【技术实现步骤摘要】
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
本专利技术涉及水声物理领域，具体涉及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。
技术介绍
在海洋环境中，声波是信息传递的主要方式。海洋的一个重要声学特征是其水下环境噪声。海洋环境噪声是海洋中普遍存的背景声场，是水下装备最常见的背景干扰，是影响水下目标探测性能的重要因素。在基于深度学习的深海直达声区目标深度估计中，在无信号时，环境噪声使得神经网络的输出产生明显的错误结果。深度迁移学习通过参数共享实现深度神经网络参数的可迁移性，可以有效利用实测数据缩短训练时间，利用实测数据提高估计的精度。在已训练好的深度神经网络的基础上，加入实测环境噪声数据进行深度迁移学习，可以快速学习环境噪声分布特征，从而抑制环境噪声在深度神经网络中的输出，使得神经网络具有环境噪声的识别能力。
技术实现思路
本专利技术的目的在于克服上述技术缺陷，提出一种基于深度神经网络的深海声源定深噪声抑制方法，在已训练好的深度神经网络的基础上，加入实测环境噪声数据进行深度迁移学习，可...
【技术保护点】
1.一种强噪声环境下基于深度神经网络的深海声源定深方法，所述方法包括：/n将垂直阵实测得到的时间-阵元域数据，经过FFT处理得到频率-阵元域数据；/n对频域归一化处理后的频率-阵元域数据进行常规波束形成处理，得到频率-掠射角度域的波束响应矩阵；/n将频率-掠射角度域的波束响应矩阵输入到预先训练好的深度神经网络中，输出声源深度估计结果。/n
【技术特征摘要】
1.一种强噪声环境下基于深度神经网络的深海声源定深方法，所述方法包括：
将垂直阵实测得到的时间-阵元域数据，经过FFT处理得到频率-阵元域数据；
对频域归一化处理后的频率-阵元域数据进行常规波束形成处理，得到频率-掠射角度域的波束响应矩阵；
将频率-掠射角度域的波束响应矩阵输入到预先训练好的深度神经网络中，输出声源深度估计结果。
2.根据权利要求1所述的强噪声环境下基于深度神经网络的深海声源定深方法，其特征在于，所述深度神经网络包括依次连接的：第一卷积层、第一池化层、第二个卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第四池化层、第五全连接层、第六全连接层、第七全连接层和输出层；其中，第一卷积层和第二卷积层均包含2个子卷积层，第三卷积层和第四卷积层均包含四个子卷积层，每个子卷积层均采用ReLU作为激活函数；四个池化层的大小均为2×2；每两个全连接层之间通过Dropout操作以防止过拟合；所述深度神经网络采用的卷积核大小为3×3，通过多个小卷积核来近似替代大卷积核。
3.根据权利要求2所述的强噪声环境下基于深度神经网络的深海声源定深方法，其特征在于，所述方法还包括：对所述深度神经网络进行训练的步骤，具体包括：
基于环境参数模拟生成频域仿真声压场数据；
对频域仿真声压场数据进行频率归一化处理，然后通过常规波束形成处理，得到频率-掠射角度域的波束响应矩阵；
将频率-掠射角度域的波束响应矩阵输入到深度卷积神经网络进行训练，得到初步训练好的深度神经网络；
利用一段纯噪声数据，将噪声标记为全零输出，对初步训练好的深度神经网络进行再训练，得到训练好的深度神经网络。
4.根据权利要求3所述的强噪声环境下基于深度神经网络的深海声源定深方法，其特征在于，所述对频域仿真声压场数据进行频率归一化处理，然后通过常规波束形成处理，得到频率-掠射角度域的波束响应矩阵；具体包括：
将每个频点的频域仿真声压场数据在所有阵元上做规范化处理：
其中，P(f,zn)为第n个阵元的接收声场值，P'(f,zn)为归一化后的接收声场值；N为阵元的总数；f为频点，频点个数为F个，zn为第n个阵元的深度；
P(ω)为F个频率和N个阵元的接收声场P'(f,zn)组成的声场矩阵，ω＝2πf；
取海水平均声速为c，对于阵元间距为d的N元均匀分布的垂直线列阵，导向向量w(θ)为：
将同时形成指向θ1,θ2,…,θL的L个波束构成导向向量矩阵A(ω)：
A(ω)＝[w(θ1),w(θ2),…,w(θL)](4)
则频率-掠射角度的波束响应矩阵B(ω,θ)为：
B(ω,θ)＝P(ω)A(ω),(5)
其中，矩阵B(ω,θ)大小为N×Nθ，Nθ是掠射角度个数。
5.一种强噪声环境下基于深度神经网络的深海声源定深系统，其特征...
【专利技术属性】
技术研发人员：王同，王文博，苏林，任群言，马力，
申请(专利权)人：中国科学院声学研究所，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。