一种基于单层大卷积核神经网络的水下多声源定位方法技术

本发明专利技术公开了一种基于单层大卷积核神经网络的水下多声源定位方法：使用Kraken工具箱进行海洋环境的声学建模，将模拟出的一定带宽范围内不同频率声压的波形数据进行叠加得到时域上的水听器接收波形；对水听器接收波形数据加入随机高斯白噪声得到不同信噪比的模拟波形，将得到的波形数据进行训练集、验证集和测试集的划分；利用训练集对单层大卷积核神经网络进行训练，训练单层大卷积核神经网络直至其误差函数不再下降为止，网络参数更新也随之停止；利用单层大卷积核神经网络对测试集进行预测，从而完成对不同的声源深度和距离的预测。本发明专利技术在实际的海洋声源被动定位有较好的应用价值。应用价值。应用价值。

【技术实现步骤摘要】
一种基于单层大卷积核神经网络的水下多声源定位方法


[0001]本专利技术涉及一种水下声源定位方法，更具体的说，是涉及一种基于单层大卷积核神经网络的水下多声源定位方法。

技术介绍

[0002]水下动态声源的定位技术在国家海洋安全方面占据了越发重要的地位。随着大数据环境兴起，多声源定位开始成为研究热点。传统的匹配场定位技术依靠海洋先验声场的范围搜索方法，在上世纪七八十年代实际水域中实现了声源被动定位。用匹配场方法进行多声源定位，定位失准以及定位效率低使其逐渐暴露了缺点。
[0003]由于近些年机器学习理论和技术的迅猛发展，一些基于机器学习的水下声源被动定位方法陆续出现。在深度学习领域，大多工作都在较深的卷积网络堆叠下实现了多声源定位，但这些工作并未考虑深度堆叠对定位精度的影响，过深的网络堆叠不利于波形的特征提取，且同时定位的声源数目较少，定位效率普遍较低。此外，部分定位方法将信号输入卷积神经网络之前还需经过繁杂的信号特征手工提取过程。

技术实现思路

[0004]本专利技术的目的是为了克服现有的水下声源定位技术的不足，提出了一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于单层大卷积核神经网络的水下多声源定位方法，其特征在于，包括以下步骤：(1)使用Kraken工具箱进行海洋环境的声学建模，将模拟出的一定带宽范围内不同频率声压的波形数据进行叠加得到时域上的水听器接收波形；(2)对水听器接收波形数据加入随机高斯白噪声得到不同信噪比的模拟波形，将得到的波形数据进行训练集、验证集和测试集的划分；(3)利用训练集对单层大卷积核神经网络进行训练，训练单层大卷积核神经网络直至其误差函数不再下降为止，网络参数更新也随之停止；(4)利用单层大卷积核神经网络对测试集进行预测，从而完成对不同的声源深度和距离的预测。2.根据权利要求1所述的基于单层大卷积核神经网络的水下多声源定位方法，其特征在于，步骤(1)中将实际声速剖面数据用于海洋环境的声学建模中；水听器接收阵由R个水听器组成，声源阵在一定海深范围内布设，定位时同时对声源阵的S个声源进行定位；海洋环境由四个空间组成，由上至下依次为海水层、沉积层、泥岩层、海底半空间；水听器接收波形公式如下：其中，t为时间，f(
·
)为频率，p
s
(
·
)为频率点复声压，S为同时定位的声源数量，M为频率点总数，m为频率点的序号，s为声源的序号，i为虚数单位。3.根据权利要求1所述的基于单层大卷积核神经网络的水下多声源定位方法，其特征在于，步骤(2)中对水听器接收波形加入高斯白噪声后，得到的模拟波形为：W(t)＝w(t)+n(t)其中n(t)为噪声序列，公式如下：其中，L为信号长度，N(t)为满足高斯分布的处于0～1的随机序列，SNR为信噪比。4.根据权利要求1所述的基于单层大卷积核神经网络的水下多声源定位方法，其特征在于，步骤(3)中所述的单层大卷积核神经网络除了卷积层和全连接层，两者中间还设置有批标准归一化层、激活层、全局平均池化层；单层大卷积核神经网络输入矩阵长度为L，即信号长度，卷积核个数为E，输入矩阵宽度为2R，最终输出2S个节点；经过卷积层后的特征图长度公式如下：其中，Ks为卷积核大小，P为卷积填充大小，stride为卷积步长；卷积层的一维卷积操作遵循以下公式：
其中，fe
g+r,q
和fe
g
分别表示卷积前后的特征点，W
r,q
为卷积核的权重点，r和q分别为卷积范围内的横纵坐标，g为卷积核以步长stri...

【专利技术属性】
技术研发人员：李醒飞，郑宇鸿，徐佳毅，文艺成，李洪宇，
申请(专利权)人：天津大学，
类型：发明
国别省市：