一种基于级联神经网络水下一维DOA估计方法技术

本发明专利技术公开了一种基于级联神经网络的水下一维波达方向(DOA)估计方法，该方法所构建的级联神经网络包含声速分类器和声速回归器，声速分类器将输入特征分解到不同声速域中，然后控制声速回归器的运行，得到声速估计值。通过盲源分离将多信源信号进行分离，得到分离信号以及分离矩阵，对分离信号重构后进行特征提取，然后输入级联神经网络得到声速估计值。根据阵列流形矩阵与分离矩阵的关系得到阵列流形估计矩阵，然后根据其特点得到DOA估计表达式，并将估计得到的声速带入表达式中，得到确定声速下DOA估计值。本发明专利技术无需通过额外阵列得到声速预估值，所有的传感器都能用于DOA估计，提高了DOA估计精度，降低了硬件的成本。降低了硬件的成本。降低了硬件的成本。

【技术实现步骤摘要】
一种基于级联神经网络水下一维DOA估计方法


[0001]本专利技术涉及水下目标定位
，具体涉及一种基于级联神经网络水下一维DOA估计方法。

技术介绍

[0002]波达方向估计(Direction of Arrival，DOA)在雷达探测、无源声纳和水下目标定位等领域有着广泛的应用。随着人类在海洋的开发勘探活动日益频繁，水下DOA估计发挥着愈发关键的作用。与电磁波相比，声波在水下传播中损耗更小，因此，水下DOA估计普遍选择声波为信号载波。声波的速度随着海水的温度、盐度和压力的影响而变化，水下声速的变化范围为1450～1550m/s。当设定声速与实际声速值出现偏差时，就会出现声速误差问题，水下DOA方法的估计精度会受到很大影响。
[0003]传统的DOA估计方法如ESPRIT
‑
AF(2012)，未考虑声速误差，导致水下DOA估计精度较差。现有已提出的消除声速误差的方法是增加一条阵列构造二维角度关系，进而对声速变量进行消除，如ESPRIT
‑
VI
‑
LC(2020)。但是这类方法增加了一条阵列，提升了硬件成本，为了消除声速的影响就需要增加一倍的传感器，在实际应用中浪费了硬件资源，而且所增加的阵列对估计精度起不到影响。因此，如何在消除声速影响的同时，节约硬件资源成了一个亟需解决的问题。

技术实现思路

[0004]本专利技术的目的是为了解决现有技术中的上述缺陷，提供一种基于级联神经网络水下一维DOA估计方法，通过离线训练的方式，训练的声速分类器将输入的特征分解到所对应的声速域中，然后选取对应的声速回归器进行声速估计，从而估计实际中阵列周围的声速值，消除了声速不确定性对DOA估计的影响。该方法无需增加阵列，可以将所有的传感器用于估计精度的提升，可以降低硬件成本，并且提高DOA估计精度。
[0005]本专利技术的目的可以通过采取如下技术方案达到：
[0006]一种基于级联神经网络水下一维DOA估计方法，所述估计方法包括以下步骤：
[0007]S1、建立一维均匀线阵的阵列信号模型；
[0008]S2、对接收到的信号进行预处理，得到输入特征向量
[0009]S3、构建级联神经网络；
[0010]S4、训练级联神经网络；
[0011]S5、将阵列接收到的多信源信号通过盲源分离的方式得到分离后的单信源信号矩阵Y(t)，并且得到阵列流形估计矩阵对分离后的信号进行重构得到单信源阵列接收信号矩阵，然后预处理得到输入特征向量，输入经过训练的级联神经网络进行声速估计，得到声速估计值根据阵列流形矩阵与分离矩阵的关系得到阵列流形估计矩阵，然后根据阵列流行矩阵任意相邻两行比值相等的特点得到DOA估计表达式，带入声速估计值得到确定声速下的DOA估计值。
[0012]进一步地，所述步骤S1过程如下：
[0013]假设用于一维DOA估计的均匀线阵上分布阵元数为M，相邻阵元间距为d，设有K个远场窄带声波信号入射到该线阵上，入射信号中心频率为f，声速定义为c，快拍数为入射信号的波达方向角为θ＝{θ1,θ2,
…
,θ
k
,
…
,θ
K
}，其中θ
k
,k＝1,
…
,K表示第k个入射信号的波达方向角，并且满足K＜M，均匀线阵接收到的信号矢量表达式为：
[0014]Y(t)＝AS(t)+N(t)
ꢀꢀꢀ
(公式1)
[0015]其中为阵列接收信号矩阵，为源信号矩阵，是阵列的噪声矩阵，为阵列流形矩阵，写成矢量形式为：
[0016]A＝[a(θ1),a(θ2),
…
,a(θ
k
),
…
,a(θ
K
)]ꢀꢀꢀ
(公式2)
[0017]其中a(θ
k
)为第k个信号源的导向向量：
[0018][0019]其中[
·
]T
表示矩阵的转置。
[0020]进一步地，所述输入特征向量通过取协方差矩阵上三角元素并进行归一化处理，归一化处理保证了输入各个维度分布相近，有助于神经网络更好的收敛，具体步骤如下：
[0021]Y(t)的协方差矩阵为
[0022]R＝E[Y(t)Y(t)
H
]ꢀꢀꢀ
(公式4)
[0023]其中E[
·
]表示为矩阵的期望，[
·
]H
表示为矩阵的共轭转置；
[0024]协方差矩阵下三角元素与上三角元素对应相等，因此仅选取上三角矩阵元素进行向量化处理得到
[0025]r＝[R
1,1
,R
1,2
,
…
R
1,M
,R
2,2
,
…
R
i,j
,
…
R
2,M
,
…
R
M,M
]T
ꢀꢀꢀ
(公式5)
[0026]其中R
i,j
表示协方差矩阵第i行，第j列元素，1≤i≤M,1≤j≤M；
[0027]将每个元素的实部与虚部进行分离得到未归一化的特征向量
[0028]z＝[Re al(r
T
),Im ag(r
T
)]T
ꢀꢀꢀ
(公式6)
[0029]其中Real(
·
)和Im ag(
·
)分别表示取复向量的实部和虚部；
[0030]通过归一化得到特征向量
[0031][0032]其中μ为z中所有元素的均值，σ为z中所有元素的标准差。
[0033]进一步地，所述级联神经网络包括一个声速分类器F
class
和P个声速回归器声速分类器将输入的特征分解到对应的声速域中，然后控制对应的声速回归器的运行，声速回归器的输出是连续值，可以拟合未在训练集中出现的声速，其中：
[0034]声速分类器F
class
依次由第一输入层、第一隐藏层、第一输出层顺序连接组成，每层之间是全连接的，第一输入层的输入特征向量为神经元个数与特征向量维度相等，第一输出层有P个神经元，输出只有一个神经元是1，其他均为0，计算规则如下：
[0035][0036]其中，L1代表F
class
的总层数，代表F
class
第l1层的输出，代表F
class
第l1‑
1层的输出，代表F
class
的输入，代表F
class
第(l1‑
1)层和第l1层之间的权重矩阵，代表F
class
第(l1‑
1)层和第l1层之间的偏置向量，表示F
class
第l1层的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于级联神经网络水下一维DOA估计方法，其特征在于，所述估计方法包括以下步骤：S1、建立一维均匀线阵的阵列信号模型；S2、对接收到的信号进行预处理，得到输入特征向量S3、构建级联神经网络；S4、训练级联神经网络；S5、将阵列接收到的多信源信号通过盲源分离的方式得到分离后的单信源信号矩阵Y(t)，并且得到阵列流形估计矩阵对分离后的信号进行重构得到单信源阵列接收信号矩阵，然后预处理得到输入特征向量，输入经过训练的级联神经网络进行声速估计，得到声速估计值根据阵列流形矩阵与分离矩阵的关系得到阵列流形估计矩阵，然后根据阵列流行矩阵任意相邻两行比值相等的特点得到DOA估计表达式，带入声速估计值得到确定声速下的DOA估计值。2.根据权利要求1所述的一种基于级联神经网络的水下一维DOA估计方法，其特征在于，所述步骤S1过程如下：假设用于一维DOA估计的均匀线阵上分布阵元数为M，相邻阵元间距为d，设有K个远场窄带声波信号入射到该线阵上，入射信号中心频率为f，声速定义为c，快拍数为入射信号的波达方向角为θ＝{θ1,θ2,
…
,θ
k
,
…
,θ
K
}，其中θ
k
,k＝1,
…
,K表示第k个入射信号的波达方向角，并且满足K＜M，均匀线阵接收到的信号矢量表达式为：Y(t)＝AS(t)+N(t)
ꢀꢀꢀꢀ
(公式1)其中为阵列接收信号矩阵，为源信号矩阵，是阵列的噪声矩阵，为阵列流形矩阵，写成矢量形式为：A＝[a(θ1),a(θ2),
…
,a(θ
k
),
…
,a(θ
K
)]
ꢀꢀꢀꢀꢀ
(公式2)其中a(θ
k
)为第k个信号源的导向向量：其中[
·
]
T
表示矩阵的转置。3.根据权利要求2所述的一种基于级联神经网络的水下一维DOA估计方法，其特征在于，所述步骤S2过程如下：Y(t)的协方差矩阵为R＝E[Y(t)Y(t)
H
]
ꢀꢀꢀꢀꢀꢀ
(公式4)其中E[
·
]表示为矩阵的期望，[
·
]
H
表示为矩阵的共轭转置；协方差矩阵下三角元素与上三角元素对应相等，因此仅选取上三角矩阵元素进行向量化处理得到r＝[R
1,1
,R
1,2
,
…
R
1,M
,R
2,2
,
…
R
i,j
,
…
R
2,M
,
…
R
M,M
]
T
ꢀꢀꢀꢀꢀ
(公式5)其中R
i,j
表示协方差矩阵第i行，第j列元素，1≤i≤M,1≤j≤M；将每个元素的实部与虚部进行分离得到未归一化的特征向量
z＝[Real(r
T
),Imag(r
T
)]
T
ꢀꢀꢀꢀꢀ
(公式6)其中Real(
·
)和Imag(
·
)分别表示取复向量的实部和虚部；通过归一化得到特征向量化得到特征向量其中μ为z中所有元素的均值，σ为z中所有元素的标准差。4.根据权利要求3所述的一种基于级联神经网络的水下一维DOA估计方法，其特征在于，所述级联神经网络模型包括一个声速分类器F
class
和P个声速回归器其中：声速分类器F
class
依次由第一输入层、第一隐藏层、第一输出层顺序连接组成，每层之间是全连接的，第一输入层的输入特征向量为神经元个数与特征向量维度相等，第一输出层有P个神经元，输出只有一个神经元是1，其他均为0，计算规则如下：其中，L1代表F
class
的总层数，代表F
class
第l1层的输出，代表F
class
第l1‑
1层的输出，代表F
class
的输入，代表F
class
第(l1‑
1)层和第l1层之间的权重矩阵，代表F
class
第(l1‑
1)层和第l1层之间的偏置向量，表示F
class
第l1层的激活函数，|
·
|表示向量的维度；声速分类器F
class
将输入的特征分解到P个声速域中，每个声速域对应一个声速回归器，声速c范围为[1450,1550]/s，第p个声速域的范围为[c
p
,c
p
+Δc]/s，其中c

【专利技术属性】
技术研发人员：宁更新，林钰棽，张军，冯义志，陈芳炯，余华，季飞，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：