CN111352075B - 一种基于深度学习的水下多声源定位方法及*** - Google Patents

Abstract

本发明公开了一种基于深度学习的水下多声源定位方法及***，所述方法包括：通过水听器阵列接收待检测的信号，估计声源的方位；在可能存在声源的方位上做子阵波束形成，然后计算待检测信号的空间相关矩阵，形成特征向量，输入到预先训练的时延神经网络，输出声源的距离。本发明的水下多声源定位方法，可以不依赖环境参数的先验知识；利用子阵波束形成的方法在特征层面将多个声源区分开，从而实现对水下多个目标同时定位。

Description

一种基于深度学习的水下多声源定位方法及***

技术领域

本发明涉及水下定位领域，具体涉及一种基于深度学习的水下多声源定位方法及***。

背景技术

声源定位包括单声源定位和多声源定位，声源定位技术可以指示声源目标所在的空间方位，为后续的信息采集与处理提供重要的空间信息。

传统方法主要利用现代数字信号处理的技术来估计水下声源的位置信息，通过格点匹配搜索或解析方式给出声源位置，这些方法往往依赖于环境信息的准确性，环境的扰动会影响定位的准确度和鲁棒性。

近年来，少部分方法将神经网络引入水下声源定位任务中，然而之前的研究都是针对水下单声源定位任务，相对于单声源定位，多声源定位任务更加复杂由于空间中存在多个声源相互干扰，解决实际环境下多声源定位问题有着重要意义。

发明内容

本发明的目的在于克服上述技术缺陷，提出了一种基于深度学习的水下多声源定位方法，该方法利用深度神经网络，实现鲁棒而高效的水下多声源定位。

为了实现上述目的，一种基于深度学习的水下多声源定位方法，包括：

通过水听器阵列接收待检测的信号，估计声源的方位；在可能存在声源的方位上做子阵波束形成，然后计算待检测信号的空间相关矩阵，形成特征向量，输入到预先训练的时延神经网络，输出声源的距离。

作为上述方法的一种改进，所述时延神经网络的训练步骤包括：

步骤1)在信号带宽内每个频率上做子阵波束形成，实现声源信号的聚焦；

步骤2)计算信号宽带内每个频率上对所有子阵在每个声源位置上聚焦的信号的空间相关矩阵，形成特征向量；

步骤3)将特征向量作为输入，已知声源的距离作为标签，采用最小均方误差准则对时延神经网络进行训练，得到训练好的时延神经网络。

作为上述方法的一种改进，所述步骤1)具体为：

将水听器阵列分成B个子阵，{Ω₁,…,Ω_B}，分别在每个子阵上对已知声源做波束形成；那么在第b个子阵的聚焦信号表示为：

其中，上标τ_k表示声源在第k个水听器相对于第一个麦克风上的延时，l_k和

表示第k个水听器和第一个水听器之间的距离和单位方向向量，Ω_b为第b个子阵包含的水听器索引号集合，c为声速，j为虚部单位，f_i为频率，i为频率索引；Y_k(f_i)为将第k个水听器接收的声源信号转换成数字声音信号再进行傅里叶变换得到的信号；β为已知声源的方位；在所有B个子阵上进行子阵波束形成：

G(f_i)＝[g₁(f_i),…,g_B(f_i)]^T。

作为上述方法的一种改进，所述步骤2)具体为：

计算声源的空间相关矩阵R(f_i)：

将空间相关矩阵R(f_i)的每个元素的实部虚部串联形成特征向量。

作为上述方法的一种改进，所述采用最小均方误差准则对时延神经网络进行训练的步骤为：

其中，r_l为时延神经网络输出的声源距离值，r′_l为已知的声源距离值，L为样本个数；E为最小化代价函数，通过随机梯度下降反向传播进行迭代，得到时延神经网络的权值矩阵。

作为上述方法的一种改进，所述估计声源的方位具体包括：

步骤S1)计算待检测信号Y(f_i)的空间相关矩阵E[Y(f_i)Y^H(f_i)]：

其中，E(·)代表期望平均操作，(·)^H代表共轭转置，

和

分别为特征值和特征向量矩阵对应信号子空间，

和

别为特征值和特征向量矩阵对应噪声子空间；

步骤S2)求取P_MUSIC函数的极大值获得θ作为声源方位估计值α₁,…,α_D：

其中，H(θ,f_i)为声源的导向矢量，F为频率点的个数，D为声源的数量。

作为上述方法的一种改进，所述在可能存在声源的方位上做子阵波束形成具体为：

将水听器阵列分成B个子阵，{Ω₁,…,Ω_B}，分别在每个子阵上对各个声源做波束形成，那么在第b个子阵对第d个声源的聚焦信号表示为：

其中，上标σ_k,d表示第d个声源在第k个水听器相对于第一个麦克风上的延时，1≤d≤D，l_k和

表示第k个水听器和第一个水听器之间的距离和单位方向向量，Ω_b为第b个子阵包含的水听器索引号集合，c为声速，j为虚部单位，f_i为频率，i为频率索引；对d个声源在所有B个子阵上进行子阵波束形成：

作为上述方法的一种改进，所述计算待检测信号的空间相关矩阵，形成特征向量具体为：

待检测信号的第d个可能声源的空间相关矩阵S_d(f_i)为：

将空间相关矩阵S_d(f_i)的每个元素的实部虚部进行串联形成特征向量。

一种基于深度学习的水下多声源定位***，包括存储器、处理器和存储在存储器上的并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述方法的步骤。

本发明的优点在于：

1、本发明的水下多声源定位方法，利用了深度神经网络，不依赖于环境参数的先验知识；利用子阵波束形成的方法在特征层面将多个声源区分开，从而实现对水下多个目标同时定位的目的；

2、本发明的方法在训练阶段只需要单声源数据，然而能实现在多源场景下的定位任务，大幅减小了模型的复杂度。

附图说明

图1是本发明的基于深度学习的水下多声源定位方法的流程图。

具体实施方式

现结合附图对本发明作进一步的描述。

参考图1，本发明提出了一种基于深度学习的水下多声源定位方法，包括以下步骤：

步骤1)将通过水听器阵列接收的声源信号转换成数字声音信号；

将通过水听器阵列接收的声源信号转换成数字声音信号；其中，所述水听器阵列包括有K个麦克风。

步骤2)对数字声音信号做傅里叶变换；

步骤3)在信号带宽内每个频率上做子阵波束形成，实现对不同方位声源信号的聚焦，具体步骤为：

3-1)将水听器阵列分成B个子阵，{Ω₁,…,Ω_B}，分别在每个子阵上对各个声源做波束形成，假设有D个声源，那么在第b个子阵对第d个声源的聚焦信号可以表示为：

其中上标τ_k,d表示第d个声源在第k个水听器相对于第一个麦克风上的延时，l_k和

表示第k个水听器和第一个水听器之间的距离和单位方向向量，Ω_b为第b个子阵包含的水听器索引号集合，c为声速，j为虚部单位，f为频率，i为频率索引。对d个声源在所有B个子阵上进行子阵波束形成，得到

步骤4)在信号宽带内每个频率上对所有子阵在每个声源位置上聚焦的信号求取空间相关矩阵，得到特征向量，具体步骤为：

求取每个声源的协方差矩阵，第d个声源的空间相关阵可以表示为：

其中

将有效频带上

的实部虚部串联作为神经网络的输入特征向量；

步骤5)在训练阶段，利用时延神经网络学习训练样本，得到特征向量和声源距离的映射关系模型。神经网络训练的准则为最小均方误差准则：

其中r_l代表声源距离的估计值，r′_l为声源距离的参考值，L为样本个数；通过随机梯度下降反向传播算法最小化代价函数E，得到神经网络的权值矩阵；

步骤6)在测试阶段，输入测试样本进行方位估计，将可能存在声源的方位上做子阵波束形成，然后求取空间相关矩阵得到测试信号的特征向量，输入到训练好的模型，得到声源的距离估计值，具体步骤为：

步骤6-1)、对测试样本进行方位估计，估计可能出现信号的方位，基于MUSIC(多重信号分类)方法，首先求取观察信号的空间相关矩阵，表示为：

其中E(·)代表期望平均操作，(·)^H代表共轭转置，

和

分别为特征值和特征向量矩阵对应信号子空间，

和

别为特征值和特征向量矩阵对应噪声子空间。信号方位可以通过求取下面函数的极大值来获得：

最终目标方位估计为Θ＝{θ₁,…,θ_D}；

步骤6-2)、对Θ中所有可能出现声源的方向根据步骤3-1)和4-1)提取特征，输入模型得到目标的距离信息；

通过上述步骤3)和步骤4)抽取的特征向量在特征层面将多个声源区分开来，因此我们可以通过单声源信号数据来训练神经网络模型，得到特征与目标距离的对应关系，在测试时，先通过一个方位估计模块来估计可能存在声源的方位，然后抽取不同声源的特征，输入神经网络模型即可分别得到多个声源距离的估计值，从而实现对多声源进行定位。

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.一种基于深度学习的水下多声源定位方法，包括：

通过水听器阵列接收待检测的信号，估计声源的方位；在可能存在声源的方位上做子阵波束形成，然后计算待检测信号的空间相关矩阵，形成特征向量，输入到预先训练的时延神经网络，输出声源的距离；

所述在可能存在声源的方位上做子阵波束形成具体为：

将水听器阵列分成B个子阵，{Ω₁,…,Ω_B}，分别在每个子阵上对各个声源做波束形成，那么在第b个子阵对第d个声源的聚焦信号表示为：

其中，上标σ_k,d表示第d个声源在第k个水听器相对于第一个麦克风上的延时，1≤d≤D，l_k和

表示第k个水听器和第一个水听器之间的距离和单位方向向量，Ω_b为第b个子阵包含的水听器索引号集合，c为声速，j为虚部单位，f_i为频率，i为频率索引；对d个声源在所有B个子阵上进行子阵波束形成：

所述计算待检测信号的空间相关矩阵，形成特征向量具体为：

待检测信号的第d个可能声源的空间相关矩阵S_d(f_i)为：

将空间相关矩阵S_d(f_i)的每个元素的实部虚部进行串联形成特征向量。

2.根据权利要求1所述的基于深度学习的水下多声源定位方法，其特征在于，所述时延神经网络的训练步骤包括：

步骤1)在信号带宽内每个频率上做子阵波束形成，实现声源信号的聚焦；

步骤2)计算信号宽带内每个频率上对所有子阵在每个声源位置上聚焦的信号的空间相关矩阵，形成特征向量；

步骤3)将特征向量作为输入，已知声源的距离作为标签，采用最小均方误差准则对时延神经网络进行训练，得到训练好的时延神经网络。

3.根据权利要求2所述的基于深度学习的水下多声源定位方法，其特征在于，所述步骤1)具体为：

将水听器阵列分成B个子阵，{Ω₁,…,Ω_B}，分别在每个子阵上对已知声源做波束形成；那么在第b个子阵的聚焦信号表示为：

其中，上标τ_k表示声源在第k个水听器相对于第一个麦克风上的延时，l_k和

表示第k个水听器和第一个水听器之间的距离和单位方向向量，Ω_b为第b个子阵包含的水听器索引号集合，c为声速，j为虚部单位，f_i为频率，i为频率索引；Y_k(f_i)为将第k个水听器接收的声源信号转换成数字声音信号再进行傅里叶变换得到的信号；β为已知声源的方位；在所有B个子阵上进行子阵波束形成：

G(f_i)＝[g₁(f_i),…,g_B(f_i)]^T。

4.根据权利要求3所述的基于深度学习的水下多声源定位方法，其特征在于，所述步骤2)具体为：

计算声源的空间相关矩阵R(f_i)：

将空间相关矩阵R(f_i)的每个元素的实部虚部串联形成特征向量。

5.根据权利要求4所述的基于深度学习的水下多声源定位方法，其特征在于，所述采用最小均方误差准则对时延神经网络进行训练的步骤为：

其中，r_l为时延神经网络输出的声源距离值，r_l′为已知的声源距离值，L为样本个数；E为最小化代价函数，通过随机梯度下降反向传播进行迭代，得到时延神经网络的权值矩阵。

6.根据权利要求1所述的基于深度学习的水下多声源定位方法，其特征在于，所述估计声源的方位具体包括：

步骤S1)计算待检测信号Y(f_i)的空间相关矩阵E[Y(f_i)Y^H(f_i)]：

其中，E(·)代表期望平均操作，(·)^H代表共轭转置，

和

分别为特征值和特征向量矩阵对应信号子空间，

和

别为特征值和特征向量矩阵对应噪声子空间；

步骤S2)求取P_MUSIC函数的极大值获得θ作为声源方位估计值α₁,…,α_D：

其中，H(θ,f_i)为声源的导向矢量，F为频率点的个数，D为声源的数量。

7.一种基于深度学习的水下多声源定位***，包括存储器、处理器和存储在存储器上的并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1～6之一所述方法的步骤。

Images