[发明专利]一种基于深度学习的水下声源定位方法

说明书

本发明公开了一种基于深度学习的水下声源定位方法，包括：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)；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；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。本发明针对单、多声源情形下水下声源定位使用了LeNet‑5卷积神经网络与56层深度残差网络，取得了拥有较高精度和准确率的水下声源定位算法，并提高了水下声源定位的实时性。

技术领域

本发明涉及一种水下声源定位方法，尤其涉及一种基于深度学习的水下声源定位方法，属于信号处理技术领域。

背景技术

水下声源定位是指利用水中声波和电子技术来确定水下声源的方向和距离的技术。根据数个水听器组成的接收阵列所接收到的水声信号数据，经过一定的数据处理过程来进行水下声源定位。

目前，匹配场处理(Matching Field Processing，MFP)技术为用于水下目标被动检测的代表性方法，它结合了信号处理技术和水声物理学，利用信道特征、窄带宽带等相关技术来处理水听器接收阵列所接收到的声源数据，在效率、准确率等方面均极大的优于传统信号处理技术。Hinich首先进行基于垂直阵列的匹配场处理的源定位[Hinich MJ.Maximum-likelihood signal processing for a vertical array[J].J.Acoust.Soc.Am,1973,54(2):499-503.]，并提出了对源深度的估计方法；Bucker成功将匹配场运用于源范围和深度的估计[Bucker H P.Use of calculated sound fields andmatched-field detection to locate sound sources in shallow water[J].J.Acoust.Soc.Am,1976,59(2):368-373.]；Hamson在浅水中成功定位了不同频率的远距离声源[Hamson R M,Heitmeyer R M.Environmental and system effects on sourcelocalization in shallow water by the matched-field processing of a verticalarray[J].J.Acoust.Soc.Am,1989,86(5):1950-1959.]。至此，匹配场处理技术在相关领域取得了不俗的成果。但是，由于匹配场处理中预测声场是由声传播模型在各种环境参数条件下求解得到的，所以其性能在很大程度上依赖环境参数的准确性(即环境建模的精确与否)，所以如何减小环境失配问题，成为相关研究者的关注点。

为了减少环境失配，一种方法是利用某种手段减少模型误差所带来的损失，另一种方法是使用不需要建模的方法进行水下声源定位。深度学习是机器学习中一种对数据进行表征学习的方法，它由多个具有复杂结构的处理层组成，通过这种极度复杂的结构，可以对数据分层处理、逐步抽象。深度学习的诞生是为了更好的对大规模数据进行高层抽象，因此可以通过将深度学习应用于水下声源定位，从而设计出比现有方法拥有更高精度和准确率的算法。