[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

说明书

本发明属于水声物理和水听器方位估计技术领域，具体涉及一种基于深度学习的单矢量水听器方位估计方法，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。

技术领域

本发明属于水声物理和水听器方位估计技术领域，具体涉及一种基于深度学习的单矢量水听器方位估计方法。

背景技术

声源方位估计是声源定位的一个重要方面，以往的声源方位估计方法是基于阵列的波数形成或者时延等方法，阵列在布放和回收时都有较大的难度；而且当声源频率较低时，其不得不增加孔径以获得足够的分辨精度，从而进一步增加了布放的难度；而当声源频率较高时阵列又需要减小孔径以满足空间采样定理；而且存在线阵的方位估计还存在左右舷模糊的问题。

利用单矢量水听器进行声源方位估计，首先在布放和回收时都要比水平阵方便很多，而且矢量水听器的指向性不随频率变化，也不存在左右舷模糊的问题，同时其还可以有效抑制各向同性噪声的干扰。

与传统的阵列相比，基于单矢量水听器的方位估计也是有其局限性的，例如，单矢量水听器的指向性指数最高只能达到6dB，这就意味着传统基于单矢量水听器的方位估计方法的精确度不高；传统的阵列可以通过时延和相移来控制指向性，使其对准感兴趣的目标，从而实现多目标分辨和干扰抑制，而矢量水听器的指向性是固定的，所以现有单矢量水听器方位估计方法抗干扰能力比较差。

目前，深度学习是近年来的研究热点，其可以直接从原始数据中提取有用的特征信息，其在声源定位方面较传统的匹配场方法相比有更高的定位精度和更强的环境适应性，将其应用在单矢量水听器方位估计可进一步提高定位精度。

发明内容

本发明的目的在于，为解决现有的声源方位估计方法存在上述缺陷，本发明提出了一种基于深度学习的单矢量水听器方位估计方法，本方法通过KRAKEN进行数据仿真，获得仿真数据，用仿真数据训练深度学习神经网络，建立深度神经网络模型，将实测数据输入到该深度神经网络模型中，估计声源的方位。

为了实现上述目的，本发明提供了一种基于深度学习的单矢量水听器方位估计方法，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。

作为上述技术方案的改进之一，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：