[发明专利]一种基于深度学习的水下声源定位方法

权利要求书

1.一种基于深度学习的水下声源定位方法，其特征在于，包括以下步骤：

(1)对使用KRAKEN程序模拟出的向量数据进行归一化操作，并叠加0均值高斯随机噪声复向量n，得到在频率f处的模拟声场数据p(f)；具体的：

KRAKEN程序所得到的数据为无噪声原始数据，需要手动添加噪声；首先将水听器阵列所接收到的数据向量s归一化：|s|＝1，然后通过Box-Muller算法形成0均值高斯随机噪声复向量n，其概率密度函数为：

其中，γ为名义上的信噪比，N为水听器阵列中接收器数量；

复向量n是由下面公式得到：

其中X_i，Y_i为(0，1]上的均匀分布，最终得到的向量d＝s+n；d即为该步骤最终得到的模拟声场数据p(f)；

(2)根据模拟声场数据p(f)构建归一化协方差矩阵H，并对矩阵H进行Hermitian分解，将复矩阵H转化为卷积神经网络能够处理的实矩阵，得到卷积神经网络的输入数据；

(3)使用输入数据训练卷积神经网络，得到水下声源定位预测模型，则根据观测到的声场数据，预测出信号源的距离和深度。

2.根据权利要求1所述的一种基于深度学习的水下声源定位方法，其特征在于：步骤(2)中为了使处理过程独立于复合源谱，将接收到的模拟声场数据转换为归一化的采样协方差矩阵；通过对L个传感器的输入数据进行离散傅里叶变换，在频率f处的声场数据表示为p(f)＝[p₁(f)，...，p_L(f)]^T；声场被建模成：

p(f)＝S(f)g(f，r)+∈；

其中，∈为噪声，S(f)为源，函数g为格林函数，为了减少声场幅度|S(f)|带来的影响，该复合声场求归一化协方差矩阵形成共轭对称矩阵为：

其中，H代表共轭转置运算，此时C(f)＝C^H(f)，N_s代表形成的快照数目；

假设C(f)＝A+iB，为了将虚数矩阵转化为实数矩阵并且保留数据信息，将输入设定为则此时卷积神经网络的输入为矩阵H。