一种基于深度学习的水下目标方位估计方法、介质及系统技术方案

本发明专利技术提供了一种基于深度学习的水下目标方位估计方法、介质及系统，属于水下探测领域，该基于深度学习的水下目标方位估计方法利用卷积神经网络，输入预处理过后的水平线列阵接收信号的协方差矩阵，训练若干个神经网络，将原来的多分类问题转化为在每一个方位上的二分类问题，即对于每一个方位都单独训练一个网络，用来判断这个方位出现目标的概率值。这种基于深度学习的水下目标方位估计方法、介质及系统，属于水下定位领域，能够改善水下目标的DOA估计旁瓣较高，在低信噪比时误差较大，导致方位估计性能下降的问题；也能够改善此前的神经网络类方法需同时对全方位进行训练，造成时间的浪费，实用性也随之降低的问题。实用性也随之降低的问题。实用性也随之降低的问题。

【技术实现步骤摘要】
一种基于深度学习的水下目标方位估计方法、介质及系统


[0001]本专利技术属于水下探测领域，具体而言，涉及一种基于深度学习的水下目标方位估计方法、介质及系统。

技术介绍

[0002]目前常用的目标方位估计（Direction of arrival, DOA）方法有常规波束形成法（Conventional Beamforming, CBF）、最小方差无失真响应法（Minimum Variance Distortionless Response，MVDR）、多重信号分类法（Multiple Signal Classification, MUSIC）等，这些方法在估计水下目标的DOA时，往往不能兼顾较高的分辨能力和较快的处理速度。
[0003]随着深度学习算法的发展和计算机计算能力的提升，深度学习被广泛应用于水声领域，其中就包括水下目标的DOA估计。相关研究人员通常是将DOA问题看作一个多分类问题，只训练一个神经网络，网络的输出对应每一个方位出现目标的概率值，最大概率值对应的方位即为目标的真实方位（Ozanich E. A feedforward neural network for direction
‑
of
‑
arrival estimation[J], Journal of the Acoustical Society of America, 2020, 147(3):2035
‑
2048.）。然而，这种处理方法的旁瓣较高，在低信噪比时误差较大，导致方位估计性能下降；而且需同时对全方位进行训练，造成时间的浪费，实用性也随之降低。

技术实现思路

[0004]有鉴于此，本专利技术提供一种基于深度学习的水下目标方位估计方法、介质及系统，能够改善水下目标的DOA估计旁瓣较高，在低信噪比时误差较大，导致定位性能下降的问题；也能够改善此前的深度学习类方法需同时对全方位进行训练，造成时间的浪费，实用性也随之降低的问题。
[0005]本专利技术是这样实现的：本专利技术第一方面提供一种基于深度学习的水下目标方位估计方法，其中，包含以下步骤：S10：利用卷积神经网络构建水下目标估计数学模型；S20：采集已知方位的水下目标的水声设备的接收信号，对接收信号进行预处理，将预处理后的接收信号以及对应的标签作为训练数据；S30：利用训练数据对水下目标方位估计数学模型进行训练；S40：采集实际水声设备接收信号，对采集的接收信号进行预处理，将预处理之后的接收信号作为神经网络的输入，对输出结果进行概率处理并得到目标的方位。
[0006]其中，所述水声设备为均匀线列阵，所述水声设备接收信号为均匀线列阵接收的远场窄带信号，其中，所述均匀线列阵接收的信号为远场窄带信号，记为：；
式中，是接收信号的幅度，是接收信号的相位，ω是接收信号的角频率，。
[0007]所述远场窄带信号符合以下公式，也就是说在窄带远场信号源的假设下，可以推出下式成立：；其中表示第个声源辐射的信号到阵列产生的时延,表示第个声源辐射信号的角频率，表示声源的个数。
[0008]因此可以得到均匀线列阵第个阵元的接收信号为：；式中，为第个阵元对第个接收信号的增益，表示第个阵元在时刻的噪声，表示第个信号到达第个阵元时相对于参考阵元所产生的时延，表示均匀线列阵阵元的个数。
[0009]进一步的，当所述均匀线列阵是各向同性的且不存在通道不一致时，由于互耦等因素的影响，增益可以忽略，即可以视为。
[0010]将个阵元在特定时刻接收的信号写成列阵形式，表示为：；上式解释如下：；上式中，为维阵列快拍数据向量，为维噪声数据向量，为维向量，为维流形矩阵，且：；其中：；式中，，是声速，是第个声源辐射信号的波长。
[0011]之后利用下式得到协方差矩阵：；其中，所述步骤S20中对所述水声设备接收信号进行的预处理的方法为：得到水声设备接收信号的协方差矩阵，所述协方差矩阵为一个M*M维的矩阵，其中M表示阵元的个数，提取其实部标记为，所述为一个M*M维的矩阵，提取其虚部标记为，也为一个M*M维的矩阵，之后将所述以及所述组合成一个M*M*2维的矩阵，记为。
[0012]然后，对每一个方位训练一个神经网络，其输入是协方差矩阵处理后的矩阵，当有目标存在时其标签为[1,0]，无目标存在时，其标签为[0,1]，所述神经网络的卷积层的大小为[1,1,2]且只包含一个卷积核，无池化层，全连接层的输出为一个1*2维的向量, 第一个值表示这个方位有目标的概率，第二个值表示这个方位无目标的概率。损失函数选取交叉熵损失函数，其数学定义式在被问题中可写为下式：
；其中，分别表示真实的标签和网络的输出向量。
[0013]激活函数采用ReLU函数，其数学定义式如下：；其中，所述步骤“对输出结果进行概率处理并得到目标的方位”中对输出结果进行概率处理的方法为：第k个方位上的网络的输出向量为，对于第k个方位的输出，表示第k个方位出现目标的概率，表示不出现目标的概率，对输出结果中的每个方位建立目标概率向量，并重写为，之后将每一个方位对应的网络的有目标存在时的概率组合起来，并组成一个1*K维的向量为，其值表示每个方位出现目标的概率，通过每个方位出现目标概率值的大小确定在这个方位是否出现目标。
[0014]其中，若概率值大于0.6则表明该方位出现目标，也可根据经验判断概率值与出现目标情况之间的关系。
[0015]本专利技术第二方面提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有程序代码，用于执行上述的一种基于深度学习的水下目标方位估计方法。
[0016]本专利技术第三方面提供一种基于深度学习的水下目标方位估计系统，其中，包含上述的一种计算机可读存储介质。
[0017]与现有技术相比较，本专利技术提供的一种基于深度学习的水下目标方位估计方法、介质及系统的有益效果是：利用卷积神经网络，输入预处理过后的水平线列阵接收信号的协方差矩阵，训练若干个神经网络，将原来的多分类问题转化为在每一个方位上的二分类问题，对于每一个方位都单独训练一个网络，用来判断这个方位出现目标的概率值，增强了结果的准确性，能够改善水下目标的DOA估计旁瓣较高，在低信噪比时误差较大，导致估计性能下降的问题；将原来的多分类问题视为在每一个方向上的二分类问题，使得其将一个复杂的问题视为很多个简单的问题，同时由于它是在每一个方位上都有一个神经网络，能够改善此前的深度学习类方法需同时对全方位进行训练，造成时间的浪费，实用性也随之降低的问题。
附图说明
[0018]为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0019]图1为一种基于深度学习的水下目标方位估计方法步骤图；图2为均匀线列阵对窄带远场信号的接收示意图；图3为本专利技术使用的卷积神经本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的水下目标方位估计方法，其特征在于，包含以下步骤：S10：利用卷积神经网络构建水下目标估计数学模型；S20：采集已知方位的水下目标的水声设备的接收信号，对接收信号进行预处理，将预处理后的接收信号以及对应的标签作为训练数据；S30：利用训练数据对水下目标方位估计数学模型进行训练；S40：采集实际水声设备接收信号，对采集的接收信号进行预处理，将预处理之后的接收信号作为神经网络的输入，对输出结果进行概率处理并得到目标的方位。2.根据权利要求1所述的一种基于深度学习的水下目标方位估计方法，所述水声设备为均匀线列阵，其中，所述均匀线列阵接收的信号为远场窄带信号，记为：；式中，是均匀线列阵对远场窄带信号，是接收信号幅度，指的是某一时刻，是接收信号的相位，ω是接收信号的角频率，；所述远场窄带信号符合以下公式：；其中表示第个声源辐射的信号到阵列产生的时延，表示第个声源的角频率，表示声源的个数，因此可以得到第个阵元的接收信号为：；式中，为第个阵元的接收信号，为第个阵元对第个接收信号的增益，表示第个阵元在时刻的噪声，表示第个信号到达第个阵元时相对于参考阵元所产生的时延，表示均匀线列阵阵元的个数。3.根据权利要求2所述的一种基于深度学习的水下目标方位估计方法，其特征在于，当所述均匀线列阵是各向同性的且不存在通道不一致时，将个阵元接收的信号写成列阵形式，表示为：；上式解释如下：；上式中，为维阵列快拍数据向量，为维噪声数据向量，为维向量，为维流形矩阵，且：；其中：；式中，，是声速，是第个声源辐射信号的波长；之后利用下式得到协方差矩阵：。4.根据权利要求3所述的一种基于深度学习的水下目标方位估计方法，其特征在于，所述步骤“对接收信号进行预处理”的预处理方法为：得到所述水声设备接收信号的协方差矩
阵，所述协方差矩阵为一个M*M维的矩阵，其中M表示阵元的个...

【专利技术属性】
技术研发人员：孙超，岳博朗，雷波，
申请(专利权)人：西北工业大学青岛研究院，
类型：发明
国别省市：