[发明专利]基于矢量声场特性的智能多目标分辨方法

权利要求书

1.一种基于矢量声场特性的智能多目标分辨方法，其特征在于，包括如下步骤：

S1.训练数据的仿真生成：利用KRAKEN模型仿真不同环境下的声压和质点振速作为深度神经网络的训练数据；

S2.输入数据的预处理：首先计算声压和质点振速的频域复声强，再对频域复声强进行归一化处理；

S3.标签数据的预处理：将DOA处理为正态分布的形式；

S4.设计深度神经网络并对其进行监督训练；

S5.根据深度神经网络的输出判断多目标：将步骤S2预处理后的测试数据输入步骤S4训练后的深度神经网络中，得出声源的个数和DOA。

2.根据权利要求1所述的基于矢量声场特性的智能多目标分辨方法，其特征在于：所述步骤S2具体如下；

先计算频域复声强，

式中，I_ci表示频域复声强，i＝x,y,z，s表示快拍，N为总的快拍数，*表示复共轭；

得到频域复声强后，再对其作归一化处理，

得到归一化后的互谱后，其实部和虚部组成一个3×2F的矩阵作为神经网络的输入，其中F为总的频点个数，深度神经网络的输入矩阵为，

式中Re表示取实部，Im表示取虚部。

3.根据权利要求1所述的基于矢量声场特性的智能多目标分辨方法，其特征在于：所述步骤S3包括如下步骤：

标签即为声源的DOA在角度域的表示(1°,2°,…,360°)，这是一个标量值，将其进行预处理后得到一个期望为声源DOA的正态分布t_n来表示标签，

其中，θ_nk为等间隔分布的角度，k是角度的序数，θ_n,r为声源的DOA角度，n为标签的序数，σ为正态分布的标准差。

4.根据权利要求1所述的基于矢量声场特性的智能多目标分辨方法，其特征在于：所述步骤S4包括设计了一个包含8个卷积层和4个全连接层的卷积神经网络，输入层的输入为归一化后的复声强矩阵以声源DOA的正态分布t_n为标签进行训练，神经网络的训练过程中，优化器选择Adam，初始学习率为0.0001。

5.根据权利要求1所述的基于矢量声场特性的智能多目标分辨方法，其特征在于：所述步骤S5包括如下步骤：

将测试数据按照步骤S2预处理后输入训练好的深度神经网络中，神经网络会输出类似标签矩阵形式的矩阵t_n’，矩阵t_n’中正态分布的个数为深度神经网络估计到的声源的个数，正态分布的极大值点为声源的DOA。