[發明專利]一種基于深度學習的單矢量水聽器方位估計方法

有效

• 申請號: 202010052928.X
• 申請日: 2020-01-17
• 公開（公告）號: CN113138365B
• 公開（公告）日: 2022-12-06
• 發明（設計）人: 曹懷剛;王文博;倪海燕;蘇林;任群言;馬力
• 申請（專利權）人: 中國科學院聲學研究所
• 主分類號: G01S5/20
• 分類號: G01S5/20;G06N3/04;G06N3/08
• 代理公司: 北京方安思達知識產權代理有限公司 11472
• 代理人: 陳琳琳;楊青

本發明屬于水聲物理和水聽器方位估計技術領域，具體涉及一種基于深度學習的單矢量水聽器方位估計方法，該方法包括：對單矢量水聽器接收的不帶標簽的實測數據進行預處理，獲得預處理后的數據；將預處理后的數據輸入至訓練好的深度學習神經網絡模型，獲得預處理后的數據對應的標簽，作為聲源的方位角，完成單矢量水聽器方位估計。

技術領域

本發明屬于水聲物理和水聽器方位估計技術領域，具體涉及一種基于深度學習的單矢量水聽器方位估計方法。

背景技術

聲源方位估計是聲源定位的一個重要方面，以往的聲源方位估計方法是基于陣列的波數形成或者時延等方法，陣列在布放和回收時都有較大的難度；而且當聲源頻率較低時，其不得不增加孔徑以獲得足夠的分辨精度，從而進一步增加了布放的難度；而當聲源頻率較高時陣列又需要減小孔徑以滿足空間采樣定理；而且存在線陣的方位估計還存在左右舷模糊的問題。

利用單矢量水聽器進行聲源方位估計，首先在布放和回收時都要比水平陣方便很多，而且矢量水聽器的指向性不隨頻率變化，也不存在左右舷模糊的問題，同時其還可以有效抑制各向同性噪聲的干擾。

與傳統的陣列相比，基于單矢量水聽器的方位估計也是有其局限性的，例如，單矢量水聽器的指向性指數最高只能達到6dB，這就意味著傳統基于單矢量水聽器的方位估計方法的精確度不高；傳統的陣列可以通過時延和相移來控制指向性，使其對準感興趣的目標，從而實現多目標分辨和干擾抑制，而矢量水聽器的指向性是固定的，所以現有單矢量水聽器方位估計方法抗干擾能力比較差。

目前，深度學習是近年來的研究熱點，其可以直接從原始數據中提取有用的特征信息，其在聲源定位方面較傳統的匹配場方法相比有更高的定位精度和更強的環境適應性，將其應用在單矢量水聽器方位估計可進一步提高定位精度。

發明內容

本發明的目的在于，為解決現有的聲源方位估計方法存在上述缺陷，本發明提出了一種基于深度學習的單矢量水聽器方位估計方法，本方法通過KRAKEN進行數據仿真，獲得仿真數據，用仿真數據訓練深度學習神經網絡，建立深度神經網絡模型，將實測數據輸入到該深度神經網絡模型中，估計聲源的方位。

為了實現上述目的，本發明提供了一種基于深度學習的單矢量水聽器方位估計方法，該方法包括：

對單矢量水聽器接收的不帶標簽的實測數據進行預處理，獲得預處理后的數據；

將預處理后的數據輸入至訓練好的深度學習神經網絡模型，獲得預處理后的數據對應的標簽，作為聲源的方位角，完成單矢量水聽器方位估計。

作為上述技術方案的改進之一，所述對單矢量水聽器接收的不帶標簽的實測數據進行預處理，獲得預處理后的數據；具體為：

單矢量水聽器接收不帶標簽的實測數據，其中，不帶標簽的實測數據的頻域表示為R(f)＝[p(f),a_x(f),a_y(f),a_z(f)]，將不帶標簽的實測數據進行歸一化處理：

其中，p(f)為頻點f處的聲壓；a_x(f)為頻點f處的x方向的加速度；a_y(f)為頻點f處的y方向的加速度；a_z(f)為頻點f處的z方向的加速度；為歸一化后的不帶標簽的實測數據，即其中，為歸一化后的聲壓；為歸一化后的x方向的加速度；為歸一化后的y方向的加速度；為歸一化后的z方向的加速度；其中，統稱為歸一化后的加速度

將歸一化后的聲壓和歸一化后的加速度求其互譜后，再進行快拍平均：