本申请提出了一种基于注意力机制和多尺度融合的水下声源测距方法和装置，涉及水下通信技术领域，其中，该方法包括：利用信号处理技术对接收的水下信号进行预处理，得到接收信号对应的样本协方差矩阵；将样本协方差矩阵输入水下声源测距网络中进行特征提取，并将输出结果作为预测距离，其中，水下声源测距网络以残差网络为主干网络，水下声源测距网络包括自适应特征融合模块和至少一个特征子空间通道注意力模块。采用上述方案的本申请实现了水下声源的精确测距。源的精确测距。源的精确测距。
【技术实现步骤摘要】
基于注意力机制和多尺度融合的水下声源测距方法和装置
[0001]本申请涉及水下通信
，尤其涉及基于注意力机制和多尺度融合的水下声源测距方法和装置。
技术介绍
[0002]海洋是实现可持续发展的重要空间和资源保障。基于声波的水下声源测距是环境感知、海洋监测、情报收集等海洋应用领域的重要手段，是提升应对海洋突发事件能力、加强战略战术的基础性技术之一。水下声源测距本质上是一个特征工程问题，包括特征提取和位置预测两部分。因此，设计高效的特征提取模块，可以实现水下声源的精确测距。
[0003]水下声源测距分为两类，一类是模型驱动方法，通过手动设计特征来预测目标位置，这些特征与声波传播的物理特性密切相关。此类方法的典型代表是匹配场处理方法（MFP）。该方法基于海洋环境参数，利用声传播模型模拟限定范围内的声场，然后将模拟声场与真实声场进行匹配，估计声源距离。模型驱动方法存在以下问题：手动设计的特征不能真实全面的反应深海的实际情况，在实际应用中受到限制，如果特征设计出现错误，则会直接导致测距性能的降低。因此，基于数据驱动的水下声源测距方法，即深度神经网络（DNN），通过数据分析和解释来学习特征模式，是一种有效的替代方法。
[0004]近年来，DNN在海洋工程中得到了广泛应用，比如水下目标探测，到达方向估计，海床分类等。DNN通过多个非线性层，在给定输入声学数据的情况下，学习与声源位置相关的特征。与模型驱动方法相比，DNN具有更强的特征表示能力，在水下声源测距中取得了最先进的性能。作为一种数据驱动的方法，DNN的性能在很大程度上取决于训练数据的数量和质量。然而，对于海洋工程，实际数据的获取相当困难，涉及预算、实验耗时、规章制度和保密性。训练数据的稀缺性导致模型过拟合，泛化能力差，预测精度低。
技术实现思路
[0005]本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
[0006]为此，本申请的第一个目的在于提出一种基于注意力机制和多尺度融合的水下声源测距方法，解决了现有方法预测精度低、应用困难的技术问题，实现了水下声源的精确测距。
[0007]本申请的第二个目的在于提出一种基于注意力机制和多尺度融合的水下声源测距装置。
[0008]为达上述目的，本申请第一方面实施例提出了一种基于注意力机制和多尺度融合的水下声源测距方法，包括：利用信号处理技术对接收的水下信号进行预处理，得到接收信号对应的样本协方差矩阵；将样本协方差矩阵输入水下声源测距网络中进行特征提取，并将输出结果作为预测距离，其中，水下声源测距网络以残差网络为主干网络，水下声源测距网络包括自适应特征融合模块和至少一个特征子空间通道注意力模块。
[0009]本申请实施例的基于注意力机制和多尺度融合的水下声源测距方法，利用信号处
理技术预处理接收信号，所得样本协方差矩阵可以有效表示信号频率和接收阵列之间的关系。之后对传统的注意力机制和多尺度融合模块进行改进，并将其添加到传统的DNN中，得到基于注意力机制和多尺度融合的水下声源测距网络，最后将得到的样本协方差矩阵输入水下声源测距网络，输出预测距离，本申请针对水声测距任务的特殊性进行针对性的模型改进，使得模型的训练数据需求大幅降低，且有效提高预测精度。
[0010]可选地，在本申请的一个实施例中，利用信号处理技术对接收的水下信号进行预处理，得到接收信号对应的样本协方差矩阵，包括：对接收的水下信号进行归一化，并根据归一化的信号计算得到初始样本协方差矩阵；将初始样本协方差矩阵的实部和虚部分离，并将分离后的不同频率的样本协方差矩阵沿第一维度进行堆叠，得到样本协方差矩阵；其中，初始样本协方差矩阵表示为：其中，表示形状为的样本协方差矩阵，表示接收阵列阵元数量，表示归一化后的信号，表示复共轭转置。
[0011]可选地，在本申请的一个实施例中，水下声源测距网络还包括至少一个池化层和至少一个全连接层，残差网络为多层网络，每层由至少一个残差块组成，残差网络中除最后一层的其它层为中间层，每个中间层对应一个特征子空间通道注意力模块，残差网络每层对应一个池化层和一个全连接层，将样本协方差矩阵输入水下声源测距网络中进行特征提取，包括：将样本协方差矩阵输入残差网络中，依次通过每层网络，获得每个中间层的输出数据，并获得最后一层的输出结果作为残差网络的最终输出结果；将最终输出结果通过对应的池化层和全连接层，得到初始预测结果；将每个中间层的输出数据分别通过对应的特征子空间通道注意力模块，得到每个中间层对应的特征图，将所有的特征图输入自适应特征融合模块，得到每个中间层对应的集成特征，并将每个中间层对应的集成特征分别通过对应的池化层和全连接层，得到所有中间层的预测结果；将初始预测结果和所有中间层的预测结果相加并进行平均，得到最终预测结果。
[0012]可选地，在本申请的一个实施例中，特征子空间通道注意力模块包括特征子空间模块和至少一个压缩激励注意力模块，压缩激励注意力模块包括压缩模块和激励模块，将中间层的输出数据输入到特征子空间通道注意力模块，包括：使用特征子空间模块沿通道维度对输出数据进行划分，得到至少一组特征图，其中，每组特征图对应一个压缩激励注意力模块；将每组特征图输入对应的压缩激励注意力模块，通过对应的压缩模块使用全局平均池化将特征小组的通道上的整个空间特征编码为全局特征，通过对应的激励模块根据全局特征获得每个通道的权重，并将每个通道的权重乘以对应组的特征图，得到更新后的每组特征图；
将更新后的每组特征图沿通道维度进行拼接，得到对应的特征图。
[0013]可选地，在本申请的一个实施例中，全局特征表示为：其中，表示全局特征，表示当前处理的一组特征图；每个通道的权重表示为：其中，表示每个通道的权重，表示全局特征，和分别表示ReLU激活函数和sigmoid激活函数，表示卷积层，包括和，用于压缩通道特征，用于还原通道维度；更新后的每组特征图表示为：其中，表示当前处理的一组特征图，表示每个通道的权重；特征图表示为：其中，表示更新后的第组特征图，concat表示通道维度的拼接操作。
[0014]可选地，在本申请的一个实施例中，将所有的特征图输入自适应特征融合模块，得到每个中间层对应的集成特征，包括：选定所有特征图的图片大小的中间值为标准值，通过插值和最大池化按照标准值调整所有特征图的大小，并对调整后的特征图进行融合得到初始融合特征；将初始融合特征通过卷积和softmax函数获得空间自适应权重，并将空间自适应权重在通道维度进行拆分，使其与调整后的特征图依次对应，得到拆分权重；将调整后的特征图和对应的拆分权重对应相乘后相加，得到更新后的融合特征；按照FPN的结构，将更新后的融合特征按照每个特征图的图片大小进行缩放和扩大，并通过跳跃连接使每个特征图与对应的调整的更新后的融合特征相加，得到每个中间层对应的特征图的集成特征。
[0015]可选地，在本申请的一个实施例中，调整后的特征图表示为：其中，、、表示所有的特征图；初始融合特征表示为：其中，表示初始融合特征；拆分权重表示为：...
【技术保护点】
【技术特征摘要】
1.一种基于注意力机制和多尺度融合的水下声源测距方法，其特征在于，包括以下步骤：利用信号处理技术对接收的水下信号进行预处理，得到接收信号对应的样本协方差矩阵；将所述样本协方差矩阵输入水下声源测距网络中进行特征提取，并将输出结果作为预测距离，其中，所述水下声源测距网络以残差网络为主干网络，所述水下声源测距网络包括自适应特征融合模块和至少一个特征子空间通道注意力模块。2.如权利要求1所述的基于注意力机制和多尺度融合的水下声源测距方法，其特征在于，所述利用信号处理技术对接收的水下信号进行预处理，得到接收信号对应的样本协方差矩阵，包括：对接收的水下信号进行归一化，并根据归一化的信号计算得到初始样本协方差矩阵；将所述初始样本协方差矩阵的实部和虚部分离，并将分离后的不同频率的样本协方差矩阵沿第一维度进行堆叠，得到所述样本协方差矩阵；其中，所述初始样本协方差矩阵表示为：其中，表示形状为的样本协方差矩阵，表示接收阵列阵元数量，表示归一化后的信号，表示复共轭转置。3.如权利要求1所述的基于注意力机制和多尺度融合的水下声源测距方法，其特征在于，所述水下声源测距网络还包括至少一个池化层和至少一个全连接层，所述残差网络为多层网络，每层由至少一个残差块组成，所述残差网络中除最后一层的其它层为中间层，每个中间层对应一个特征子空间通道注意力模块，所述残差网络每层对应一个池化层和一个全连接层，所述将所述样本协方差矩阵输入水下声源测距网络中进行特征提取，包括：将所述样本协方差矩阵输入所述残差网络中，依次通过每层网络，获得每个中间层的输出数据，并获得最后一层的输出结果作为所述残差网络的最终输出结果；将所述最终输出结果通过对应的池化层和全连接层，得到初始预测结果；将所述每个中间层的输出数据分别通过对应的特征子空间通道注意力模块，得到每个中间层对应的特征图，将所有的特征图输入所述自适应特征融合模块，得到每个中间层对应的集成特征，并将所述每个中间层对应的集成特征分别通过对应的池化层和全连接层，得到所有中间层的预测结果；将所述初始预测结果和所述所有中间层的预测结果相加并进行平均，得到最终预测结果。4.如权利要求3所述的基于注意力机制和多尺度融合的水下声源测距方法，其特征在于，所述特征子空间通道注意力模块包括特征子空间模块和至少一个压缩激励注意力模块，所述压缩激励注意力模块包括压缩模块和激励模块，将所述中间层的输出数据输入到所述特征子空间通道注意力模块，包括：使用所述特征子空间模块沿通道维度对所述输出数据进行划分，得到至少一组特征图，其中，每组特征图对应一个压缩激励注意力模块；
将每组特征图输入对应的压缩激励注意力模块，通过对应的压缩模块使用全局平均池化将特征小组的通道上的整个空间特征编码为全局特征，通过对应的激励模块根据所述全局特征获得每个通道的权重，并将每个通道的权重乘以对应组的特征图，得到更新后的每组特征图；将所述更新后的每组特征图沿通道维度进行拼接，得到对应的特征图。5.如权利要求4所述的基于注意力机制和多尺度融合的水下声源测距方法，其特征在于，所述全局特征表示为：其中，表示全局特征，表示当前处理的一组特征图；所述每个通道的权重表示为：其中，表示每个通道的权重，表示全局特征，和分别表示ReLU激活函数和sigmoid激活函数，表示卷积层，包括和，用于压缩通道特征，用于还原通道维度；所述更新后的每组特征图表示为：其中，表示当前处理的一组特征图，表示每个通道的权重；所述特征图表示为：...
【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：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。