[发明专利]一种基于深度学习的水下声源定位方法有效
| 申请号： | 201910236715.X | 申请日： | 2019-03-27 |
| 公开（公告）号： | CN109993280B | 公开（公告）日： | 2021-05-11 |
| 发明（设计）人： | 吴志翔;姜龙玉;金睿 | 申请（专利权）人： | 东南大学 |
| 主分类号： | G06N3/04 | 分类号： | G06N3/04;G06N3/08 |
| 代理公司： | 南京苏高专利商标事务所(普通合伙) 32204 | 代理人： | 徐红梅 |
| 地址： | 211102 江*** | 国省代码： | 江苏;32 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 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。 | ||
| 搜索关键词： | 一种 基于 深度 学习 水下 声源 定位 方法 | ||
【主权项】：
1.一种基于深度学习的水下声源定位方法，其特征在于，包括以下步骤：(1)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)；(2)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；(3)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。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于东南大学，未经东南大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910236715.X/，转载请声明来源钻瓜专利网。
