基于深度学习的水声阵列信号二维波达方向估计方法

摘要

本发明公开了一种基于深度学习的水声阵列信号二维波达方向估计方法，本发明首先基于小波变换对型水声阵列接收信号进行预处理，提取水声信号时频特征，在保留原信号重要信息的前提下，利用线性因子对信号特征进行增强，降低噪声干扰；然后基于奇异值分解对信号进行压缩降维，提取分解后矩阵左上角信号能量部分，摒弃右下角噪声能量部分，增强预处理后信号的时频特征；最后训练基于卷积神经网络的水声阵列信号二维波达方向估计模型，获取准确预测的二维波达方向。本发明能够有效增强信号的时频特性，降低噪声干扰，更精准地预测水声阵列信号二维波达方向。

说明书

技术领域

本发明属于水声通信技术领域，具体地说，涉及一种基于深度学习的水声阵列信号二维波达方向估计方法。

背景技术

波达方向(DirectionofArrival，DOA)估计是指通过对阵列接收信号进行分析处理进而估计信号来波方向。随着水声通信技术的发展，水声阵列信号DOA估计技术成为了对水声目标进行识别、定位、跟踪和探测的前提和基础。目前，声波是唯一能够在水下进行远距离传播的信号形式，但海洋中环境复杂，水声信道稀疏，大量自然及人为噪声和多径效应等干扰严重，增大了水声DOA估计技术的研究难度。同时，水声DOA估计技术大多集中于一维DOA估计，然而一维角度在立体空间无法准确表征信源的实际方向，因此水声信号二维DOA估计技术具有较高的研究价值。

目前，较为经典的二维多重信号分类算法估计精度较高，但需进行二维谱峰搜索计算复杂度较大，在实际应用上非常困难。为解决这一问题，二维旋转不变子空间算法和二维传播算子算法相继被提出，但针对复杂海洋环境中低信噪比、小快拍的情况下该类算法仍存在估计精度低、性能严重下降等问题。因此，在复杂水声环境信号时变特性及噪声干扰等问题的影响下，现有水声阵列信号二维DOA估计算法的实际应用效果仍不理想。

发明内容

针对复杂海洋环境下水声信号的时变特性，人为及自然等噪声干扰严重，二维DOA估计复杂度高及估计精度低等问题，本发明提出了一种基于深度学习的水声阵列信号二维波达方向估计方法，以弥补现有技术的不足。

为实现上述发明目的，本发明采取下述技术方案予以实现：

一种基于深度学习的水声阵列信号二维波达方向估计方法，包括以下步骤：

S1：建立水声L型均匀线阵接收模型并接收水声信号；

S2：基于改进的小波变换，提取水声信号时频特征；

S3：基于奇异值分解对S2提取的时频特征进行压缩降维；

S4：根据压缩降维后的时频特征，搭建卷积神经网络；

S5：利用S1-S3构建的数据集，训练S4搭建的卷积神经网络，得到二维波达方向估计模型；

S6：实际接收的待测水声信号进行S2和S3处理，处理后的待测数据时频特征导入S5得到的二维波达方向估计模型，最终输出预测结果，实现水声信号二维波达方向估计。

进一步的，所述S1具体包括：

S1-1：L型均匀线阵由平面上的两个分别沿x轴和y轴的M元均匀线阵组成，相邻阵元间隔为d，等于信号半波长，坐标原点处的阵元看作参考阵元，各阵元各向同性；假设有频率为f、声速为v的远场窄带水声信号以波长λ入射到2M-1个阵元组成的L型阵列上，其中入射信号与x轴、y轴的夹角分别用α和β表示，设信号的方位角与俯仰角分别为θ和

式中，t＝1,2,...,K，K表示快拍数；s(t)表示信源在t时刻的信号矢量；阵列流型矩阵分别为

其中，

分别表示子阵X和子阵Y的导向矢量；

S1-2：分别将子阵X和子阵Y各阵元的接收信号顺序排列，排列后的信号矢量表示为：

X(t)＝[x

其中，

进一步的，所述S2具体包括：

S2-1：采用复Morlet小波作为小波变换的基函数提取水声信号的时频特征，其数学表达式如下：

其中，Ω为复Morlet小波的中心角频率；

S2-2：对于任意函数f(t)的连续小波变换定义表示为

式中，a为尺度因子，b为平移因子；

S2-3:提取的水声阵列信号的时频特征表示为

其中，Y

S2-4:已知水声信号的频率为f

其中，f为小波系数频率，[f

则改进后水声信号时频特征表示为：

进一步的，所述S3具体为：

S3-1：对水声信号的时频特征进行奇异值分解：

W＝UΣV

其中，W∈C

S3-2：构造降维时频特征W

W

其中，N为信源个数，D

S3-3：为保证卷积神经网络的正确输入，对降维后的时频特征进行实虚部分离并拼成两列，表示为：

W′

进一步的，所述S4中的卷积神经网络设计为：

S4-1：由于S3中降维后的时频特征的维度为2M×2N，因此设计输入层的结构为2M×2N×1；

S4-2：第一层卷积层采用J

S4-3:第二层卷积层采用J

S4-4：第三层为全连接层，采用R个神经元，增强特征间的联系；

S4-5：第四层为全连接层，将S4-4得到的结果2N次送入第四层全连接层，实现特征和样本标签的映射；采用Softmax激活函数输出分类结果，并将输出结果拼接得到最终输出结果；

S4-6：卷积层的激活函数均采用Rule，其数学表达式为：

进一步的，所述S5包括：

S5-1：根据S1-S3构造水声信号时频特征数据集，数据集可以表示为

S5-2：将数据集以8：2的比例划分为训练集、测试集；

S5-3：使用训练集训练网络模型，利用测试集验证模型准确性，完成水声阵列信号二维DOA估计模型的训练。

与现有方法相比，本发明优点和技术效果如下：

本发明基于改进小波变换对水声信号进行滤化，降低噪声干扰，增强信号时频特征；再基于奇异值分解处理时频特征，聚集信号能量，并进行压缩降维，降低存储容量；另，根据增强后的水声信号时频特征，设计卷积神经网络，训练水声阵列信号二维DOA估计模型，高效预测的二维波达方向。

本发明能够有效增强复杂海洋环境下信号的时频特性，降低噪声干扰，更精准预测信号方向，解决了复杂海洋环境信号二维波达方向估计低精度的问题。

附图说明

图1是本发明实施例的基本流程图；

图2是本发明实施例中的水声阵列信号接收模型框图；

图3是本发明的卷积神经网络结构图；

图4是本发明实施例中的模型构建流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下将结合附图和实施例，对本发明作进一步详细说明。

实施例1：

本实施例所述的一种基于深度学习的水声阵列信号二维波达方向估计方法，包括以下步骤(如图1所示)：

步骤S1：对浅海水声环境进行建模并接收水声信号，具体步骤如下：

S1-1：L型均匀线阵(如图2所示)由平面上的两个分别沿x轴和y轴的M元均匀线阵组成，相邻阵元间隔为d，等于信号半波长，坐标原点处的阵元看作参考阵元，各阵元各向同性。假设有频率为f

式中，t＝1,2,...,K，K表示快拍数；s(t)表示信源在t时刻的信号矢量；阵列流型矩阵分别为

其中，

分别表示子阵X和子阵Y的导向矢量；

步骤S2：基于改进小波变换，提取水声信号时频特征，具体步骤如下：

S2-1：采用复Morlet小波作为小波变换的基函数提取水声信号的时频特征，其数学表达式如下：

其中，Ω为复Morlet小波的中心角频率；

S2-2：对于任意函数f(t)的连续小波变换定义表示为

式中，a为尺度因子，b为平移因子；

S2-3:提取的水声阵列信号的时频特征表示为

其中，Y

S2-4:已知水声信号的频率为f

其中，f为小波系数频率，[f

则改进后水声信号时频特征表示为：

步骤S3：基于奇异值分解对基于改进小波变换提取的时频特征进行压缩降维，具体步骤如下：

S3-1：对水声信号的时频特征进行奇异值分解：

W＝UΣV

其中，W∈C

S3-2：构造降维时频特征W

W

其中，N为信源个数，D

为保证卷积神经网络的正确输入，对降维后的时频特征进行实虚部分离并拼成两列，表示为：

W′

步骤S4：根据压缩降维后的时频特征，搭建卷积神经网络(结构如图3所示)，具体步骤如下：

S4-1：由于S3中降维后的时频特征的维度为2M×2N，因此设计输入层的结构为2M×2N×1；

S4-2：第一层为卷积层，采用J

S4-3:第二层为卷积层，采用J

S4-4：第三层为全连接层，采用R个神经元，增强特征间的联系；

S4-5：第四层为全连接层，将S4-4得到的结果2N次送入第四层全连接层，，实现特征和样本标签的映射；采用Softmax激活函数输出分类结果，并将输出结果拼接得到最后输出结果；

S4-6：卷积层的激活函数均采用Rule，其数学表达式为：

步骤S5：利用预处理后的水声信号时频特征构建数据集，训练卷积神经网络，得到二维波达方向估计模型，具体如下：

S5-1：根据S1-S3构造水声信号时频特征数据集，数据集可以表示为

S5-2：将数据集以8：2的比例划分为训练集、测试集；

S5-3：使用训练集训练网络模型，利用测试集验证模型准确性，完成水声阵列信号二维DOA估计模型的训练(如图4所示)。

步骤S6：实际接收的待测信号进行改进小波变换和奇异值分解处理，处理后的待测数据时频特征导入训练好的二维波达方向估计模型，最终输出预测结果，实现水声信号二维波达方向估计。

以上实施例仅用以说明本发明的技术方案，而非对其进行限制；尽管参照前述实施例对本发明进行了详细的说明，对于本领域的普通技术人员来说，依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。