一种基于迁移学习的小样本垂直阵目标距离估计方法技术

本发明专利技术涉及一种基于迁移学习的小样本垂直阵目标距离估计方法，卷积神经网络是深度神经网络中的一种，并已大量应用于水声目标的分类和定位中。对于不同领域，传统机器学习将其独立训练模型，无法直接应用在其它环境中。为了充分利用已知海域的大量水声数据，并将其迁移到陌生海域中，实现强干扰下目标声源的距离估计，本发明专利技术给出了一种基于卷积神经网络的迁移学习模型的声源距离估计方法。以声压场复声压为特征，建立迁移学习模型，利用卷积神经网络训练已知海域的大量样本，建立对应的预训练模型，将小样本水声数据再训练模型，对该小样本海域的其它样本进行距离估计。

【技术实现步骤摘要】
一种基于迁移学习的小样本垂直阵目标距离估计方法
本专利技术属于阵列信号处理、机器学习和水声测量等领域，涉及一种基于迁移学习的小样本垂直阵目标距离估计方法，利用基于卷积神经网络的迁移学习模型，实现在小样本和强干扰下的声源距离估计。
技术介绍
水下目标定位是水声信号处理领域的热点，其中被动定位技术凭借其优良的隐蔽性，在军事和民用领域中有着广泛的应用。传统的被动定位方法大多为基于水声模型的匹配场处理(MatchedFieldProcessing，MFP)。Bucker提出了线性匹配场处理器，并建立实际环境模型，通过计算距离-深度的模糊函数实现被动定位(Bucker,HomerP.Useofcalculatedsoundfieldsandmatched-fielddetectiontolocatesoundsourcesinshallowwater[J].TheJournaloftheAcousticalSocietyofAmerica,1976,59(2):368-373.)。匹配场处理方法基于水声信道特性将声传播模型和阵列信号相结合，实现对水下目标深度和距离的估计。但此类模型驱动方法的定位性能严重依赖海深、声速剖面等参数，在强干扰和环境失配的场景中，该类方法的准确度会受到严重影响。在机器学习技术迅速发展的背景下，以神经网络为代表的数据驱动方法在水声被动定位领域得到了广泛的应用。数据驱动的神经网络模型不依赖海洋环境参数，而基于声传播模型的匹配场处理方法会受到强干扰和环境失配的严重影响。Niu建立前馈神经网络、支持向量机模型，结合海试实测数据对多种机器学习算法的定位性能进行了验证(NiuH,ReevesE,GerstoftP.Sourcelocalizationinanoceanwaveguideusingsupervisedmachinelearning[J].TheJournaloftheAcousticalSocietyofAmerica,2017,142(3):1176-1188.)。姚琦海等人建立经优化的广义回归神经网络模型，在浅海强干扰的环境中，有效实现水下目标距离估计(姚琦海,汪勇,黎佳艺,杨益新.基于GRNN的强干扰下垂直阵被动定位方法研究[J].应用声学,2021(已录用).)。以上研究利用卷积神经网络、支持向量机等模型对水下单目标进行了位置估计，取得了不错的效果。迁移学习是对不同但相关领域问题利用已存有的知识进行求解的一种机器学习方法，即迁移已有的知识来解决目标领域中仅存在少量有标签样本数据甚至没有的学习问题。在图像处理领域，迁移学习已有大量的应用，Zhu将图像上的标签信息作为图像与文本之间知识迁移的桥梁，有助于提高图像分类的效果(ZhuY,ChenY,LuZ,PanSJ,XueGR,YuY,YangQ.Heterogeneoustransferlearningforimageclassification.In:BurgardW,RothD,eds.Proc.oftheAAAI.AAAIPress,2011.1304-1309.)。相较而言，迁移学习在水声定位领域的应用有待于进一步的研究。对无环境参数的陌生海域，既没有足够的水声数据，也没有环境模型产生大量拷贝场数据，无法训练出准确的深度神经网络，而迁移学习可以作为学习框架，将已有的知识应用到新的环境中，因此，迁移学习在水声被动定位领域的应用有着较大的研究意义。深度迁移网络通过分享预训练神经网络模型中的一些参数和再训练其它参数，将预训练模型的预测能力迁移应用在新的环境中。本研究充分利用了已知海域的大量水声数据，建立对应的预训练模型，将迁移学习应用在仅有少量水声数据的海域目标测距上。在实际浅海中，往往存在着强度较大的水面干扰声源，比如大型的船舶，对水下目标声源的定位造成了很大的考验。综上所述，对于无环境参数和存在着强度较大的水面干扰声源的陌生海域，一种仅有小样本水声数据且有强干扰的声源距离估计方法是必不可少的。
技术实现思路
要解决的技术问题为了避免现有技术的不足之处，本专利技术提出一种基于迁移学习的小样本垂直阵目标距离估计方法，以声压场复声压为特征，建立迁移学习模型，利用卷积神经网络训练已知海域的大量样本，建立对应的预训练模型，将小样本水声数据再训练模型，对该小样本海域的其它样本进行距离估计。技术方案一种基于迁移学习的小样本垂直阵目标距离估计方法，其特征在于步骤如下：步骤1：对预选海域和探测海域的L个阵元的阵列接收的频域复声压进行范数归一化操作：其中，f表示频率，pl(f)表示第l个水听器接收到的声压，网络输入归一化后复声压的实部和虚部，从中提取得到网络输入特征的维度为L×2F，其中F为频率数，Re表示实部，Im表示虚部；以预选海域得到水声数据作为T1数据集；在探测海域得到小样本水声数据和测试数据分别作为T2和T3数据集；步骤2：建立测距的卷积神经网络的回归模型，包含输入层、3个卷积层，3个池化层、全连接层和输出层；输入层尺寸由输入特征大小决定，各个卷积层后即为一个池化层，3个卷积层中卷积滤波器大小分别为5×5、3×3和3×3，数量分别为128、128和256，池化层大小为2×2，输出层即回归层仅设置一个输出神经元，输出距离值；步骤3：将含有预选海域大量水声数据的T1数据集作为测距的卷积神经网络的回归模型的输入训练集，得到基于卷积神经网络的预训练模型；步骤4：将预训练模型的卷积层和池化层的权重保留，调整全连接层和输出层的权重，再训练由迁移层和调整层组成的网络，设置含有探测海域小样本水声数据的T2数据集为训练集，输入小样本水声数据经再训练，得到迁移学习模型；步骤5：迁移学习模型，输入探测海域测试数据对T3测试集进行距离估计。所述步骤2的优化算法设置为sgdm，初始学习率为0.0001，批训练样本数量为128。有益效果本专利技术提出的一种基于迁移学习的小样本垂直阵目标距离估计方法，卷积神经网络是深度神经网络中的一种，并已大量应用于水声目标的分类和定位中。对于不同领域，传统机器学习将其独立训练模型，无法直接应用在其它环境中。为了充分利用已知海域的大量水声数据，并将其迁移到陌生海域中，实现强干扰下目标声源的距离估计，本专利技术给出了一种基于卷积神经网络的迁移学习模型的声源距离估计方法。以声压场复声压为特征，建立迁移学习模型，利用卷积神经网络训练已知海域的大量样本，建立对应的预训练模型，将小样本水声数据再训练模型，对该小样本海域的其它样本进行距离估计。附图说明图1：迁移学习模型图2：基于迁移学习的小样本垂直阵目标距离估计方法总体流程框图图3：SWellEX-96实验浅海环境参数模型图4：SWellEX-96实验航次地图及数据集分布图(a)S5，(b)S59图5：无强干扰下迁移学习模型距离估计结果图(a)浅源，(b)深源图6：强干扰下迁移学习模型距离估本文档来自技高网...

【技术保护点】
1.一种基于迁移学习的小样本垂直阵目标距离估计方法，其特征在于步骤如下：/n步骤1：对预选海域和探测海域的L个阵元的阵列接收的频域复声压进行范数归一化操作：/n

【技术特征摘要】
1.一种基于迁移学习的小样本垂直阵目标距离估计方法，其特征在于步骤如下：
步骤1：对预选海域和探测海域的L个阵元的阵列接收的频域复声压进行范数归一化操作：



其中，f表示频率，pl(f)表示第l个水听器接收到的声压，网络输入归一化后复声压的实部和虚部，从中提取得到



网络输入特征的维度为L×2F，其中F为频率数，Re表示实部，Im表示虚部；
以预选海域得到水声数据作为T1数据集；在探测海域得到小样本水声数据和测试数据分别作为T2和T3数据集；
步骤2：建立测距的卷积神经网络的回归模型，包含输入层、3个卷积层，3个池化层、全连接层和输出层；
输入层尺寸由输入特征大小决定，各个卷积层后即为一个池化层，3个卷积层中卷积滤波器大小分别为5×5、3×...

【专利技术属性】
技术研发人员：汪勇，姚琦海，杨益新，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西;61