CN113109795B - 一种基于深度神经网络的深海直达声区目标深度估计方法 - Google Patents
一种基于深度神经网络的深海直达声区目标深度估计方法 Download PDFInfo
- Publication number
- CN113109795B CN113109795B CN202010032052.2A CN202010032052A CN113109795B CN 113109795 B CN113109795 B CN 113109795B CN 202010032052 A CN202010032052 A CN 202010032052A CN 113109795 B CN113109795 B CN 113109795B
- Authority
- CN
- China
- Prior art keywords
- frequency
- neural network
- convolution
- domain
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S11/00—Systems for determining distance or velocity not using reflection or reradiation
- G01S11/14—Systems for determining distance or velocity not using reflection or reradiation using ultrasonic, sonic, or infrasonic waves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明提供了一种基于深度神经网络的深海直达声区目标深度估计方法,所述方法包括:将垂直阵实测得到的时间‑阵元域数据,经过FFT处理得到频率‑阵元域数据;对频域归一化处理后的频率‑阵元域数据进行常规波束形成处理,得到频率‑掠射角度域的波束响应矩阵;将频率‑掠射角度域的波束响应矩阵输入到预先训练好的深度神经网络中,输出声源深度估计结果。本发明的方法可以克服多重谱深度估计方法受频带宽度和阵列孔径的限制;深度估计的正确率显著高于输入数据为频率‑深度声压场数据的深度神经网络估计方法和传统声源深度估计方法,而且相对误差最低。
Description
技术领域
本发明涉及水声物理领域,具体涉及一种基于深度神经网络的深海直达声区目标深度估计方法。
背景技术
深海直达波区宽带声源的深度可以通过多重谱深度估计方法(MultispectralDepth Estimation Method,MSDE Method)估计声源深度。这一方法建立在等声速模型的基础上的点源干涉声场,基于阵列接收频域信号干涉谱的分析,对原始信号分别进行了傅里叶变换、波束形成和改进傅里叶变换三次信号谱分析,不需要预知声源运动状态,同时波束形成结果还具有一定的抗空间噪声干扰能力。但是,在实际水文环境下点源干涉结构的精确解难以给出,等声速下的求解结果可能会导致估计声源深度存在误差。
深度学习方法已经被证实在声源距离被动估计、地声参数反演等等水声应用中取得较好的研究结果。利用深度学习方法分析实际水文环境下干涉声场特点与声源深度之间的关系,能够用于克服理想等声速分析方法与实际水文环境之间的偏差对声源深度估计造成的误差。
发明内容
本发明的目的在于克服上述技术缺陷,基于深度学习方法与多重谱深度估计方法相结合,提出一种基于深度神经网络的深海直达声区目标深度估计方法,该方法将多重谱深度估计方法的中间结果频率-掠射角度的波束输出作为输入数据形式进行学习和训练,通过深度学习方法学习频率-掠射角波束输出图中的干涉结构特征与声源深度的关系,从而估计声源深度。
为实现上述目的,本发明提出了一种基于深度神经网络的深海直达声区目标深度估计方法,所述方法包括:
将垂直阵实测得到的时间-阵元域数据,经过FFT处理得到频率-阵元域数据;
对频域归一化处理后的频率-阵元域数据进行常规波束形成处理,得到频率-掠射角度域的波束响应矩阵;
将频率-掠射角度域的波束响应矩阵输入到预先训练好的深度神经网络中,输出声源深度估计结果。
作为上述方法的一种改进,所述深度神经网络包括依次连接的:第一卷积层、第一池化层、第二个卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第四池化层、第五全连接层、第六全连接层、第七全连接层和输出层;其中,第一卷积层和第二卷积层均包含2个子卷积层,第三卷积层和第四卷积层均包含四个子卷积层,每个子卷积层均采用ReLU作为激活函数;四个池化层的大小均为2×2;每两个全连接层之间通过Dropout操作以防止过拟合;所述输出层采用以真实值为中心的高斯型回归输出结构;所述深度神经网络采用的卷积核大小为3×3,通过多个小卷积核来近似替代大卷积核。
作为上述方法的一种改进,所述方法还包括:对所述深度神经网络进行训练的步骤,具体包括:
基于环境参数模拟生成频域仿真声压场数据;
对频域仿真声压场数据进行频率归一化处理,然后通过常规波束形成处理,得到频率-掠射角度域的波束响应矩阵;
将频率-掠射角度域的波束响应矩阵输入到深度卷积神经网络进行训练,得到训练好的深度神经网络。
作为上述方法的一种改进,所述对频域仿真声压场数据进行频率归一化处理,然后通过常规波束形成处理,得到频率-掠射角度域的波束响应矩阵;具体包括:
将每个频点的频域仿真声压场数据在所有阵元上做规范化处理:
其中,P(f,zn)为第n个阵元的接收声场值,P'(f,zn)为归一化后的接收声场值;N为阵元的总数;f为频点,频点个数为F个,zn为第n个阵元的深度;
P(ω)为F个频率和N个阵元的接收声场P'(f,zn)组成的声场矩阵,ω=2πf;
取海水平均声速为c,对于阵元间距为d的N元均匀分布的垂直线列阵,导向向量w(θ)为:
将同时形成指向θ1,θ2,…,θL的L个波束构成导向向量矩阵A(ω):
A(ω)=[w(θ1),w(θ2),…,w(θL)] (3)
则频率-掠射角度的波束响应矩阵B(ω,θ)为:
B(ω,θ)=P(ω)A(ω), (4)
其中,矩阵B(ω,θ)大小为N×Nθ,Nθ是掠射角度个数。
本发明还提供了一种基于深度神经网络的深海直达声区目标深度估计***,所述***包括:训练好的深度神经网络、数据接收模块,数据处理模块和声源深度估计模块,
所述数据接收模块,用于接收垂直阵实测得到的时间-阵元域数据,对时间-阵元域数据进行FFT处理得到频率-阵元域数据;
所述数据处理模块,用于对频域归一化处理后的频率-阵元域数据进行常规波束形成处理,得到频率-掠射角度域的波束响应矩阵;
所述声源深度估计模块,用于将频率-掠射角度域的波束响应矩阵输入到所述训练好的深度神经网络中,输出声源深度估计结果。
作为上述***的一种改进,所述深度神经网络包括依次连接的:第一卷积层、第一池化层、第二个卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第四池化层、第五全连接层、第六全连接层、第七全连接层和输出层;其中,第一卷积层和第二卷积层均包含2个子卷积层,第三卷积层和第四卷积层均包含四个子卷积层,每个子卷积层均采用ReLU作为激活函数;四个池化层的大小均为2×2;每两个全连接层之间通过Dropout操作以防止过拟合;所述输出层采用以真实值为中心的高斯型回归输出结构;所述深度神经网络采用的卷积核大小为3×3,通过多个小卷积核来近似替代大卷积核。
作为上述***的一种改进,所述深度神经网络的训练过程,具体包括:
基于环境参数模拟生成频域仿真声压场数据;
对频域仿真声压场数据进行频率归一化处理,然后通过常规波束形成处理,得到频率-掠射角度域的波束响应矩阵;
将频率-掠射角度域的波束响应矩阵输入到深度卷积神经网络进行训练,得到训练好的深度神经网络。
作为上述***的一种改进,所述对频域仿真声压场数据进行频率归一化处理,然后通过常规波束形成处理,得到频率-掠射角度域的波束响应矩阵;具体包括:
将每个频点的频域仿真声压场数据在所有阵元上做规范化处理:
其中,P(f,zn)为第n个阵元的接收声场值,P'(f,zn)为归一化后的接收声场值;N为阵元的总数;f为频点,频点个数为F个,zn为第n个阵元的深度;
P(ω)为F个频率和N个阵元的接收声场P'(f,zn)组成的声场矩阵,ω=2πf;
取海水平均声速为c,对于阵元间距为d的N元均匀分布的垂直线列阵,导向向量w(θ)为:
将同时形成指向θ1,θ2,…,θL的L个波束构成导向向量矩阵A(ω):
A(ω)=[w(θ1),w(θ2),…,w(θL)] (3)
则频率-掠射角度的波束响应矩阵B(ω,θ)为:
B(ω,θ)=P(ω)A(ω), (4)
其中,矩阵B(ω,θ)大小为N×Nθ,Nθ是掠射角度个数。
本发明的优点在于:
1、本发明的方法不需要预知环境信息,如声速剖面、海底地声参数等,也不需要预知阵列的深度信息,具有较强的环境适应性;
2、本发明的基于深度学习方法分析实际水文环境下干涉声场特点与声源深度之间的关系,来克服理想等声速分析方法与实际水文环境之间的偏差对声源深度估计造成的误差,最终实现对典型深海环境下水下目标的深度估计;
3、本发明的方法可以克服多重谱深度估计方法受频带宽度和阵列孔径的限制;深度估计的正确率显著高于输入数据为频率-深度声压场数据的深度神经网络估计方法和传统声源深度估计方法,而且相对误差最低。
附图说明
图1(a)为接收水听器阵布放与拖曳声源,实验测线的海底地形;
图1(b)为实测声速剖面图;
图2为本发明的基于深度神经网络的深海直达声区目标深度估计方法的流程图;
图3为本发明的深度卷积神经网络VGG-15的网络结构示意图;
图4(a)为声源距离约为5.8km处接收信号中垂直阵首阵元接收声场时频图;
图4(b)为声源距离约为5.8km处接收信号中去斜处理后的时频图;
图4(c)为声源距离约为5.8km处接收信号去斜处理后的频率-深度输出图;
图4(d)为声源距离约为5.8km处接收信号经CBF变换后的频率-掠射角度输出图;
图5(a)为同一短连续接收数据采用MSDE方法的声源深度估计结果;
图5(b)为同一短连续接收数据采用VGG-15-CBF的声源深度估计结果;
图5(c)为同一短连续接收数据采用VGG-15-Field的声源深度估计结果;
图6(a)为采用VGG-15-CBF,VGG-15-Field和MSDE三种方法的按样本点时间序列的深度估计结果;
图6(b)为采用VGG-15-CBF,VGG-15-Field和MSDE三种方法的按不同距离下深度估计结果;
图6(c)为采用VGG-15-CBF,VGG-15-Field和MSDE三种方法的按样本点时间序列的深度估计结果的相对误差;
图6(d)为采用VGG-15-CBF,VGG-15-Field和MSDE三种方法的按不同距离下深度估计结果的相对误差。
具体实施方式
下面结合附图和实施例对本发明的技术方案进行详细说明。
本发明提出了一种基于深度神经网络的深海直达声区目标深度估计方法,分为三个主要步骤:仿真声场数据生成,仿真数据预处理和标记,仿真数据训练深度神经网络,实测数据预处理和实测数据经神经网络的输出。
步骤一:通过输入的环境参数到声场计算程序KrakenC中计算频域模拟声压场数据集。
步骤二:通过频率归一化处理去除声源幅度的影响,再通过常规波束形成(CBF)处理输出仿真数据在频率-掠射角度域中的波束响应数据集。
对于输入数据,包括仿真声压场数据和真实接收到的数据,均需要通过数据预处理以减弱声源强度幅度谱的影响。
将每个频点的频域仿真声压场数据在所有阵元上做规范化处理:
其中,P(f,zn)为第n个阵元的接收声场值,P'(f,zn)为归一化后的接收声场值;N为阵元的总数;f为频点,频点个数为F个,zn为第n个阵元的深度;
P(ω)为F个频率和N个阵元的接收声场P'(f,zn)组成的声场矩阵,ω=2πf;
取海水平均声速为c,对于阵元间距为d的N元均匀分布的垂直线列阵,导向向量w(θ)为:
将同时形成指向θ1,θ2,…,θL的L个波束构成导向向量矩阵A(ω):
A(ω)=[w(θ1),w(θ2),…,w(θL)] (3)
则频率-掠射角度的波束响应矩阵B(ω,θ)为:
B(ω,θ)=P(ω)A(ω), (4)
其中,矩阵B(ω,θ)大小为N×Nθ,Nθ是掠射角度个数步骤三:将频率归一化后的数据输入到深度卷积神经网络VGG-15中进行训练得到VGG-15-Field深度神经网络;将CBF处理后的数据输入到深度神经网络VGG-15中训练得到VGG-15-CBF深度神经网络。
步骤四:将垂直阵实测得到的时间-阵元域数据经过FFT处理得到频率-阵元域数据集,然后通过频域归一化处理得到VGG-15-Field测试数据集;然后将频域归一化处理后的数据通过CBF处理,得到频率-掠射角度域中的波束响应数据集作为VGG-15-CBF的测试数据集。
步骤五:将数据集分别输入到VGG-15-Field和VGG-15-CBF中得到声源深度估计结果的输出。
在某深度为2200米左右的海域进行了一次深海试验,试验设备的布放图与试验海域环境如图1(a)所示,试验中用拖曳声源模拟水下目标,发射信号为频率范围80-280Hz、持续时间5s的宽带线性调频信号。声纳接收设备为1条20m等间距的8阵元垂直阵(VLA),阵列布放在近海底水深为1910-2050m。试验期间实地测得的声速剖面如图1(b)所示,声速剖面为典型的深海声速剖面,深海声道轴深度约为1100m。表1中给出了用于本发明中仿真数据计算的环境参数和深度神经网络的训练参数。
表1:仿真环境参数与VGG-15训练参数
图2给出了深度神经网络方法用于声源深度估计的流程图。流程图主要由左侧仿真数据的预处理和训练与右侧实测数据的预处理和深度估计组成。
图3为用于深度神经网络结构示意图,简记为:VGG-15。VGG-15具有12个卷积层和3个全连接层。网络中采用的卷积核大小为3X3,通过多个小卷积核来近似替代大卷积核,以减少网络参数的数目。如图1所示,VGG-15分为8个部分,第一和第二个卷积层各包含2个子卷积层,第三和第四个卷积层各包含四个子卷积层,每个子卷积层均采用ReLU作为激活函数,卷积层之间通过大小为2X2的最大值池化层连接,第五、六和七层为全连接层,全连接层之间通过Dropout操作以防止过拟合。
图4(a)和图4(b)分别给出了声源距离约为5.8km处,垂直阵首阵元接收信号的时频图和经过去斜处理后的时频图。接收信号的采样率为51200Hz,接收数据处理的步长为0.1s,时间窗长度0.5s。图4(c)和图4(d)分别给出了图4(b)中第一个信号(时刻为492s)在垂直阵上的频率-接收深度图和经过CBF后频率-掠射角输出图。
图5(a)给出MSDE方法在一段连续接收数据下计算得到的声源深度估计结果,其中虚线表示拖曳声源的真实深度。从图中可以看到,在发射信号的时刻输出均能有能量聚焦的深度,而在没有发射信号的时刻,输出结果很小。
图5(b)是步骤一中仅利用仿真声场数据训练的深度神经网络VGG-15-CBF对于连续接收数据的输出值。从图中可以看出,深度估计结果(输出取值较大的深度)与真实深度基本一致。
图5(c)是深度神经网络VGG-15-Field对于连续接收数据的输出值。
图6(a)、图6(b)、图6(c)和图6(d)分别给出了三种不同方法,VGG-15-CBF,VGG-15-Field和MSDE方法的深度估计结果与实测深度比较。从图中可以发现,VGG-15-CBF的正确率显著高于输入数据为频率-深度声压场数据的深度神经网络估计方法和MSDE方法,而且相对误差最低。利用MSDE方法估计的正确率为60.0%,正确估计的平均相对误差为33.8%。输入接收的频域-深度声场数据训练得到的深度神经网络模型VGG-15-Field的正确估计率为77.8%,正确估计的平均相对误差为5.6%。输入接收的频域-掠射角声场数据训练得到的深度神经网络模型VGG-15-CBF的正确估计率为93.3%,正确估计的平均相对误差为5.1%。该方法相比于VGG-15-Field,正确估计率得到大幅度提升,而且在估计值更多的情况下,平均相对误差仍要优于VGG-15-Field。
本发明还提供了一种基于深度神经网络的深海直达声区目标深度估计***,所述***包括:训练好的深度神经网络、数据接收模块,数据处理模块和声源深度估计模块,
所述数据接收模块,用于接收垂直阵实测得到的时间-阵元域数据,对时间-阵元域数据进行FFT处理得到频率-阵元域数据;
所述数据处理模块,用于对频域归一化处理后的频率-阵元域数据进行常规波束形成处理,得到频率-掠射角度域的波束响应矩阵;
所述声源深度估计模块,用于将频率-掠射角度域的波束响应矩阵输入到所述训练好的深度神经网络中,输出声源深度估计结果。
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 (2)
1.一种基于深度神经网络的深海直达声区目标深度估计方法,所述方法包括:
将垂直阵实测得到的时间-阵元域数据,经过FFT处理得到频率-阵元域数据;
对频域归一化处理后的频率-阵元域数据进行常规波束形成处理,得到频率-掠射角度域的波束响应矩阵;
将频率-掠射角度域的波束响应矩阵输入到预先训练好的深度神经网络中,输出声源深度估计结果;
所述深度神经网络包括依次连接的:第一卷积层、第一池化层、第二个卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第四池化层、第五全连接层、第六全连接层、第七全连接层和输出层;其中,第一卷积层和第二卷积层均包含2个子卷积层,第三卷积层和第四卷积层均包含四个子卷积层,每个子卷积层均采用ReLU作为激活函数;四个池化层的大小均为2×2;每两个全连接层之间通过Dropout操作以防止过拟合;所述输出层采用以真实值为中心的高斯型回归输出结构;所述深度神经网络采用的卷积核大小为3×3,通过多个小卷积核来近似替代大卷积核;
所述方法还包括:对所述深度神经网络进行训练的步骤,具体包括:
基于环境参数模拟生成频域仿真声压场数据;
对频域仿真声压场数据进行频率归一化处理,然后通过常规波束形成处理,得到频率-掠射角度域的波束响应矩阵;
将频率-掠射角度域的波束响应矩阵输入到深度卷积神经网络进行训练,得到训练好的深度神经网络;
所述对频域仿真声压场数据进行频率归一化处理,然后通过常规波束形成处理,得到频率-掠射角度域的波束响应矩阵;具体包括:
将每个频点的频域仿真声压场数据在所有阵元上做规范化处理:
其中,P(f,zn)为第n个阵元的接收声场值,P′(f,zn)为归一化后的接收声场值;N为阵元的总数;f为频点,频点个数为F个,zn为第n个阵元的深度;
P(ω)为F个频率和N个阵元的接收声场P′(f,zn)组成的声场矩阵,ω=2πf;
取海水平均声速为c,对于阵元间距为d的N元均匀分布的垂直线列阵,导向向量w(θ)为:
将同时形成指向θ1,θ2,…,θL的L个波束构成导向向量矩阵A(ω):
A(ω)=[w(θ1),w(θ2),…,w(θL)] (3)
则频率-掠射角度的波束响应矩阵B(ω,θ)为:
B(ω,θ)=P(ω)A(ω), (4)
其中,矩阵B(ω,θ)大小为N×Nθ,Nθ是掠射角度个数。
2.一种基于深度神经网络的深海直达声区目标深度估计***,其特征在于,所述***包括:训练好的深度神经网络、数据接收模块,数据处理模块和声源深度估计模块,
所述数据接收模块,用于接收垂直阵实测得到的时间-阵元域数据,对时间-阵元域数据进行FFT处理得到频率-阵元域数据;
所述数据处理模块,用于对频域归一化处理后的频率-阵元域数据进行常规波束形成处理,得到频率-掠射角度域的波束响应矩阵;
所述声源深度估计模块,用于将频率-掠射角度域的波束响应矩阵输入到所述训练好的深度神经网络中,输出声源深度估计结果;
所述深度神经网络包括依次连接的:第一卷积层、第一池化层、第二个卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第四池化层、第五全连接层、第六全连接层、第七全连接层和输出层;其中,第一卷积层和第二卷积层均包含2个子卷积层,第三卷积层和第四卷积层均包含四个子卷积层,每个子卷积层均采用ReLU作为激活函数;四个池化层的大小均为2×2;每两个全连接层之间通过Dropout操作以防止过拟合;所述输出层采用以真实值为中心的高斯型回归输出结构;所述深度神经网络采用的卷积核大小为3×3,通过多个小卷积核来近似替代大卷积核;
所述深度神经网络的训练过程,具体包括:基于环境参数模拟生成频域仿真声压场数据;对频域仿真声压场数据进行频率归一化处理,然后通过常规波束形成处理,得到频率-掠射角度域的波束响应矩阵;将频率-掠射角度域的波束响应矩阵输入到深度卷积神经网络进行训练,得到训练好的深度神经网络;
所述对频域仿真声压场数据进行频率归一化处理,然后通过常规波束形成处理,得到频率-掠射角度域的波束响应矩阵;具体包括:
将每个频点的频域仿真声压场数据在所有阵元上做规范化处理:
其中,P(f,zn)为第n个阵元的接收声场值,P′(f,zn)为归一化后的接收声场值;N为阵元的总数;f为频点,频点个数为F个,zn为第n个阵元的深度;
P(ω)为F个频率和N个阵元的接收声场P′(f,zn)组成的声场矩阵,ω=2πf;
取海水平均声速为c,对于阵元间距为d的N元均匀分布的垂直线列阵,导向向量w(θ)为:
将同时形成指向θ1,θ2,…,θL的L个波束构成导向向量矩阵A(ω):
A(ω)=[w(θ1),w(θ2),…,w(θL)] (3)
则频率-掠射角度的波束响应矩阵B(ω,θ)为:
B(ω,θ)=P(ω)A(ω), (4)
其中,矩阵B(ω,θ)大小为N×Nθ,Nθ是掠射角度个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010032052.2A CN113109795B (zh) | 2020-01-13 | 2020-01-13 | 一种基于深度神经网络的深海直达声区目标深度估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010032052.2A CN113109795B (zh) | 2020-01-13 | 2020-01-13 | 一种基于深度神经网络的深海直达声区目标深度估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113109795A CN113109795A (zh) | 2021-07-13 |
CN113109795B true CN113109795B (zh) | 2022-10-14 |
Family
ID=76708849
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010032052.2A Active CN113109795B (zh) | 2020-01-13 | 2020-01-13 | 一种基于深度神经网络的深海直达声区目标深度估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113109795B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115047408B (zh) * | 2022-06-13 | 2023-08-15 | 天津大学 | 一种基于单层大卷积核神经网络的水下多声源定位方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8054712B1 (en) * | 2009-09-30 | 2011-11-08 | The United States Of America As Represented By The Secretary Of The Navy | Autonomous hydrophone position locating and target tracking system |
CN105207964B (zh) * | 2015-08-17 | 2018-10-26 | 哈尔滨工程大学 | 一种基于单矢量传感器的水声自适应判决反馈均衡方法 |
CN109975762B (zh) * | 2017-12-28 | 2021-05-18 | 中国科学院声学研究所 | 一种水下声源定位方法 |
CN109100710A (zh) * | 2018-06-26 | 2018-12-28 | 东南大学 | 一种基于卷积神经网络的水下目标识别方法 |
-
2020
- 2020-01-13 CN CN202010032052.2A patent/CN113109795B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113109795A (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Neupane et al. | A review on deep learning-based approaches for automatic sonar target recognition | |
CN111639747B (zh) | 一种基于bp神经网络的gnss-r海面风速反演方法及*** | |
RU2681242C1 (ru) | Интеллектуальная система обнаружения и классификации морских целей | |
RU2694846C1 (ru) | Способ формирования системы морского мониторинга с программируемым нейросетевым комплексом управления | |
CN104749568B (zh) | 一种基于水听器阵列的浅海目标深度的分类方法 | |
CN112990082B (zh) | 一种水声脉冲信号的检测识别方法 | |
Van Komen et al. | Seabed type and source parameters predictions using ship spectrograms in convolutional neural networks | |
CN113472390B (zh) | 一种基于深度学习的跳频信号参数估计方法 | |
Shen et al. | Improved auditory inspired convolutional neural networks for ship type classification | |
RU2681252C1 (ru) | Система обнаружения гидроакустических сигналов и их нейросетевой классификации | |
Belghith et al. | Acoustic diversity classifier for automated marine big data analysis | |
CN113109794B (zh) | 一种强噪声环境下基于深度神经网络的深海声源定深方法 | |
CN113253248B (zh) | 一种基于迁移学习的小样本垂直阵目标距离估计方法 | |
CN113109795B (zh) | 一种基于深度神经网络的深海直达声区目标深度估计方法 | |
Liu et al. | Few-shot learning with data enhancement and transfer learning for underwater target recognition | |
Mohankumar et al. | Implementation of an underwater target classifier using higher order spectral features | |
CN115630326B (zh) | 利用水听器监测海洋生态***的健康状态的方法及装置 | |
Vahidpour et al. | An automated approach to passive sonar classification using binary image features | |
Houégnigan et al. | A novel approach to real-time range estimation of underwater acoustic sources using supervised machine learning | |
CN113570041B (zh) | 一种神经网络以及利用该神经网络压制海上光纤拖缆地震数据噪声的方法 | |
Bach | Improving the classification of propeller ships using LOFAR and triple loss variational auto encoder | |
RU2724990C1 (ru) | Способ обнаружения и классификации морских целей с использованием математической модели определения типа цели | |
RU2726992C1 (ru) | Система обнаружения и классификации морских целей с использованием математической модели определения типа цели | |
CN111965601A (zh) | 一种基于核极限学习机的水下声源被动定位方法 | |
CN113657416B (zh) | 一种基于改进的深度神经网络的深海声源测距方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |