一种基于卷积神经网络的水下目标波达方向估计的方法技术

本发明专利技术公开了一种基于卷积神经网络的水下目标波达方向估计的方法，步骤如下：1、将生成的协方差矩阵数据划分为训练集和测试集并进行数据预处理；2、确定卷积神经网络的初始条件；3、输入训练集数据，通过卷积池化层形成全连接层；4、计算当前输出层正向传播预测值；计算CNN的代价函数，根据代价函数进行反向传播更新全连接层各层神经元参数；5、循环执行步骤3和4，当代价函数达到最小值时或到达预设迭代次数时CNN完成训练，得到训练完成的CNN模型；6、在完成的CNN模型中，得到CNN最终预测的角度估值，与真实角度值对比，计算准确率。本发明专利技术实现了在低信噪比情况下的快速准确的水下波达方向估计。方向估计。方向估计。

【技术实现步骤摘要】
一种基于卷积神经网络的水下目标波达方向估计的方法


[0001]本专利技术涉及水声目标定位，特别是一种基于卷积神经网络的水下目标波达方向估计的方法。

技术介绍

[0002]水下常见军事目标包括潜艇，水下无人潜航器等。在军事战斗过程中，水下目标定位关系着指挥人员的判断与决策，特别是在海军潜艇战与反潜战中，快速的目标定位能够提高对潜艇的反应速度与打击能力。
[0003]当前，常见水下定位方法分为光学法与声学法两大类。光学方法中，水下高频信号衰减剧烈，利用光波实现的水下目标定位仅适用于短距离定位，不满足海洋作战中中长途目标定位要求。声学方法中，国内外目前多数采用水下声阵列定位技术，实现目标波达方向角估计。但在传统算法中，往往对采集的阵列数据进行子空间分解，计算复杂，耗时长，难以满足快速定位的要求，同时在低信噪比环境下，子空间分解法效果不佳。

技术实现思路

[0004]专利技术目的：本专利技术的目的是提供一种基于卷积神经网络的水下目标波达方向估计的方法，从而实现在低信噪比情况下的快速准确的水下波达方向估计。
[0005]技术方案：本专利技术所述的一种基于卷积神经网络的水下目标波达方向估计的方法分为两大部分，其一为网络训练数据采集，其二为卷积神经网络设置训练生成。
[0006]数据采集以二维平面阵列数据为例：考虑在同一平面内，空间距离为半波长 d＝λ/2的N个传感器组成的均匀线性阵列，传感器的编号分别为1至N。远场目标位于θ存在中心波长为λ的窄带信号s(t)，于是N个传感器的输出所构成的接收数据向量可以表示为：
[0007]x(t)＝As(t)+n(t)
ꢀꢀꢀ
(1)
[0008]式(1)中s(t)一维信号向量，n(t)是N
×
1维噪声向量。A＝a(θ)是N维阵列导向矩阵，由包含DOA信息的a(θ)构成，理想阵列导向矢量具体表示为：
[0009][0010]式(2)中e
j(2π/λ)d sin(θ)
是相位差，d＝λ/2传感器间距离，(
·
)
T
表示转置。信号和噪声具有如下性质：(I)噪声是零均值高斯噪声；(II)信号是平稳信号； (III)噪声与信号相互独立。通过采集J次快拍，接收数据矩阵表示如下：
[0011]X＝AS+N
ꢀꢀꢀ
(3)
[0012]式(3)中X＝[x(1)x,(2)x,是N
×
J维数据矩阵， S＝[s(1),s(2),...,s(J)]是1
×
J维信号矩阵，N＝[n(1),n(2),...,n(J)]是 1
×
J维复高斯噪声矩阵，J是所收集的快拍总数。传感器阵列输出数据的协方差矩阵可以表示为：
[0013]R
x
＝E[XX
H
]ꢀꢀ
(4)
[0014]式中(
·
)
H
和E[
·
]分别表示共轭转置和数学期望。DOA估计是从已知的接收数据X中获取来波角度信息，所以将R
x
作为训练网络所需数据源。
[0015]卷积神经网络训练步骤如下：
[0016]S1、将生成的协方差矩阵数据划分为训练集和测试集并进行数据预处理；
[0017]S2、设定CNN系统各项超参数，初始化CNN卷积核、池化方式、全连接层神经元参数、分类函数等；
[0018]S3、输入训练集数据，通过卷积池化层形成全连接层；
[0019]S4、接收全连接层数据，计算当前输出层正向传播预测值。计算CNN的代价函数，根据代价函数进行反向传播更新全连接层各层神经元参数，其中代价函数采用交叉熵函数；
[0020]S5、循环执行S3和S4，使得CNN达到预估角度误差的要求，当代价函数达到最小值时或到达预设迭代次数时CNN完成训练，各项参数停止更新，得到训练完成的CNN模型；
[0021]S6、在完成的CNN模型中，得到CNN最终预测的角度估值，与真实角度值对比，计算准确率；
[0022]在S1中，需要准确角度序列θ，以及阵列对应生成的协方差数据R
x
，在R
x
中包含实部虚部两个部分。由于CNN通常只能处理实数域数据，考虑将R
x
中实虚部分开，将虚部数据实值化，将实虚部变为两个通道并行输入。
[0023]在S2中卷积神经网络各项参数设定如下：设置学习率为0.01，隐含层激活函数采用ReLU激活函数，输出层激活函数采用Softmax激活函数，代价函数采用交叉熵损失函数，权值初始化方式为Glorot均匀分布，权重更新策略为Adam。
[0024]其中，激活函数ReLU表达式f(x)＝max(0，x)，相比于相比sigmod激活函数函数有克服梯度消失的问题，并加快了训练速度。Adam优化算法可以看作是将动量梯度算法(Momentum)与均方根算法(Root Mean Square Prop)相结合，可以快速收敛并正确学习，最大程度的优化了损失函数收敛过程。权值初始化方式选择Glorot均匀分布，即权值参数在区间均匀分布，其中fan_in为权值张量的输入单元数，fan_out是权重张量的输出单元数。
[0025]在S3中不同于数学上的离散二维卷积计算，在卷积神经网络中，卷积核不用反转，计算公式为
[0026][0027]式(5)中f(m,n)为输入矩阵的数据，g(m,n)为卷积核函数。池化方式选用区域最大采样。
[0028]在S4中，本专利技术主要研究为多角度分类问题，Softmax是处理多分类问题最长使用的函数，是逻辑回归模型在多分类问题上的推广，Softmax函数的公式如下：
[0029][0030]式(6)中，yk是第k个神经元的输出，n表示网络的输出层神经元的数目。分子是输入信号a
k
的指数函数，分母是所有输入信号的指数函数之和。由于 softmax函数的输出是介于0
‑
1之间的实数，且softmax函数输出值的总和为1.因此将softmax函数的输出可以解释为“概率”。一般神经网络将输出值最大的神经元所对应的类别作为识别结果。本专利技术将信号来波角度在区间[
‑
90
°
,+90
°
]均匀分为181个类，因此，卷积神经网络输出层的神经元设定为181个。
[0031]预测角度值与真实角度值之间的误差采用交叉熵函数计算，其公式为：
[0032][0033]式(7)中，y(i)表示真实角度值,a(i)表示预测角度值，n表示分类个数，即输出神经元个数。通过Adam优化算法约束代价函数收敛，使得各层间权值与偏置参数在反向传播过程中不断更新，预测角度值不断逼近真实角度值，达到预测真实来波方向的目的。
[0034]在S5中，多次仿真实验可知，计算迭代次数在五十次时，代价函数趋于稳定，所以本实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的水下目标波达方向估计的方法，其特征在于，包括以下步骤：(1)将生成的协方差矩阵数据划分为训练集和测试集并进行数据预处理；(2)设定CNN系统各项超参数，初始化CNN卷积核、池化方式、全连接层神经元参数、分类函数；(3)输入训练集数据，通过卷积池化层形成全连接层；(4)接收全连接层数据，计算当前输出层正向传播预测值；计算CNN的代价函数，根据代价函数进行反向传播更新全连接层各层神经元参数，其中代价函数采用交叉熵函数；(5)循环执行步骤(3)和(4)，使得CNN达到预估角度误差的要求，当代价函数达到最小值时或到达预设迭代次数时CNN完成训练，各项参数停止更新，得到训练完成的CNN模型；(6)在完成的CNN模型中，得到CNN最终预测的角度估值，与真实角度值对比，计算准确率。2.根据权利要求1所述的一种基于卷积神经网络的水下目标波达方向估计的方法，其特征在于，所述步骤(2)中，卷积神经网络各项参数设定如下：设置学习率为0.01，隐含层激活函数采用ReLU激活函数，输出层激活函数采用Softmax激活函数，代价函数采用交叉熵损失函数，权值初始化方式为Glorot均匀分布，权重更新策略为Adam。3.根据权利要求1所述的一种基于卷积神经网络的水下目标波达方向估计的方法，其特征在于，所述步骤(3)中，通过卷积池化层形成全连接层的计算公式为：式中f(m,n)为输入矩阵的数据，g(m,n)为卷积核...

【专利技术属性】
技术研发人员：王彪，余春祥，朱雨男，张明亮，
申请(专利权)人：江苏科技大学，
类型：发明
国别省市：