基于微型神经网络解缠绕的合成孔径声呐时延估计方法技术

本发明专利技术提供一种基于微型神经网络解缠绕的合成孔径声呐时延估计方法，所述方法包括：接收合成孔径声呐阵列采集的时域回波，并通过滤波器将时域回波分成两个子带信号；计算前后帧时域回波的互相关函数，并通过互相关函数计算两个子带信号的缠绕时延；将缠绕时延输入预先建立和训练好的神经网络提取相位缠绕整数，并利用缠绕时延和相位缠绕整数重建真实时延，从而实现合成孔径声呐时延估计。本发明专利技术克服了传统时延估计方法中相位解缠准确率低的问题，时延估计精度和稳健性高，网络结构简单，计算量小，可为合成孔径声呐运动补偿提供稳健的参数估计。数估计。数估计。

【技术实现步骤摘要】
基于微型神经网络解缠绕的合成孔径声呐时延估计方法


[0001]本专利技术涉及水声信号处理领域，尤其涉及基于微型神经网络解缠绕的合成孔径声呐时延估计方法。

技术介绍

[0002]目前，合成孔径声呐已经成为最重要的水下高分辨率成像设备之一，在军用和民用领域都有十分广阔的应用场景。合成孔径声呐利用阵列的连续移动获得虚拟大孔径，通过相干处理获得方位向的恒定高分辨率。相干处理要求精确的载体轨迹信息，往往要达到亚波长量级的估计精度。受到风浪、海流、姿态控制等因素的影响，载体往往会偏离预设航迹，产生运动误差，造成成像质量的下降。目前，运动误差已经成为制约合成孔径声呐成像质量提升的主要因素，因此运动误差估计技术在合成孔径声呐领域愈发重要。
[0003]由于GPS系统无法在水下使用，通常使用运动传感器或者声学应答器来测量载体的位置。然而，运动传感器精度不足，难以满足合成孔径声呐成像的需求；声学应答器需提前布放，不便于实际应用。声呐平台的精确运动信息可以使用微导航方法从本身的回波中估计，偏移相位中心算法是最常用的微导航方法，该算法的核心步骤是时延估计。然而，由于噪声的影响，时延估计中的相位解缠往往会出现错误，导致时延估计的精度和稳健性降低。
[0004]近年来，深度学习技术得到了快速发展，在水声信号处理领域也获得了广泛的应用。合成孔径声呐回波中的时延可以理解为回波和平台运动之间的非线性映射关系，利用深度学习技术可以有效的学习这种非线性映射关系，且对噪声不敏感，这表明深度学习技术可以应用于合成孔径声呐时延估计问题。然而，深度神经网络的高性能依赖于更深的网络层和大量数据的迭代训练过程，需要较大的计算开销和时间成本，无法应用于合成孔径声呐实时成像系统。微型神经网络也称轻量级神经网络，仍然拥有较强的学习能力，且网络模型简单，训练数据需求和计算量小，为稳健的合成孔径声呐时延估计提供了另一种可能。
[0005]总之，在合成孔径声呐运动误差估计中，目前急需一种稳健、高精度、快速的时延估计方法，以提高后续运动补偿的精度和实时性。

技术实现思路

[0006]本专利技术的目的在于克服现有技术相位解缠不稳健的缺陷，提出了一种基于微型神经网络解缠绕的合成孔径声呐时延估计方法。
[0007]为了实现上述目的，本专利技术提出了一种基于微型神经网络解缠绕的合成孔径声呐时延估计方法，所述方法包括：
[0008]步骤1)接收合成孔径声呐阵列采集的时域回波，并通过滤波器将时域回波分成两个子带信号；
[0009]步骤2)计算前后帧时域回波的互相关函数，并通过互相关函数计算两个子带信号的缠绕时延；
[0010]步骤3)将缠绕时延输入预先建立和训练好的神经网络提取相位缠绕整数，并利用缠绕时延和相位缠绕整数重建真实时延，从而实现合成孔径声呐时延估计。
[0011]作为上述方法的一种改进，所述步骤1)具体包括：
[0012]合成孔径声呐阵列在第p帧和第p+1帧的采集的时域回波分别为s
p
(t)和s
p+1
(t)；
[0013]通过滤波器将回波分为两个子频带：
[0014][0015]其中，s
1,p
(t)和s
2,p
(t)分别为第p帧时域回波s
p
(t)的第一子带信号和第二子带信号，s
1,p+1
(t)和s
2,p+1
(t)分别为第p+1帧时域回波的第一子带信号和第二子带信号，h1(t)和h2(t)分别为两个带通滤波器，表示卷积符号。
[0016]作为上述方法的一种改进，所述步骤2)具体包括：
[0017]计算第p帧和第p+1帧子带信号的互相关函数R
1,p
(τ)和R
2,p
(τ)：
[0018][0019]其中，
‘
*
’
表示复共轭；τ为第p帧和第p+1帧之间的时延；
[0020]利用互相关函数求出子带信号带有相位缠绕的时延τ1和τ2：
[0021][0022]其中，
‘
∠
’
表示求相位操作，f1和f2为两个子带信号的中心频率；
[0023]作为上述方法的一种改进，所述步骤3)的神经网络包括输入层、隐藏层和输出层，其中，输入层由2个神经元组成，隐藏层由5个神经元组成，输出层由2个神经元组成，输入层和输出层采用线性激活函数；隐藏层采用双曲正切激活函数f(x)，满足下式：
[0024][0025]其中，x为函数自变量；
[0026]所述输入层第i个神经元的输入为a
i
＝τ
″
i
，输出为x
i
＝g1(a
i
)；
[0027]其中，τ
″
i
为第i个神经元收到的缠绕时延，g1为输入层的激活函数；
[0028]所述隐藏层第j个神经元的输入a
j
为：
[0029][0030]输出为z
j
＝g2(a
j
)，其中，w
ij
是输入层第i个神经元和隐藏层第j个神经元之间的权重，w
j0
是隐藏层第j个神经元的偏置，g2为隐藏层的激活函数；
[0031]所述输出层第k个神经元的输入a
k
为：
[0032][0033]输出为其中，w
jk
是隐藏层第j个神经元和输出层第k个神经元之间的权重，w
k0
是输出层第k个神经元的偏置，g3为输出层的激活函数。
[0034]作为上述方法的一种改进，所述方法还包括神经网络的训练步骤；具体包括：
[0035]利用缠绕时延和真实时延之间的关系，通过仿真生成真实时延：
[0036][0037]其中，τ1和τ2代表两个子带信号的缠绕时延，τ1′
和τ2′
代表两个子带信号的真实时延，代表相位缠绕整数；
[0038]在仿真的真实时延中加入误差，以提高网络的泛化能力：
[0039][0040]其中，τ
″1和τ
″2为带有误差的真实时延，ε1和ε2为服从高斯分布的噪声，其均值为0，方差为
[0041]获得神经网络的训练集{(τ
″1,τ
″2),(n1,n2)}
train
和测试集{(τ
″1,τ
″2),(n1,n2)}
test
，其中(τ
″1,τ
″2)为神经网络的输入数据，(n1,n2)为输出数据，也即标签向量；
[0042]采用Levenberg
‑
Marquardt反向传播算法和均方误差损失函数进行网络训练，并利用测试集验证神经网络的性能，得到满足训练要求的神经网络。
[0043]作为上述方法的一种改进，所述步骤3)具体包括：
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于微型神经网络解缠绕的合成孔径声呐时延估计方法，所述方法包括：步骤1)接收合成孔径声呐阵列采集的时域回波，并通过滤波器将时域回波分成两个子带信号；步骤2)计算前后帧时域回波的互相关函数，并通过互相关函数计算两个子带信号的缠绕时延；步骤3)将缠绕时延输入预先建立和训练好的神经网络提取相位缠绕整数，并利用缠绕时延和相位缠绕整数重建真实时延，从而实现合成孔径声呐时延估计。2.根据权利要求1所述的基于微型神经网络解缠绕的合成孔径声呐时延估计方法，其特征在于，所述步骤1)具体包括：合成孔径声呐阵列在第p帧和第p+1帧的采集的时域回波分别为s
p
(t)和s
p+1
(t)；通过滤波器将回波分为两个子频带：其中，s
1,p
(t)和s
2,p
(t)分别为第p帧时域回波s
p
(t)的第一子带信号和第二子带信号，s
1,p+1
(t)和s
2,p+1
(t)分别为第p+1帧时域回波的第一子带信号和第二子带信号，h1(t)和h2(t)分别为两个带通滤波器，表示卷积符号。3.根据权利要求2所述的基于微型神经网络解缠绕的合成孔径声呐时延估计方法，其特征在于，所述步骤2)具体包括：计算第p帧和第p+1帧子带信号的互相关函数R
1,p
(τ)和R
2,p
(τ)：其中，
‘
*
’
表示复共轭；τ为第p帧和第p+1帧之间的时延；利用互相关函数求出子带信号带有相位缠绕的时延τ1和τ2：其中，
‘
∠
’
表示求相位操作，f1和f2为两个子带信号的中心频率。4.根据权利要求3所述的基于微型神经网络解缠绕的合成孔径声呐时延估计方法，其特征在于，所述步骤3)的神经网络包括输入层、隐藏层和输出层，其中，输入层由2个神经元组成，隐藏层由5个神经元组成，输出层由2个神经元组成，输入层和输出层采用线性激活函数；隐藏层采用双曲正切激活函数f(x)，满足下式：
其中，x为函数自变量；所述输入层第i个神经元的输入为a
i
＝τ
i
″
，输出为x
i
＝g1(a
i
)；其中，τ
i
″
为第i个神经元收到的缠绕时延，g1为输入层的激活函数；所述隐藏层第j个神经元的输入a
j
为：输出为z
j
＝g2(a
j
)，其中，w

【专利技术属性】
技术研发人员：陈世平，迟骋，张鹏飞，王朋，刘纪元，
申请(专利权)人：中国科学院声学研究所，
类型：发明
国别省市：