基于自组织竞争型神经网络的水声被动定位方法及装置制造方法及图纸

本发明专利技术涉及基于自组织竞争型神经网络的水声被动定位方法，包括以下：获取定位区域的相关参数；确定所述相关参数的输入方式，之后采用线性归一化的方法处理所述相关参数以构造神经元；基于构造的神经元矢量生成初始的神经元扰动群组；将初始的神经元扰动群组作为训练数据集，通过

【技术实现步骤摘要】
基于自组织竞争型神经网络的水声被动定位方法及装置


[0001]本专利技术涉及水下目标定位
，尤其涉及基于自组织竞争型神经网络的水声被动定位方法及装置
。

技术介绍

[0002]由于电磁波在水中衰减迅速，不到百米能量就衰减殆尽，而声能量是唯一能在水中远距离传播的能量形式，因此水下的目标定位主要采用声学方法，通过对接收端的声信号进行处理，提取出目标的位置
。
水声定位是水声学的经典应用问题，相关技术的开发和研究一直是水声学技术发展优先解决的问题
。
由于探测潜艇等重大需求的牵引，远程被动定位方法在水下目标定位中方法开发中占据了重要的地位
。
[0003]远程被动定位方法最初始的方法是波束形成
。
通过对垂直阵列等多种类型的水听器阵列进行信号处理的办法，使声信号形成带有指向性特征的波束，通过类似光波束照射的方法在水下确定目标的距离和角度，从而确定其位置
。
这种方法由于没有考虑海洋环境对于声传播的影响，因此常常会因为海洋环境的空间和时间变化而性能急剧退化，结果的可靠性较低
。
[0004]进入
90
年代，匹配场处理技术成为了水下远程被动定位方法的主流
。
通过将实测声场和仿真声场进行匹配，最终获得声源最可能的位置，匹配场定位由于考虑了海洋环境的影响，使定位的性能得到了极大的提升
。
但是匹配场技术也存在环境失配
、
结果不唯一
、
参数耦合等问题，这些都会导致定位结果产生极大的误差
。
[0005]近年来，随着机器学习方法的发展，一些基于机器学习，尤其是深度学习的水下被动定位方法出现
。
各类方法的出现体现了机器学习方法，尤其是深度学习方法在这个领域的应用潜力，不同的方法具备不同的特征，由于输入参数
、
数据预处理办法
、
机器学习算法的不同，各类方法的性能和应用场景也不同，可以满足不同场景的应用需要
。
[0006]现有的利用机器学习的方法进行水声被动定位有利用多层的深度卷积神经网络
、
集合卷积网络
、
多层残差卷积神经网络等多种机器学习算法进行水下定位的案例，这些方法由于水听器阵列设置
、
环境信息需求
、
计算量的区别，形成了多种特点不同的方法，但是总体上所存在的缺点在于：
[0007](1)
方法需要较为严格的数据预处理，即对输入参量的特点和组成有较严格的规定；
[0008](2)
基本都采用了复杂的多层神经网络结构，虽然这样有利于发掘声场特征量与目标位置的复杂关系，但是也增加了计算量和方法的复杂性
。

技术实现思路

[0009]本专利技术的目的是为了至少解决现有技术的不足之一，提供基于自组织竞争型神经网络的水声被动定位方法及装置
。
[0010]为了实现上述目的，本专利技术采用以下的技术方案：
[0011]具体的，提出基于自组织竞争型神经网络的水声被动定位方法，包括以下：
[0012]获取定位区域的相关参数，所述相关参数包括海深
、
水听器深度
、
声速剖面
、
海底声学参数
、
水听器阵列声特征量
、
声源位置参数，
[0013]当定位区域不存在声速剖面数据时，采用
WOA18
温盐数据集，提取水听器处的年平均温度和盐度剖面，再利用
Del Grosso
声速经验公式转化为声速剖面值以作为声速剖面数据，
[0014]当目标定位区域不存在海底声学参数时，采用典型的液态半无限海底参数值作为海底声学参数；
[0015]确定所述相关参数的输入方式，之后采用线性归一化的方法处理所述相关参数以构造神经元；
[0016]基于构造的神经元矢量生成初始的神经元扰动群组；
[0017]将初始的神经元扰动群组作为训练数据集，通过
SOM
算法进行训练，将初始的神经元扰动群组推广化，在神经元拓扑结构上生成包含未知声源位置参数的神经元；
[0018]获取目标定位应用时实测的海深
、
水听器深度以及水听器阵列声特征量，并以此作为必选参数，基于所述必选参数以与构造神经元相同的参数的输入方式构造残缺神经元，所述残缺神经元不包括声源位置参数；
[0019]将残缺神经元与神经元拓扑结构上的每一个神经元进行依次比较，并找寻出神经元拓扑结构上与所述残缺神经元最匹配的神经元；
[0020]以最匹配的所述神经元所对应的声源位置参数作为定位结果
。
[0021]进一步，所述方法还包括，
[0022]在构造残缺神经元矢量时，
[0023]若目标定位应用时不存在声速剖面数据，则声速剖面数据不参与构造残缺神经元矢量，若目标定位应用时存在声速剖面数据，则声速剖面数据参与构造残缺神经元矢量；
[0024]若目标定位应用时不存在海底声学参数，则海底声学参数不参与构造残缺神经元矢量，若目标定位应用时存在海底声学参数，则海底声学参数参与构造残缺神经元矢量
。
[0025]进一步，具体的，基于构造的神经元矢量生成初始的神经元扰动群组，包括，
[0026]固定构造所述神经元的相关参数中除水听器阵列声特征量
、
声源位置以外的所有参数的值；
[0027]将所述定位区域进行网格划分，获得不同的声源位置节点；
[0028]将不同的声源位置节点叠加上完全相同的海深
、
水听器深度
、
声速剖面
、
海底声学参数，并输入声场特征量对应的声场计算模型，输出不同的声源位置节点对应的声场特征量；
[0029]不同的声源位置节点及其对应的声场特征量
、
进行叠加的海深
、
水听器深度
、
声速剖面
、
海底声学参数共同组成初始的神经元扰动群组
。
[0030]进一步，具体的，典型的液态半无限海底参数值指的是声速为
1650m/s、
密度为
1.7g/cm3、
声衰减系数为
0.15dB/
λ
。
[0031]进一步，具体的，在通过
SOM
算法进行训练时，选用网格拓扑结构，网格拓扑结构的节点设置为初始的神经元扰动群组中神经元数量的
10
倍
。
[0032]进一步，具体的，找寻出神经元拓扑结构上与所述残缺神经元最匹配的神经元，包
括，
[0033]通过以下公式计算神经元拓扑结构上每一个神经元与所述残缺神经元的欧式距离，
[0034][0035]其中，...

【技术保护点】

【技术特征摘要】
1.
基于自组织竞争型神经网络的水声被动定位方法，其特征在于，包括以下：获取定位区域的相关参数，所述相关参数包括海深
、
水听器深度
、
声速剖面
、
海底声学参数
、
水听器阵列声特征量
、
声源位置参数，当定位区域不存在声速剖面数据时，采用
WOA18
温盐数据集，提取水听器处的年平均温度和盐度剖面，再利用
Del Grosso
声速经验公式转化为声速剖面值以作为声速剖面数据，当目标定位区域不存在海底声学参数时，采用典型的液态半无限海底参数值作为海底声学参数；确定所述相关参数的输入方式，之后采用线性归一化的方法处理所述相关参数以构造神经元；基于构造的神经元矢量生成初始的神经元扰动群组；将初始的神经元扰动群组作为训练数据集，通过
SOM
算法进行训练，将初始的神经元扰动群组推广化，在神经元拓扑结构上生成包含未知声源位置参数的神经元；获取目标定位应用时实测的海深
、
水听器深度以及水听器阵列声特征量，并以此作为必选参数，基于所述必选参数以与构造神经元相同的参数的输入方式构造残缺神经元，所述残缺神经元不包括声源位置参数；将残缺神经元与神经元拓扑结构上的每一个神经元进行依次比较，并找寻出神经元拓扑结构上与所述残缺神经元最匹配的神经元；以最匹配的所述神经元所对应的声源位置参数作为定位结果
。2.
根据权利要求1所述的基于自组织竞争型神经网络的水声被动定位方法，其特征在于，所述方法还包括，在构造残缺神经元矢量时，若目标定位应用时不存在声速剖面数据，则声速剖面数据不参与构造残缺神经元矢量，若目标定位应用时存在声速剖面数据，则声速剖面数据参与构造残缺神经元矢量；若目标定位应用时不存在海底声学参数，则海底声学参数不参与构造残缺神经元矢量，若目标定位应用时存在海底声学参数，则海底声学参数参与构造残缺神经元矢量
。3.
根据权利要求1所述的基于自组织竞争型神经网络的水声被动定位方法，其特征在于，具体的，基于构造的神经元矢量生成初始的神经元扰动群组，包括，固定构造所述神经元的相关参数中除水听器阵列声特征量
、
声源位置以外的所有参数的值；将所述定位区域进行网格划分，获得不同的声源位置节点；将不同的声源位置节点叠加上完全相同的海深
、
水听器深度
、
声速剖面
、
海底声学参数，并输入声场特征量对应的声场计算模型，输出不同的声源位置节点对应的声场特征量；不同的声源位置节点及其对应的声场特征量
、
进行叠加的海深
、
水听器深度
、
声速剖面
、
海底声学参数共同组成初始的神经元扰动群组
。4.
根据权利要求1所述的基于自组织竞争型神经网络的水声被动定位方法，其特征在于，具体的，典型的液态半无限海底参数值指的是声速为
1650m/s、
密度为
1.7g/cm3、
声衰减系数为
0.15dB/

【专利技术属性】
技术研发人员：屈科，
申请(专利权)人：广东海洋大学，
类型：发明
国别省市：