[發明專利]一種基于遷移學習的水聲目標前向散射聲擾動定位方法

有效

• 申請號: 202010786170.2
• 申請日: 2020-08-07
• 公開（公告）號: CN111983619B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 雷波;張瑞;楊益新;汪勇
• 申請（專利權）人: 西北工業大學;西北工業大學青島研究院
• 主分類號: G01S15/06
• 分類號: G01S15/06;G01S7/52;G06N3/0464;G06N3/096
• 代理公司: 西安凱多思知識產權代理事務所(普通合伙) 61290
• 代理人: 劉新瓊

1.一種基于遷移學習的水聲目標前向散射聲擾動定位方法，其特征在于步驟如下：

步驟1：發射陣為M個發射陣元構成的垂直陣，接收陣為N個接收陣元構成的垂直陣，定位區域為淺海環境下發射陣和接收陣之間的距離深度二維平面；基于聲場模型的模擬信號P_ij(t)和表示為

其中，P_ij(t)表示沒有目標時由第i個發射陣元發射聲源信號的情況下第j個接收陣元接收到的信號，表示目標存在時由第i個發射陣元發射聲源信號的情況下第j個接收陣元接收到的信號，t為相對時間，1≤i≤M，1≤j≤N，s(t)為聲源信號，h_ij(t)表示沒有目標時的信道響應函數，表示目標存在時的信道響應函數，表示卷積運算，n₁(t)和n₂(t)表示海洋環境噪聲；

步驟2：對模擬接收信號數據進行預處理，預處理具體過程如下：

1)對每一個模擬信號進行脈沖壓縮處理，得到脈沖壓縮輸出信號：

其中，“*”表示取復共軛；對脈沖壓縮輸出信號D_ij(t)、E_ij(t)取模值，得到脈沖壓縮輸出包絡

2)計算目標存在時脈沖壓縮輸出包絡的相對擾動量A_ij(t)：

3)令t_ij為取最大值時對應的時刻，t_ij表示沒有目標時直達波到達的時刻；τ_ij為直達波經過脈沖壓縮處理后的脈沖寬度，以t_ij為中心時刻、K為采樣間隔，在τ_ij脈沖寬度范圍內采取Z個時間點，得到這Z個時間點對應的脈沖壓縮輸出包絡相對擾動量A_ij(t)，記為Z維向量l_ij；

4)對M個發射陣元和N個接收陣元，計算每一個發射陣元發射聲源信號時每一個接收陣元的接收信號所對應的Z維向量l_ij，得到M×N×Z維的矩陣H；

步驟3：使用預處理后的模擬接收信號數據對卷積神經網絡進行訓練，具體過程如下：

1)對距離深度二維平面定位區域進行網格劃分，水平劃分間隔的取值范圍為50～300m，垂直劃分間隔的取值范圍為5～20m，使用獨熱編碼對劃分的網格區域進行標記；目標位于不同網格區域時，其對應的矩陣H為神經網絡的輸入，其對應的獨熱編碼為神經網絡的預期輸出；

2)將預處理后的模擬接收信號數據按比例d隨機劃分為訓練集和測試集，卷積神經網絡的基本結構為：輸入層、卷積層、池化層、卷積層、池化層、平坦化、全連接層、dropout、全連接層；使用訓練集數據訓練神經網絡，按照極小化誤差的方法調整卷積神經網絡的權值參數，直到測試集的預測準確率滿足精度要求，精度要求為95％以上；

步驟4：采用遷移學習的方法使用實際數據對預測模型進行調整與修正，具體過程如下：

1)對實際數據計算其輸入矩陣H和獨熱編碼，并將數據按比例f隨機劃分為訓練集和測試集；

2)將訓練集數據輸入到步驟三中的神經網絡預測模型，保持卷積層和池化層的權值參數不變，按照極小化誤差的方法僅調整全連接層的權值參數，直到測試集的預測準確率滿足精度要求，精度要求為95％以上。

2.根據權利要求1所述的一種基于遷移學習的水聲目標前向散射聲擾動定位方法，其特征在于步驟1中所述的M的取值范圍為3～10，N的取值范圍為15～35。

3.根據權利要求1所述的一種基于遷移學習的水聲目標前向散射聲擾動定位方法，其特征在于步驟2中所述的K的取值范圍為0.1～2ms，Z的取值范圍為10～50。

4.根據權利要求1所述的一種基于遷移學習的水聲目標前向散射聲擾動定位方法，其特征在于步驟3中所述的d的取值范圍為2:1至20:1。

5.根據權利要求1所述的一種基于遷移學習的水聲目標前向散射聲擾動定位方法，其特征在于步驟4中所述的f的取值范圍為2:1至20:1。