与发射信号相关的部分,抑制接收信号中与发射无关的噪声部分。
根据本发明提供的一种基于自监督学习的混响抑制方法,所述对预处理后的信号计算出声呐阵元相关性最大的方向确定为目标方向,补偿各阵元与目标方向之间的相移,具体包括:
通过对阵元间目标回波和混响的相关性的分析确定阵元间混响的相关性远低于目标回波相关性;
计算所有阵元公共观测区域内相关性最大的方向,确定为感兴趣的目标方向;
依据将阵列接收方向对准相关性最大的方向的原则对各通道数据进行相位补偿,使得各通道接收数据中的目标回波保持同相。
根据本发明提供的一种基于自监督学习的混响抑制方法,所述基于补偿后的阵元数据通过自监督混响抑制网络模型对各阵元数据进行混响抑制,输出去混响结果,具体包括:
将各阵元数据输入至自监督混响抑制网络模型;
通过所述自监督混响抑制网络模型对各阵元数据进行混响抑制,输出去混响结果。
根据本发明提供的一种基于自监督学习的混响抑制方法,所述自监督混响抑制网络模型具体训练过程为:
将主动声呐每次脉冲击发后接收到的多个通道的数据送入混响抑制网络进行训练;
将损失函数设置为最大化通道间数据相关性的函数,训练时采用在线学习的策略对每次脉冲击发后接收到的数据进行训练,对每一脉冲击发的数据进行多轮迭代,直到迭代收敛,训练完成后进行推理;
或者将波束形成后的数据作为约束,混响抑制网络输入为多个通道数据,在训练完成后进行推理,生成自监督混响抑制网络模型。
根据本发明提供的一种基于自监督学习的混响抑制方法,基于所述去混响结果将各阵元通道数据进行波束形成,完成混响抑制后的结果输出,具体包括:
通过预设的波束形成模型来对各通道数据进行加权求和,将多路数据合为一路输出;
加权时使用切比雪夫窗,能够在旁瓣高度一定的情况下使主瓣宽度最窄,进行波束形成,完成混响抑制后的结果输出。
本发明还提供一种基于自监督学习的混响抑制系统,所述系统包括:
信号预处理模块,用于采集主动声呐阵元接收的信号并进行预处理;
相位补偿模块,用于对预处理后的信号计算出声呐阵元相关性最大的方向确定为目标方向,补偿各阵元与目标方向之间的相移;
自监督混响抑制网络模块,用于基于补偿后的阵元数据通过自监督混响抑制网络模型对各阵元数据进行混响抑制,输出去混响结果;
波束形成模块,用于基于所述去混响结果将各阵元通道数据进行波束形成,完成混响抑制后的结果输出。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述基于自监督学习的混响抑制方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述基于自监督学习的混响抑制方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述基于自监督学习的混响抑制方法。
本发明提供的一种基于自监督学习的混响抑制方法、系统及存储介质,通过相位补偿模块让各阵元数据中的目标回波对齐相位,基于阵元间混响的相关性远小于目标回波相关性的特点以及自监督的训练思想,仅使用带混响的阵元数据就可实现声呐接收数据的混响抑制,无需不带混响的干净目标数据,也不需要准确的混响模型。相比于传统方法和有监督学习方法,本发明能够自适应不同海洋环境下的混响变化并抑制混响。通过在线学习的方式,本发明能够实时进行训练和推理,保证了使用神经网络进行混响抑制的实时性和自适应性,提升混响抑制效果。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作以简单地介绍,显而易见地,下面描述中的附图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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的一种基于自监督学习的混响抑制方法的流程示意图之一;
图2是本发明提供的一种基于自监督学习的混响抑制方法的流程示意图之二;
图3是本发明提供的一种基于自监督学习的混响抑制方法的流程示意图之三;
图4是本发明提供的一种基于自监督学习的混响抑制方法的流程示意图之四;
图5是本发明提供的一种基于自监督学习的混响抑制方法的流程示意图之五;
图6是本发明提供的一种基于自监督学习的混响抑制系统的模块连接示意图;
图7是本发明提供的电子设备的结构示意图;
图8是本发明提供的一种基于自监督学习的混响抑制系统架构示意图;
图9是本发明提供的编码器-解码器的结构示意图;
图10是本发明提供的一个脉冲击发波束形成后的原始数据示意图;
图11是本发明提供的PCI方法处理后的数据示意图;
图12是本发明提供的SSE方法处理后的数据示意图;
图13是本发明提供的PCI-SVM方法处理后的数据示意图;
图14是本发明提供的自监督学习混响抑制系统处理后的数据示意图;
图15是本发明提供的波束形成后的原始侧扫声呐图像;
图16是本发明提供的是进行混响抑制后的侧扫声纳图像;
图17是本发明提供的原始侧扫声呐图像的第219脉冲击发数据示意图;
图18是本发明提供的混响抑制后的侧扫声纳图像第219脉冲击发数据示意图;
附图标记:
110:信号预处理模块;120:相位补偿模块;130:自监督混响抑制网络模块;140:波束形成模块;
710:处理器;720:通信接口;730:存储器;740:通信总线。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合图1-图5描述本发明的一种基于自监督学习的混响抑制方法,包括:
S100、采集主动声呐阵元接收的信号并进行预处理;
S200、对预处理后的信号计算出声呐阵元相关性最大的方向确定为目标方向,补偿各阵元与目标方向之间的相移;
S300、基于补偿后的阵元数据通过自监督混响抑制网络模型对各阵元数据进行混响抑制,输出去混响结果;
S400、基于所述去混响结果将各阵元通道数据进行波束形成,完成混响抑制后的结果输出。
本发明中摆脱当前主动声呐混响抑制技术中需要特定的模型假设、在不同环境中需要调整阈值参数的问题,解决现有混响抑制方法对复杂的海洋环境泛化能力不足的瓶颈,大幅提高声呐接收数据的信混比,以帮助后续的目标检测识别工作。本发明提出的基于自监督学习的主动声呐混响抑制系统,可以只通过带有混响的多通道声呐接收数据进行实时逐脉冲击发训练,实现对于不同环境混响的自适应混响抑制,在主观视觉效果和客观指标上均达到当前最优水平。
采集主动声呐阵元接收的信号并进行预处理,具体包括:
S101、采集主动声呐阵元接收的信号;
S102、通过带通滤波限制接收数据的带宽,抑制带外噪声;
S103、通过正交解调将接收到的载波信号转变为基带信号;
S104、通过匹配滤波使用发射的基带信号与各阵元通道接收的数据进行卷积,增强接收信号中与发射信号相关的部分,抑制接收信号中与发射无关的噪声部分。
本发明中对采样后的主动声呐阵元接收信号进行预处理,针对线性调频信号(LFM),包含带通滤波、正交解调和匹配滤波。带通滤波使用一个数字带通滤波器对各个阵元通道的数据进行带通滤波。正交解调通过采用I、Q两路解调接收的方法将载波信号变为基带信号,获取信号的主要信息。匹配滤波则是通过使用发射的基带信号与各阵元通道接收的数据进行卷积,增强了接收信号中与发射信号相关的部分,抑制了接收信号中与发射信号无关的噪声部分。
对预处理后的信号计算出声呐阵元相关性最大的方向确定为目标方向,补偿各阵元与目标方向之间的相移,具体包括:
S201、通过对阵元间目标回波和混响的相关性的分析确定阵元间混响的相关性远低于目标回波相关性;
S202、计算所有阵元公共观测区域内相关性最大的方向,确定为感兴趣的目标方向;
S203、依据将阵列接收方向对准相关性最大的方向的原则对各通道数据进行相位补偿,使得各通道接收数据中的目标回波保持同相。
本发明中,通过对齐各阵元通道数据中目标回波的相位。各个阵元接收到的数据经过正交解调、匹配滤波等处理后,在可能的接收方向内计算各通道数据间相关性最大的方向,认为该方向最有可能是目标方向。具体计算时,对可能的接收方向进行波束形成扫描,根据各通道数据波束形成结果能量最大的原则选取相关性最大的方向,然后对通道数据按照该相关性最大的方向进行相位补偿,此时认为各阵元通道数据中目标回波的相位已对齐,就输出目标回波对齐后的阵元数据。在具体实施时,可以默认相关性最大的方向为零度。
基于补偿后的阵元数据通过自监督混响抑制网络模型对各阵元数据进行混响抑制,输出去混响结果,具体包括:
将各阵元数据输入至自监督混响抑制网络模型;
通过所述自监督混响抑制网络模型对各阵元数据进行混响抑制,输出去混响结果。
自监督混响抑制网络模型具体训练过程为:
S301、将主动声呐每次脉冲击发后接收到的多个通道的数据送入混响抑制网络进行训练;
S302、将损失函数设置为最大化通道间数据相关性的函数,训练时采用在线学习的策略对每次脉冲击发后接收到的数据进行训练,对每一脉冲击发的数据进行多轮迭代,直到迭代收敛,训练完成后进行推理;
S303、或者将波束形成后的数据作为约束,混响抑制网络输入为多个通道数据,在训练完成后进行推理,生成自监督混响抑制网络模型。
参考图8,在本发明中,使用一个编码器-解码器架构的网络通过自监督训练方式对主动声呐接收数据进行混响抑制,可以使用1D-Unet网络。具体而言,将主动声呐每次接收到的脉冲击发多个通道的数据送入混响抑制网络进行训练,将损失函数设置为最大化通道间数据相关性的函数,本发明无需不带混响的干净数据,只需要多通道数据之间进行自监督训练即可抑制混响。训练的时候采用在线学习的策略进行逐脉冲击发训练,对每一脉冲击发的数据进行多轮迭代,迭代收敛后进行推理,输出各通道间最相关的数据。
对于本模块的网络设计,参考附图9,采用的是编码器-解码器的结构,具体而言使用了一维的U-Net网络进行特征提取并重构信号。本实例包括5个卷积层和5个解卷积层,解卷积层与对应的卷积层有直连通道。所有卷积层和解卷积层均使用11×11的卷积核,采用ReLU作为激活函数,并使用批量归一化层。除了最后一个卷积层,其他每个卷积层后面都紧跟着一个池化层,该池化层会对数据下采样两倍,所以编码器中特征图尺寸会逐渐减小,特征图的通道数会增多。除了最后一个解卷积层,其他每个解卷积层后面都紧跟着一个上采样层,所以解码器中特征图尺寸会逐渐增大,特征图的通道数会减少。本模块的训练网络和推理网络均使用上述一维U-Net网络。具体实施时,可以将该网络替换为其他编码器-解码器架构的网络,如应用于去模糊的SRN(Scale-recurrent Network)。
对于网络初始化设计,卷积层参数的初始化使用Kaming初始化,可以有效避免反向传播过程中的梯度弥散或者梯度爆炸,加速网络收敛。对于训练和推理方式设计,本发明采用在线学习的思想,进行逐脉冲击发训练和推理,将同一时间段内声呐阵列接收到的N个阵元数据序列组成N(N-1)对,在训练时每次迭代使用一对数据序列,其中一个阵元的数据序列直接输入一维U-Net网络,另一个阵元的数据作为网络的约束。当上述N(N-1)对数据序列训练完后,继续重复此训练过程,直至迭代收敛。除了此训练方式,还可以使用阵元通道数据作为训练的输入,各通道数据波束形成的结果作为训练的约束,迭代至训练收敛。迭代收敛之后进行模型的推理,将N个阵元的数据依次输入训练好的网络,得到抑制混响后的N个阵元的数据。这样逐脉冲击发训练的方式可以有效解决因海洋环境变化而导致的混响分布不同的问题,混响抑制网络能够依据相关性最大的原则学习到实时的混响变化,实现了终生学习。而当前的传统方法和有监督学习方法只是针对某种特定条件下的混响有较好的抑制作用,无法泛化到各种各样的海洋环境中。除了上述训练方式,还可以使用波束形成后的数据作为约束,将N个通道的数据作为输入。
针对损失函数设计,依据阵元接收数据中目标回波的相关性大于混响相关性的特点,使用两阵元数据间的相关系数作为损失函数,若以Xp表示p阵元的接收数据矢量(列向量),Xq(列向量)表示q阵元的接收数据矢量,表示Xp矢量的均值,/>表示Xq矢量的均值,‖·‖表示二范数,C为常数,可取1+1×10-9,则两阵元间的数据训练时的损失函数可表示为:
其中是两阵元数据间的相关系数,对相关系数取负对数是为了加大对相关系数小的数据的惩罚力度。在实施时也可将损失函数设计为其他形式,只要损失函数朝着两通道间相关性增大的方向优化即可。
基于所述去混响结果将各阵元通道数据进行波束形成,完成混响抑制后的结果输出,具体包括:
S401、通过预设的波束形成模型来对各通道数据进行加权求和,将多路数据合为一路输出;
S402、加权时使用切比雪夫窗,能够在旁瓣高度一定的情况下使主瓣宽度最窄,进行波束形成,完成混响抑制后的结果输出。
参照附表1,使用不同的混响抑制算法在合成数据集上进行混响抑制性能测试。合成数据集由真实的海底混响数据和仿真生成的目标合成而来,一共有10ping,36个阵元通道,每个通道数据长度为2000个采样点。表中将本方法与传统的方法进行了对比,可以看出在初始数据混响较大,信混比较小的情况下(初始信混比7.24dB),传统方法的混响抑制效果一般,而本发明中的自监督混响抑制网络方法取得了超过10dB的信混比提升,远超传统算法。
表1
参照附图10-14,分别表示合成数据集的其中一个ping波束形成后的原始数据、PCI方法处理后的数据、SSE方法处理后的数据、PCI-SVM方法处理后的数据和本系统处理后的数据,从视觉效果上可以看出本发明的自监督混响抑制网络在未知分布的真实海底混响上取得了优秀的混响抑制效果,显著地凸显出了目标回波信号。
参照附图15-18,这一系列的数据是在海上实测的海底侧扫声呐数据,海底放置了圆柱目标。在这个真实数据集上,对多个有真实圆柱目标的区域进行混响抑制,取得了平均9.46dB的信混比提升。附图15是波束形成后的原始侧扫声呐图像,图中箭头指向的部分是真实圆柱目标。附图16是使用本系统进行混响抑制后的侧扫声纳图像,可以看到圆柱目标区域相比周围的对比度显著提升,轮廓形状更清晰,其他地方的混响也被有效抑制。附图17是附图15的第219脉冲击发数据,最高的脉冲是圆柱目标回波,其他是海底混响或目标的多径干扰。附图18是附图16的第219脉冲击发数据,从视觉效果上可看出海底混响被极大抑制,目标的多径干扰也被有效抑制,真实的圆柱目标回波被凸显出来,取得了很好的混响抑制效果。可以看出,本发明可以显著提高声呐数据的信混比,增强声呐数据对于人眼的可识别性,在客观指标和主观质量上都取得了很好的效果。
参考图6,本发明还公开了一种基于自监督学习的混响抑制系统,所述系统包括:
信号预处理模块110,用于采集主动声呐阵元接收的信号并进行预处理;
相位补偿模块120,用于对预处理后的信号计算出声呐阵元相关性最大的方向确定为目标方向,补偿各阵元与目标方向之间的相移;
自监督混响抑制网络模块130,用于基于补偿后的阵元数据通过自监督混响抑制网络模型对各阵元数据进行混响抑制,输出去混响结果;
波束形成模块140,用于基于所述去混响结果将各阵元通道数据进行波束形成,完成混响抑制后的结果输出。
其中,信号预处理模块110采集主动声呐阵元接收的信号;
通过带通滤波限制接收数据的带宽,抑制带外噪声;
通过正交解调将接收到的载波信号转变为基带信号;
通过匹配滤波使用发射的基带信号与各阵元通道接收的数据进行卷积,增强接收信号中与发射信号相关的部分,抑制接收信号中与发射无关的噪声部分。
相位补偿模块120,通过对阵元间目标回波和混响的相关性的分析确定阵元间混响的相关性远低于目标回波相关性;
计算所有阵元公共观测区域内相关性最大的方向,确定为感兴趣的目标方向;
依据将阵列接收方向对准相关性最大的方向的原则对各通道数据进行相位补偿,使得各通道接收数据中的目标回波保持同相。
自监督混响抑制网络模块130,将各阵元数据输入至训练好的自监督混响抑制网络模型;
通过所述自监督混响抑制网络模型对各阵元数据进行混响抑制,输出去混响结果。
将主动声呐每次脉冲击发后接收到的多个通道的数据送入混响抑制网络进行训练;
将损失函数设置为最大化通道间数据相关性的函数,训练时采用在线学习的策略对每次脉冲击发后接收到的数据进行训练,对每一脉冲击发的数据进行多轮迭代,直到迭代收敛;
迭代收敛后生成自监督混响抑制网络模型。
波束形成模块140,通过预设的波束形成模型来对各通道数据进行加权求和,将多路数据合为一路输出;
加权时使用切比雪夫窗,能够在旁瓣高度一定的情况下使主瓣宽度最窄,进行波束形成,完成混响抑制后的结果输出。
本发明公开的一种基于自监督学习的混响抑制系统,通过相位补偿模块让各阵元数据中的目标回波对齐相位,基于阵元间混响的相关性远小于目标回波相关性的特点以及自监督的训练思想,仅使用带混响的阵元数据就可实现声呐接收数据的混响抑制,无需不带混响的干净目标数据,也不需要准确的混响模型。相比于传统方法和有监督学习方法,本发明能够自适应不同海洋环境下的混响变化并抑制混响。通过在线学习的方式,本发明能够实时进行训练和推理,保证了使用神经网络进行混响抑制的实时性和自适应性,提升混响抑制效果。
图7示例了一种电子设备的实体结构示意图,如图7所示,该电子设备可以包括:处理器(processor)710、通信接口(Communications Interface)720、存储器(memory)730和通信总线740,其中,处理器710,通信接口720,存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令,以执行一种基于自监督学习的混响抑制方法,该方法包括:采集主动声呐阵元接收的信号并进行预处理;
对预处理后的信号计算出声呐阵元相关性最大的方向确定为目标方向,补偿各阵元与目标方向之间的相移;
基于补偿后的阵元数据通过自监督混响抑制网络模型对各阵元数据进行混响抑制,输出去混响结果;
基于所述去混响结果将各阵元通道数据进行波束形成,完成混响抑制后的结果输出。
此外,上述的存储器730中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的一种基于自监督学习的混响抑制方法,该方法包括:采集主动声呐阵元接收的信号并进行预处理;
对预处理后的信号计算出声呐阵元相关性最大的方向确定为目标方向,补偿各阵元与目标方向之间的相移;
基于补偿后的阵元数据通过自监督混响抑制网络模型对各阵元数据进行混响抑制,输出去混响结果;
基于所述去混响结果将各阵元通道数据进行波束形成,完成混响抑制后的结果输出。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的一种基于自监督学习的混响抑制方法,该方法包括:采集主动声呐阵元接收的信号并进行预处理;
对预处理后的信号计算出声呐阵元相关性最大的方向确定为目标方向,补偿各阵元与目标方向之间的相移;
基于补偿后的阵元数据通过自监督混响抑制网络模型对各阵元数据进行混响抑制,输出去混响结果;
基于所述去混响结果将各阵元通道数据进行波束形成,完成混响抑制后的结果输出。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各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;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于自监督学习的混响抑制方法,其特征在于,包括:
采集主动声呐阵元接收的信号并进行预处理;
对预处理后的信号计算出声呐阵元相关性最大的方向确定为目标方向,补偿各阵元与目标方向之间的相移;
基于补偿后的阵元数据通过自监督混响抑制网络模型对各阵元数据进行混响抑制,输出去混响结果;
基于所述去混响结果将各阵元通道数据进行波束形成,完成混响抑制后的结果输出。
2.根据权利要求1所述的基于自监督学习的混响抑制方法,其特征在于,所述采集主动声呐阵元接收的信号并进行预处理,具体包括:
采集主动声呐阵元接收的信号;
通过带通滤波限制接收数据的带宽,抑制带外噪声;
通过正交解调将接收到的载波信号转变为基带信号;
通过匹配滤波使用发射的基带信号与各阵元通道接收的数据进行卷积,增强接收信号中与发射信号相关的部分,抑制接收信号中与发射无关的噪声部分。
3.根据权利要求1所述的基于自监督学习的混响抑制方法,其特征在于,所述对预处理后的信号计算出声呐阵元相关性最大的方向确定为目标方向,补偿各阵元与目标方向之间的相移,具体包括:
通过对阵元间目标回波和混响的相关性的分析确定阵元间混响的相关性远低于目标回波相关性;
计算所有阵元公共观测区域内相关性最大的方向,确定为感兴趣的目标方向;
依据将阵列接收方向对准相关性最大的方向的原则对各通道数据进行相位补偿,使得各通道接收数据中的目标回波保持同相。
4.根据权利要求1所述的基于自监督学习的混响抑制方法,其特征在于,所述基于补偿后的阵元数据通过自监督混响抑制网络模型对各阵元数据进行混响抑制,输出去混响结果,具体包括:
将各阵元数据输入至自监督混响抑制网络模型;通过所述自监督混响抑制网络模型对各阵元数据进行混响抑制,输出去混响结果。
5.根据权利要求4所述的基于自监督学习的混响抑制方法,其特征在于,所述自监督混响抑制网络模型具体训练过程为:
将主动声呐每次脉冲击发后接收到的多个通道的数据送入混响抑制网络进行训练;
将损失函数设置为最大化通道间数据相关性的函数,训练时采用在线学习的策略对每次脉冲击发后接收到的数据进行训练,对每一脉冲击发的数据进行多轮迭代,直到迭代收敛,训练完成后进行推理;
或者将波束形成后的数据作为约束,混响抑制网络输入为多个通道数据,在训练完成后进行推理,生成自监督混响抑制网络模型。
6.根据权利要求1所述的基于自监督学习的混响抑制方法,其特征在于,基于所述去混响结果将各阵元通道数据进行波束形成,完成混响抑制后的结果输出,具体包括:
通过预设的波束形成模型来对各通道数据进行加权求和,将多路数据合为一路输出;
加权时使用切比雪夫窗,能够在旁瓣高度一定的情况下使主瓣宽度最窄,进行波束形成,完成混响抑制后的结果输出。
7.一种基于自监督学习的混响抑制系统,其特征在于,所述系统包括:
信号预处理模块,用于采集主动声呐阵元接收的信号并进行预处理;
相位补偿模块,用于对预处理后的信号计算出声呐阵元相关性最大的方向确定为目标方向,补偿各阵元与目标方向之间的相移;
自监督混响抑制网络模块,用于基于补偿后的阵元数据通过自监督混响抑制网络模型对各阵元数据进行混响抑制,输出去混响结果;
波束形成模块,用于基于所述去混响结果将各阵元通道数据进行波束形成,完成混响抑制后的结果输出。
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述基于自监督学习的混响抑制方法。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于自监督学习的混响抑制方法。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于自监督学习的混响抑制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310304521.5A CN116449350A (zh) | 2023-03-27 | 2023-03-27 | 一种基于自监督学习的混响抑制方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310304521.5A CN116449350A (zh) | 2023-03-27 | 2023-03-27 | 一种基于自监督学习的混响抑制方法、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116449350A true CN116449350A (zh) | 2023-07-18 |
Family
ID=87123050
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310304521.5A Pending CN116449350A (zh) | 2023-03-27 | 2023-03-27 | 一种基于自监督学习的混响抑制方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116449350A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116973901A (zh) * | 2023-09-14 | 2023-10-31 | 海底鹰深海科技股份有限公司 | 时频分析在声呐信号处理中的算法应用 |
-
2023
- 2023-03-27 CN CN202310304521.5A patent/CN116449350A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116973901A (zh) * | 2023-09-14 | 2023-10-31 | 海底鹰深海科技股份有限公司 | 时频分析在声呐信号处理中的算法应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107789008B (zh) | 一种基于通道数据的自适应超声波束合成方法和系统 | |
CN107613877A (zh) | 用于通过脉冲响应估计和回溯采集进行编码激励成像的方法和系统 | |
CN112912758A (zh) | 用于对超声信号进行自适应波束形成的方法和系统 | |
Goudarzi et al. | Ultrasound beamforming using mobilenetv2 | |
CN116449350A (zh) | 一种基于自监督学习的混响抑制方法、系统及存储介质 | |
Liu et al. | High-resolution and low-sidelobe forward-look sonar imaging using deconvolution | |
CN116068493A (zh) | 一种深海大深度垂直分布式水听器被动声源定位方法 | |
CN108309352A (zh) | 一种余弦变换域超声成像方法 | |
CN108845318B (zh) | 基于Relax算法的星载高分宽幅成像方法 | |
CN107635181B (zh) | 一种基于信道学习的多址感知源反馈优化方法 | |
CN110554393B (zh) | 基于深度学习的高对比度最小方差成像方法 | |
CN111239747B (zh) | 一种基于解卷积的声纳高分辨低旁瓣二维成像方法 | |
CN111427045A (zh) | 基于分布式多输入-多输出声纳的水下目标逆散射成像方法 | |
CN105676211B (zh) | 一种基于降秩技术的多亮点目标时空检测方法 | |
Vignon et al. | Resolution improvement with a fully convolutional neural network applied to aligned per-channel data | |
Holm et al. | Capon beamforming for active ultrasound imaging systems | |
CN111257891B (zh) | 一种基于解卷积的mimo声纳距离旁瓣抑制方法 | |
Thon et al. | Point detection in ultrasound using prewhitening and multilook optimization | |
CN115097428A (zh) | 一种基于稀疏表示的nmf主动声纳抗混响方法 | |
CN112166339B (zh) | 具有声速像差校正的合成透射聚焦超声系统 | |
CN113625286A (zh) | 基于相干特征的强稳健性截断相干系数超声波束形成方法 | |
Nieman et al. | Wideband monopulse spatial filtering for large receiver arrays for reverberant underwater communication channels | |
Guenther et al. | Robust finite impulse response beamforming applied to medical ultrasound | |
Wang et al. | Feature-enhanced beamforming for underwater 3-D acoustic imaging | |
CN117607876B (zh) | 一种被动声纳多波束窄带信号检测方法及系统 |
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 |