一种基于深度卷积神经回归网络的常规波束形成学习方法技术

本发明专利技术公开了一种基于深度卷积神经回归网络的常规波束形成学习方法，包括：步骤1，获取数据集，包括若干数据对，任一数据对包括阵元域频域数据和对应的空间能量谱；步骤2，对阵元域频域数据进行特征预提取，得到阵元域频域特征，构建样本集；步骤3，构建以阵元域频域特征为输入、对应的空间能量谱为目标输出的深度卷积神经网络模型；步骤4，基于样本集对深度卷积神经网络模型进行训练；步骤5，将未知阵元域频域数据进行特征预提取后，输入至训练后的深度卷积神经网络模型中，输出预测的空间能量谱。本发明专利技术所提方法和模型是一种独立于当前阵列信号处理方法之外的常规波束形成框架，具有自主学习进化、高效并行计算等特点。高效并行计算等特点。高效并行计算等特点。

【技术实现步骤摘要】
一种基于深度卷积神经回归网络的常规波束形成学习方法


[0001]本专利技术属于水声信号检测技术以及人工智能
，具体涉及一种基于深度卷积神经回归网络的常规波束形成学习方法。

技术介绍

[0002]波束形成是声纳阵列信号处理的主要组成部分，常规波束形成器(CBF)具有宽容性好，计算量小等优点，是目前声纳信号检测中应用最为广泛的一种波束形成技术。
[0003]近年来，以深度学习为代表的人工智能和神经网络技术迅猛发展，深度学习通过叠加应用若干数量隐藏计算层，能够实现层次化特征提取和复杂非线性关系拟合，因此亟待一种通过深度学习进行声纳阵列信号处理的方法。

技术实现思路

[0004]本专利技术的目的在于提供一种基于深度卷积神经回归网络的常规波束形成学习方法，通过学习阵元域频域数据与常规波束形成结果之间的映射关系，使该网络模型具备常规波束形成能力。
[0005]为实现上述目的，本专利技术提供技术方案如下：
[0006]一种基于深度卷积神经回归网络的常规波束形成学习方法，包括以下步骤：
[0007]步骤1，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度卷积神经回归网络的常规波束形成学习方法，其特征在于，包括以下步骤：步骤1，获取数据集，包括若干数据对，任一数据对包括阵元域频域数据和对应的空间能量谱；步骤2，对阵元域频域数据进行特征预提取，得到阵元域频域特征，构建样本集；步骤3，构建以阵元域频域特征为输入、对应的空间能量谱为目标输出的深度卷积神经网络模型；步骤4，基于样本集对深度卷积神经网络模型进行训练；步骤5，将未知阵元域频域数据进行特征预提取后，输入至训练后的深度卷积神经网络模型中，输出预测的空间能量谱。2.如权利要求1所述的一种基于深度卷积神经回归网络的常规波束形成学习方法，其特征在于，所述步骤1包括以下步骤：步骤1.1，构建被动宽带警戒检测模型，其输入参数包括声纳基阵参数、目标参数和背景噪声参数，目标参数包括目标数量、目标信噪比及目标方位，输出为二维的阵元域频域数据和一维的空间能量谱；步骤1.2，根据声纳基阵实际参数要求设定声纳基阵参数，按使用需求设置目标数量与信噪比范围以及背景噪声参数；步骤1.3，根据设定的目标数量与信噪比范围随机设定目标数量和相应信噪比，同时随机设定目标相应方位，通过被动宽带警戒模型生成随机目标数量、方位和信噪比的阵元域频域数据及对应的空间能量谱；步骤1.4，重复步骤1.3，得到数据集。3.如权利要求1所述的一种基于深度卷积神经回归网络的常规波束形成学习方法，其特征在于，所述步骤2包括以下步骤：步骤2.1，对阵元域频域数据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2.2，各二维矩阵在同一维度分别扩展1维得到三维矩阵x
f，real_M...

【专利技术属性】
技术研发人员：陈越超，杜栓平，尚金涛，罗兆瑞，王庆，陈孝森，
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：