[发明专利]一种基于深度学习的单矢量水听器方位估计方法

权利要求书

1.一种基于深度学习的单矢量水听器方位估计方法，其特征在于，该方法包括：

对单矢量水听器接收的不带标签的实测数据进行预处理，获得预处理后的数据；

将预处理后的数据输入至训练好的深度学习神经网络模型，获得预处理后的数据对应的标签，作为声源的方位角，完成单矢量水听器方位估计；

所述对单矢量水听器接收的不带标签的实测数据进行预处理，获得预处理后的数据；具体为：

单矢量水听器接收不带标签的实测数据，其中，不带标签的实测数据的频域表示为R(f)＝[p(f),a_x(f),a_y(f),a_z(f)]，将不带标签的实测数据进行归一化处理：

其中，p(f)为频点f处的声压；a_x(f)为频点f处的x方向的加速度；a_y(f)为频点f处的y方向的加速度；a_z(f)为频点f处的z方向的加速度；为归一化后的不带标签的实测数据，即其中，为归一化后的声压；为归一化后的x方向的加速度；为归一化后的y方向的加速度；为归一化后的z方向的加速度；其中，统称为归一化后的加速度

将归一化后的声压和归一化后的加速度求其互谱后，再进行快拍平均：

其中，为归一化后的声压和归一化后的加速度在频点f处的互谱后的快拍平均；N为快拍数；为归一化后频点f处归一化后的声压的第s个快拍；为归一化后频点f处归一化后的加速度的第s个快拍，i＝x,y,z；H表示复共轭；

归一化后的声压和归一化后的加速度互谱的实部和虚部组成一个3×2F的矩阵，形成不带标签的数据，并将不带标签的数据作为预处理后的数据；其中，F为总的频点个数；

所述深度学习神经网络模型为卷积神经网络，其包括：输入层、隐含层和输出层；

其中，所述隐含层进一步包括：三个卷积层、激活函数和四个全连接层；

所述三个卷积层包括：第一卷积层、第二卷积层和第三卷积层；其中，第一卷积层包含64个卷积核，每个卷积核的大小为3×3；第二卷积层包含32个卷积核，每个卷积核的大小为3×3；第三卷积层包含32个卷积核，每个卷积核的大小为3×3；

激活函数为线性整流函数；

在卷积层和全连接层之间增设dropout层，系数为0.2；

在全连接层和输出层之间也增设dropout层，系数为0.3；

所述四个全连接层中，每个全连接层有2048个神经元；

输出层的神经元个数为360；

输入层输入预处理后的数据；输出层输出预处理后的数据对应的标签；

所述深度学习神经网络模型的训练步骤，具体包括：

用KRAKEN仿真的矢量声场数据及其对应的标签，即带标签的仿真数据作为训练集；

其中，单矢量水听器接收带标签的仿真数据，其中，带标签的仿真数据的频域表示为R(f)′＝[p(f)′,a_x(f)′,a_y(f)′,a_z(f)′]，将带标签的仿真数据进行归一化处理：

其中，p(f)′为频点f处的带标签声压；a_x(f)′为频点f处的x方向的带标签加速度；a_y(f)′为频点f处的y方向的带标签加速度；a_z(f)′为频点f处的z方向的带标签加速度；为归一化后的带标签的仿真数据，即其中，为归一化后的带标签声压；为归一化后的x方向的带标签加速度；为归一化后的y方向的带标签加速度；为归一化后的z方向的带标签加速度；其中，统称为归一化后的带标签加速度

将归一化后的带标签声压p(f)′和归一化后的带标签加速度求其互谱后，再进行快拍平均：

其中，S_pai(f)′为归一化后的带标签声压p(f)′和归一化后的带标签加速度在频点f处的互谱后的快拍平均；N为快拍数；为归一化后频点f处带标签声压的第s个快拍；为归一化后频点f处带标签加速度的第s个快拍，i＝x,y,z；H表示复共轭；

归一化后的带标签声压p(f)′和归一化后的带标签加速度互谱的实部和虚部组成一个3×2F的矩阵，形成带标签的数据；其中，F为总的频点个数；

仿真数据标签的预处理具体包括：将声源方位角的估计看作一个回归问题，仿真数据对应的标签用一个以方位角真值为中心的高斯分布来表示：

其中， t_n为第n个采样点的预处理后的数据的标签；d为所有的取值角度；d＝1°-360°，步长为1°；d_nr为真实角度；σ表示方位角的模糊度范围；

利用MATLAB中的trainNetwork函数作为目标函数，对深度学习神经网络模型进行训练；

在深度学习神经网络模型进行训练的过程中，输入层输入带标签的仿真数据，输出层的输出与标签之差称为衰减系数，整个训练的过程就是使该衰减系数趋于零，使深度迁移学习模型的输出与对应的标签无限接近的过程。