【技术实现步骤摘要】
本专利技术涉及一种水声目标智能探测定位技术，是一种水声传播模型驱动的深度神经网络自监督学习声源定位方法。
技术介绍
1、本专利技术将水声传播物理模型引入深度学习模型构建和训练过程形成自监督学习机制。水声传播物理模型构建是一个正向预测过程，描述复杂海洋声场环境变化、耦合规律，对观测信号进行模拟预测；深度学习模型是一个反向感知过程，以接收的水声场表达信息为基础，通过目标激发的声场实现目标深度和距离的感知。
2、在实测数据稀疏，对应水声物理量变化片面不足以覆盖参数空间时，物理模型建立的目标和环境参数空间到观测数据的关系为认知模型向未观测过的参数空间扩展学习提供支持。物理模型描述的观测信号、水声场物理量与目标参数和环境参数之间的关系可作为智能学习模型构建的指导，使模型输入和输出之间具有理论上保证的映射关系，物理模型在认知模型训练过程中提供监督信息，是引导模型学习方向的关键。反向感知模型输出的目标参数和环境参数可通过正向预测模型计算水声场观测信号，可通过与观测信号进行对比，解释计算结果的准确性。通过引入正向预测模型，使得反向感知模型的性能不再通过与人工标注对比进行评价，而是可以通过认知模型本身进行自主评价，避免模型学习的过拟合问题，减少认知模型的应用风险。
3、利用实际观测信息和网络预测信息的误差，通过正向预测和反向感知过程形成闭环，物理模型正向预测与反向感知迭代协同自监督学习的方式进行深度神经网络模型训练。这种学习方法引入知识约束目标参数求解空间。在观测信息有限的情况下，为实现稳健地目标和环境感知提供了可能。p>
技术实现思路
1、本专利技术的目的是提供一种水声传播模型驱动的深度神经网络自监督学习声源定位方法，该学习过程是在少量实际观测样本情况下的自学习模式，能为复杂环境下水声目标感知定位建立模型基础，极大增强模型的环境适应性和推广性。
2、本专利技术的技术方案为：
3、一种水声传播模型驱动的深度神经网络自监督学习声源定位方法，包括如下步骤：
4、1)构建物理模型：根据实际声纳阵列类型，构建水声传播与声纳阵列耦合的物理模型；
5、2)生成仿真数据：利用步骤1)构建的物理模型，生成不同环境下的大量仿真数据；
6、3)构建并进行深度神经网络预训练：构建深度神经网络，并利用步骤2)仿真生成的数据预训练深度神经网络；
7、4)构建自监督深度学习模型：利用步骤1)构建的物理模型与步骤3)预训练的深度神经网络构建自监督深度学习模型；
8、5)自监督深度学习模型的迭代训练：将水声场观测数据输入到步骤4)构建的自监督深度学习模型中，迭代训练深度神经网络模型；
9、6)停止训练及获取声源距离和深度：设置判决准则，使深度神经网络停止迭代，并获得目标声源的距离和深度。
10、本专利技术的特点为：
11、1.以深度神经网络模型和水声传播物理模型为核心，以声场观测和环境感知结果为输入，构建水声传播物理模型驱动的自监督深度学习模型；
12、2.以物理模型重构的声场观测值为训练数据，以深度神经网络的估计值为监督，实现自监督深度学习模型的迭代训练；
13、3.引入闭环自监督深度学习模型的判停准则，当模型停止迭代时，深度神经网络的输出即为目标声源的距离和深度。
14、本专利技术通过正向物理模型预测和反向网络模型感知过程形成闭环，以正向预测与反向感知迭代协同自监督学习的方式进行深度神经网络模型训练，完成在少量实际观测样本情况下的自学习模式，增强了深度神经网络模型的环境适应性和推广性，并提高复杂环境下声源定位的精度。
本文档来自技高网...【技术保护点】
1.一种水声传播模型驱动的深度神经网络自监督学习声源定位方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的水声传播模型驱动的深度神经网络自监督学习声源定位方法，其特征在于：所述步骤1)中，声传播模型包括射线模型、简正波模型、抛物方程模型，声传播模型的输入包括声源距离、声源深度、接收深度、信号频率、声速剖面、水深、水底质声速、水底底质密度，声传播模型的输出为频域声压。
3.根据权利要求1所述的水声传播模型驱动的深度神经网络自监督学习声源定位方法，其特征在于：所述步骤1)中，在浅海和低频条件下，与距离无关选择简正波模型，与距离有关选择抛物方程模型；在浅海和高频条件下，与距离无关选择简正波模型，与距离有关选择射线模型；在深海和低频条件下，与距离无关选择简正波模型，与距离有关选择抛物方程模型；在深海和高频条件下，与距离无关或有关均选择射线模型。
4.根据权利要求1至3任一项所述的水声传播模型驱动的深度神经网络自监督学习声源定位方法，其特征在于：所述步骤1)中，设阵列中第n个阵元的传递函数(频域)为Fn，则有：
5.根据权利要求1所述
6.根据权利要求1所述的水声传播模型驱动的深度神经网络自监督学习声源定位方法，其特征在于：所述步骤3)中，所述深度神经网络为卷积神经网络或循环神经网络，并且所构建的网络为监督学习网络，以及设计的神经网络为单输出的神经网络或多输出的神经网络，其中单输出的神经网络根据估计的参数个数构建多个网络。
7.根据权利要求1所述的水声传播模型驱动的深度神经网络自监督学习声源定位方法，其特征在于：所述步骤3)中，构建的深度神经网络的输入为预处理后的声纳阵列阵元信号，输入到网络之前首先进行归一化处理，公式为：
8.根据权利要求1所述的水声传播模型驱动的深度神经网络自监督学习声源定位方法，其特征在于：所述步骤4)中，构建的自监督深度学习模型核心为深度神经网络模型和水声传播物理模型，深度神经网络模型的输入包括水声场观测结果和水声场观测重构结果，声源深度、距离估计结果为深度神经网络模型参数估计状态下的输出，是水声传播物理模型的输入，也是训练状态下深度神经网络的监督标签；水声传播物理模型的输入包括声源距离、声源深度、接收深度、信号频率、声速剖面、水深、水底质声速、水底底质密度，其中声源距离和声源深度是深度神经网络的输出，而接收深度、信号频率、声速剖面、水深、水底质声速、水底底质密度在自监督学习中是已知物理量，已知物理量与与深度神经网络的输出输入到水声传播物理模型后完成声场观测结果的重构，重构的声场观测结果既作为训练状态下深度神经网络的输入，也用来评价深度神经网络训练的完成程度。
9.根据权利要求1所述的水声传播模型驱动的深度神经网络自监督学习声源定位方法，其特征在于：所述步骤5)中，先将声场观测结果输入到预训练的深度神经网络模型中，网络输出声源距离和声源深度，再将网络估计结果与步骤4)的已知物理量一同输入到水声传播与声纳耦合的物理模型中得到重构的声场观测值，将此重构的声场观测值作为深度神经网络模型的输入，将深度神经网络输出的声源距离和声源深度作为监督标签对预训练深度神经网络进行训练更新；训练完成后，将声场观测结果输入到再训练的深度神经网络中，重复上述过程，完成又一轮的迭代更新。
10.根据权利要求1所述的水声传播模型驱动的深度神经网络自监督学习声源定位方法，其特征在于：所述步骤6)中，判断深度神经网络训练完成的评价标准包括声场观测结果与声场观测重构结果相似度或其部分特征达到一定标准或者迭代轮数达到设定值两种，训练停止后深度神经网络的输出即为估计到的目标声源的距离和深度。
...【技术特征摘要】
1.一种水声传播模型驱动的深度神经网络自监督学习声源定位方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的水声传播模型驱动的深度神经网络自监督学习声源定位方法，其特征在于：所述步骤1)中，声传播模型包括射线模型、简正波模型、抛物方程模型，声传播模型的输入包括声源距离、声源深度、接收深度、信号频率、声速剖面、水深、水底质声速、水底底质密度，声传播模型的输出为频域声压。
3.根据权利要求1所述的水声传播模型驱动的深度神经网络自监督学习声源定位方法，其特征在于：所述步骤1)中，在浅海和低频条件下，与距离无关选择简正波模型，与距离有关选择抛物方程模型；在浅海和高频条件下，与距离无关选择简正波模型，与距离有关选择射线模型；在深海和低频条件下，与距离无关选择简正波模型，与距离有关选择抛物方程模型；在深海和高频条件下，与距离无关或有关均选择射线模型。
4.根据权利要求1至3任一项所述的水声传播模型驱动的深度神经网络自监督学习声源定位方法，其特征在于：所述步骤1)中，设阵列中第n个阵元的传递函数(频域)为fn，则有：
5.根据权利要求1所述的水声传播模型驱动的深度神经网络自监督学习声源定位方法，其特征在于：所述步骤2)中，利用步骤1)构建的物理模型生成大量不同声源距离、声源深度、接收深度、信号频率、声速剖面、水深、水底质声速、水底底质密度的仿真声纳阵元域声压信号，同时保存对应仿真声压信号的声源距离和声源深度信息。
6.根据权利要求1所述的水声传播模型驱动的深度神经网络自监督学习声源定位方法，其特征在于：所述步骤3)中，所述深度神经网络为卷积神经网络或循环神经网络，并且所构建的网络为监督学习网络，以及设计的神经网络为单输出的神经网络或多输出的神经网络，其中单输出的神经网络根据估计的参数个数构建多个网络。
7.根据权利要求1所述的水声传播模型驱动的深度神经网络自监督学习声源定位方法，其特征在于：所述步骤3)中，构建的深度...
【专利技术属性】
技术研发人员：曹怀刚，潘悦，王强，吴玺宏，曲天书，
申请(专利权)人：中国船舶集团有限公司第七一五研究所，
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。