[发明专利]基于矢量声场特性的智能多目标分辨方法

说明书

本发明公开了一种基于矢量声场特性的智能多目标分辨方法，涉及水下目标探测定位技术领域。该分辨方法，包括深度神经网络训练数据的仿真、输入数据的设计和预处理、标签数据的预处理、深度神经网络的设计和训练、根据网络的输出判断多目标等步骤。本发明通过KRAKEN仿真生成矢量声场数据来训练深度神经网络，并提出将频域复声强作为深度神经网络的输入、正态分布形式的DOA作为神经网络的标签。综合利用更全面的矢量声场信息，使本发明方法在弱目标检测和多目标分辨上都有较好的性能。

技术领域

本发明涉及水下目标探测定位技术领域，具体来说，涉及一种基于矢量声场特性的智能多目标分辨方法。

背景技术

传统的水声学，往往只关注声压场，而声场兼有标量场(声压)和矢量场(质点振速)，对矢量声场进行研究能够获得更多更全面的声场信息。由于质点振速是矢量且单矢量水听器的质点振速具有偶极子指向性，所以单个矢量水听器即可完成声源波达方向(Direction of arrival,DOA)的估计。但是传统单矢量水听器存在多目标分辨能力差以及多目标下弱目标检测能力相对较弱的问题。

针对这些问题，本发明提出利用矢量声场特性和深度学习相结合的方法来实现单矢量水听器进行多目标分辨。本发明将矢量声场的特性引入，让深度神经网络充分学习矢量声场的特性。同时，本发明的方法不需要任何先验知识，且仅利用仿真数据训练深度神经网络。海上试验数据测试结果表明，本发明方法有较强的多目标分辨能力和弱目标检测能力。

发明内容

本发明针对背景技术中的不足，提供了一种基于矢量声场特性的智能多目标分辨方法，通过本发明可以提升单矢量水听器多目标分辨能力和弱目标检测能力。

为实现上述目的，本发明技术解决方案如下：

一种基于矢量声场特性的智能多目标分辨方法，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。

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。

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。