一种基于多尺度深度卷积神经回归网络的被动高分辨处理方法技术

本发明专利技术公开了一种基于多尺度深度卷积神经回归网络的被动高分辨处理方法，包括：步骤1，构建训练样本集，所述训练样本集中任一训练样本包括三维阵元域频域数据x

【技术实现步骤摘要】
一种基于多尺度深度卷积神经回归网络的被动高分辨处理方法


[0001]本专利技术属于水声信号检测技术以及人工智能
，具体涉及一种基于多尺度深度卷积神经回归网络的被动高分辨处理方法。

技术介绍

[0002]信号检测是声纳信号处理的重要功能之一，而提高空间分辨能力则是信号检测技术发展的重要目标。虽然增大阵列孔径能够提高其空间分辨性能，但在多数情况下，增大阵列孔径是不现实的，因此许多高分辨空间谱估计算法发展和兴起，随着多种现代信号处理理论和技术的应用，当前被动检测分辨能力逐步提高，然而传统的检测体制并没有突破，不具备自主学习和进化能力，在多目标、强干扰等复杂环境下的性能还有很大提升空间。
[0003]近年来，深度学习技术快速发展，目前已经在计算机视觉、语音信号处理等领域得到了广泛应用。本专利技术将深度学习用于被动高分辨处理，在构造标准化高分辨增强学习样本的基础上，提出了一种多尺度深度卷积神经回归网络建模、训练与应用方法，利用深层网络的复杂非线性关系拟合能力实现阵元域频域数据处理，有助于提升被动目标检测的空间分辨能力。<br/>
技术实现思路
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度深度卷积神经回归网络的被动高分辨处理方法，其特征在于，所述方法包括以下步骤：步骤1，构建训练样本集，所述训练样本集中任一训练样本包括三维阵元域频域数据x
sample
和对应的真实高分辨空间能量谱标签y
lable
；步骤2，基于训练样本构建多尺度深度卷积神经回归网络模型；步骤3，构建关于多尺度深度卷积神经回归网络模型的加权增强损失函数；步骤4，基于训练样本集和加权增强损失函数训练多尺度深度卷积神经回归网络模型；步骤5，将新的三维阵元域频域数据作为输入，通过训练后的多尺度深度卷积神经回归网络模型得到预测的高分辨空间能量谱。2.如权利要求1所述的一种基于多尺度深度卷积神经回归网络的被动高分辨处理方法，其特征在于，任一所述训练样本的构建包括以下步骤：步骤1.1，设定被动宽带警戒检测模型输入参数的范围，所述输入参数包括目标参数，目标参数包括目标数量、目标信噪比及目标方位；步骤1.2，设定输入参数的参数值，并通过被动宽带警戒检测模型生成二维阵元域频域数据x
f
及对应的一维空间能量谱y；步骤1.3，对二维阵元域频域数据x
f
进行三维扩展拼接处理，得到三维阵元域频域数据x
sample
；步骤1.4，对一维空间能量谱y进行高分辨增强处理，得到真实高分辨空间能量谱标签y
lable
。3.如权利要求2所述的一种基于多尺度深度卷积神经回归网络的被动高分辨处理方法，其特征在于，所述步骤1.3包括以下步骤：步骤1.3.1，对二维阵元域频域数据x
f
求实部、虚部及求模，分别得到三个二维矩阵x
f，real
、x
f，imag
、x
f，mod
；步骤1.3.2，各二维矩阵分别扩展1维得到三维矩阵x
f，real_M
、x
f，imag_M
、x
f，mod_M
，并在扩展维度上进行拼接操作，得到三维阵元域频域数据x
sample
。4.如权利要求2所述的一种基于多尺度深度卷积神经回归网络的被动高分辨处理方法，其特征在于，所述步骤1.4包括以下步骤：步骤1.4.1，从一维空间能量谱y中按波束号依次取出滑动窗口长度的序列y
sub
；步骤1.4.2，基于序列y
sub
中最小的m个值计算中值并作为该波束的背景，得到背景序列y
back
；步骤1.4.3，生成与一维空间能量谱的长度length(y)相同的零值序列y
target
，按目标方位对应的波束号序列N
target
对零值序列赋值为对应的空间能量谱，...

【专利技术属性】
技术研发人员：陈越超，杜栓平，王庆，陈孝森，罗兆瑞，王青翠，
申请(专利权)人：中国船舶重工集团公司第七一五研究所，
类型：发明
国别省市：