基于孪生网络的半监督学习水下声源定位方法技术

本申请提出了一种基于孪生网络的半监督学习水下声源定位方法，该方法包括：获取水下声源的标注数据集和未标注数据集，并基于标注数据集生成样本对数据集；通过样本对数据集训练孪生网络，并基于训练完成的孪生网络对未标注数据集中的每个未标注样本生成伪标签；通过预设的置信度准则判断每个伪标签的可靠性，将满足置信度准则的样本数据从未标注数据集中转移至标注数据集中；通过扩充完成的标注数据集训练声源定位神经网络，并通过训练完成的声源定位神经网络对水下声源进行定位。该方法可以仅利用少量的标注数据实现对水下声源的精准定位，提高水下声源定位的精确性和便利性。提高水下声源定位的精确性和便利性。提高水下声源定位的精确性和便利性。

【技术实现步骤摘要】
基于孪生网络的半监督学习水下声源定位方法


[0001]本申请涉及目标定位
，尤其涉及一种基于孪生网络的半监督学习水下声源定位方法。

技术介绍

[0002]随着对海洋的探索和开发变得日益频繁，水下目标定位技术在海底光缆线路铺设、大范围海洋空间及环境数据获取和海洋资源勘探与开发等领域的需求越来越高。其中，电磁波技术的发展应用为空域目标定位提供了有力的技术工具，然而，受到海洋复杂环境的影响，电磁波在海水中的衰减非常严重，传播距离非常有限。而声波是目前已知的唯一一种能够在海水中远距离传播的信号，因此，利用声学信号进行水下目标定位是实现水下目标定位的主流方式。
[0003]相关技术中，在利用声学信号进行水下目标定位，即对水下声源进行定位时，匹配场处理（MFP，Matched Filed Processing)及其衍生方法是水下声源定位中最常使用的方法。MFP通过生成声源可能位置的拷贝向量与接收向量对比，从而确定目标的位置。但是，这种方法需要准确的海洋环境信息建立声传播模型，当海洋环境发生变化，该方法的定位效果将急剧下降，且建立模型也需要大量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于孪生网络的半监督学习水下声源定位方法，其特征在于，包括以下步骤：获取水下声源的标注数据集和未标注数据集，并基于所述标注数据集生成样本对数据集；通过所述样本对数据集训练孪生网络，并基于训练完成的孪生网络对所述未标注数据集中的每个未标注样本生成伪标签；通过预设的置信度准则判断每个所述伪标签的可靠性，将满足所述置信度准则的样本数据从所述未标注数据集中转移至所述标注数据集中；通过扩充完成的标注数据集训练声源定位神经网络，并通过训练完成的声源定位神经网络对所述水下声源进行定位。2.根据权利要求1所述的方法，其特征在于，所述基于所述标注数据集生成样本对数据集，包括：从所述标注数据集中选取两个标注样本组成样本对，获取所述两个标注样本各自的标签；计算所述两个标注样本的标签的差值的绝对值，并将所述绝对值与划分阈值进行比较，确定所述样本对的相似性判别结果；将所述样本对和所述相似性判别结果组合后添加至初始样本对数据集中，并重新选取标注样本进行重复更新初始样本对数据集的操作，直至遍历完成所述标注数据集；复制更新完成的初始样本对数据集中的相似样本对，将相似样本对的数量与不相似样本对的数量调节至匹配，以生成所述样本对数据集。3.根据权利要求1所述的方法，其特征在于，所述孪生网络,包括：第一特征生成网络、第二特征生成网络、特征融合网络和全连接网络，其中，所述第一特征生成网络，用于将第一输入数据投影至特征空间，生成第一特征向量，所述第二特征生成网络，用于将第二输入数据投影至特征空间，生成第二特征向量；所述特征融合网络，用于融合所述第一特征向量和所述第二特征向量；所述全连接网络，用于根据融合后的特征向量输出所述第一输入数据和所述第二输入数据的相似性。4.根据权利要求2所述的方法，其特征在于，所述基于训练完成的孪生网络对所述未标注数据集中的每个未标注样本生成伪标签，包括：对于所述未标注数据集中的任一未标注样本，通过训练完成的孪生网络计算所述标注数据集中的每个标注样本与所述任一未标注样本的相似性；从所述标注数据集中选取相似性最高的预设数量个标注样本，计算所述预设数量个标注样本的标签的平均值，将所述平均值作为所述任一未标注样本的伪标签。5.根据权利要求4所述的方法，其特征在于，所述通过预设的置信度准则判断每个所述伪标签的可靠性，包括：判断所述预设数量个标注样本中的...

【专利技术属性】
技术研发人员：徐立军，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：