System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于信号处理领域,具体属于水声信号的高角度分辨力探测领域,特别涉及一种基于长短期记忆神经网络的虚拟阵元波束形成方法及系统。
技术介绍
1、受瑞利准则限制,当阵列孔径较小时,常规波束形成方法得到的波束图主瓣较宽,影响目标探测精度。为解决这一问题,往往采用增大阵列孔径的方法,但是由于应用场景要求以及成本等问题,该方法在工程应用中局限性很大。近些年虚拟阵元技术被提出用于提高常规波束形成方法的角度分辨力,其中构造虚拟阵元的算法主要包括高阶累积量,阵列平移,内插变换,线性预测及最小二乘法。
2、当真实阵元数目较少时,基于线性预测的虚拟阵元波束形成方法得到的波束图出现轻微畸变,且来波方向估计的均方根误差与主瓣宽度较大。通过进一步研究发现,利用线性预测算法实现虚拟阵元技术等同于利用自回归模型实现时间序列预测。但是自回归模型属于时间序列预测问题的一个早期基础模型,因此自回归模型的非线性拟合能力和预测能力较差,在处理非线性问题时,构建非线性模型时难以发掘序列数据中的复杂关系,也难以提取到大量数据中包含的特征,学习到最优的特征表示。
技术实现思路
1、本专利技术的目的是为了克服现有技术的不足,提出一种基于长短期记忆神经网络的虚拟阵元波束形成方法及系统。
2、为了达到上述目的,本专利技术采用如下的技术方案:
3、一种基于长短期记忆神经网络的虚拟阵元波束形成方法,包括以下步骤:
4、获取通过预先布置的均匀线阵接收到的声信号样本,包括远场声源在不同方
5、获取远场声源在一个指定方位上在时间段内的真实阵元接收数据,送入效果最好的长短期记忆神经网络模型,输出时间段内虚拟阵元接收数据的预测值;
6、将时间段内虚拟阵元接收数据的预测值与时间段内的真实阵元接收数据合并,利用常规波束形成方法进行处理,得到波束图。
7、本专利技术还提供一种基于长短期记忆神经网络的虚拟阵元波束形成系统,包括:
8、长短期记忆神经网络训练模块,获取通过预先布置的均匀线阵接收到的声信号样本,包括远场声源在不同方位上在时间段内的真实阵元接收数据及虚拟阵元接收数据,将样本划分为训练集和验证集,通过训练集训练长短期记忆神经网络模型,其中真实阵元接收数据作为模型的输入,虚拟阵元接收数据作为模型的输出,通过验证集评估不同超参数所构建的模型效果,从中挑选出效果最好的模型;
9、虚拟阵元接收数据预测模块,获取远场声源在一个指定方位上在时间段内的真实阵元接收数据,送入效果最好的长短期记忆神经网络模型,输出时间段内虚拟阵元接收数据的预测值;
10、波束形成处理模块,将时间段内虚拟阵元接收数据的预测值与时间段内的真实阵元接收数据合并,利用波束形成方法进行处理,得到波束图。
11、本专利技术还提供一种计算机设备,包括:一个或多个处理器;存储器;以及一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置为由所述一个或多个处理器执行,所述程序被处理器执行时实现如上所述的基于长短期记忆神经网络的虚拟阵元波束形成方法的步骤。
12、本专利技术还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的基于长短期记忆神经网络的虚拟阵元波束形成方法的步骤。
13、本专利技术提供了一种基于长短期记忆神经网络的虚拟阵元波束形成方法及系统,以真实阵元接收数据为网络输入,虚拟阵元接收数据为网络输出,利用长短期记忆神经网络实现真实阵元接收数据与虚拟阵元接收数据之间的非线性映射,获得虚拟阵元接收数据的预测,再通过将虚拟阵元接收数据预测值与真实阵元接收数据结合在一起,同时利用两者进行常规波束形成方法,提高目标探测的角度分辨力。本专利技术所述方法能够在真实阵元数量少,以及保证来波方向估计的均方根误差相对较小的情况下,获取虚拟阵元位置处的声场信息,增加常规波束形成方法可使用的信息量,提高目标探测的角度分辨力。
本文档来自技高网...【技术保护点】
1.一种基于长短期记忆神经网络的虚拟阵元波束形成方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的方法,其特征在于,预先布置的均匀线阵为均匀4元线阵,虚拟阵元数量设置为1:1:4。
3.根据权利要求1所述的方法,其特征在于,获取通过预先布置的均匀线阵接收到的声信号样本包括:仿真单个远场声源方位为在时间段内的若干组真实阵元接收数据及虚拟阵元接收数据。
4.根据权利要求1所述的方法,其特征在于,长短期记忆神经网络包括两个长短期记忆神经网络层,一个随机失活层,输出层。
5.根据权利要求4所述的方法,其特征在于,长短期记忆神经网络模型的输入数据形式是由时间、阵元、样本构成,输出数据形式则是由时间和阵元构成。
6.根据权利要求3所述的方法,其特征在于,获取远场声源在一个指定方位上在时间段内的真实阵元接收数据包括:仿真单个远场声源方位为中任一个方位在时间段内的真实阵元接收数据。
7.根据权利要求5所述的方法,其特征在于,时间段内虚拟阵元接收数据的预测值的形式由时间和阵元构成。
8.一种基于长短期记忆神
9.一种计算机设备,其特征在于,包括:
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的基于长短期记忆神经网络的虚拟阵元波束形成方法的步骤。
...【技术特征摘要】
1.一种基于长短期记忆神经网络的虚拟阵元波束形成方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的方法,其特征在于,预先布置的均匀线阵为均匀4元线阵,虚拟阵元数量设置为1:1:4。
3.根据权利要求1所述的方法,其特征在于,获取通过预先布置的均匀线阵接收到的声信号样本包括:仿真单个远场声源方位为在时间段内的若干组真实阵元接收数据及虚拟阵元接收数据。
4.根据权利要求1所述的方法,其特征在于,长短期记忆神经网络包括两个长短期记忆神经网络层,一个随机失活层,输出层。
5.根据权利要求4所述的方法,其特征在于,长短期记忆神经网络模型的输入数据形式是由时间、阵元、样本构成,输出数据形式则是...
【专利技术属性】
技术研发人员:吕曜辉,徐媛,唐胜雨,翟禹成,
申请(专利权)人:中国海洋大学,
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。