Page 83 - 《应用声学》2021年第5期

第 40 卷 第 5 期 姚琦海等： 基于广义回归神经网络的强干扰下垂直阵目标距离估计方法 727

0 1.0 0 1.0
ࠄᬅͯᎶ ࠄᬅͯᎶ
20 ͥᝠͯᎶ 0.9 20 (3.93, 54) ͥᝠͯᎶ
(3.93, 54) 0.9
40 0.8 40
0.8
60 60
0.7 80 (4.10, 58) 0.7
(3.12, 52)
80
ງए/m 100 0.6 ງए/m 100 0.6
0.5
120 120
0.4 0.5
140 140
0.3
160 160 0.4
0.2
180 180 0.3
0.1
         
ᡰሏ/km ᡰሏ/km
(a) 235 Hz (b) {112 235 388} Hz
图 4 MFP 模糊度平面图
Fig. 4 Ambiguity surface of MFP

6 6
5 5

4 4
ᡰሏ/km 3 ᡰሏ/km 3

2 2
1 ࠄᬅᡰሏ 1 ࠄᬅᡰሏ
ᮕ฾ᡰሏ ᮕ฾ᡰሏ
0 0
0 10 20 30 40 50 60 70 0 10 20 30 40 50 60 70
ನవᎄՂ ನవᎄՂ
(a) 235 Hz (b) {112 235 388} Hz
图 5 MFP 在测试集上的距离估计结果
Fig. 5 Range estimation results of MFP on the test set

的距离估计，由于简正波模型不适合近场声场建模， 后通过批规划化层使得卷积输出满足 0 均值和 1 标
导致在 0∼2 km 之间的声源定位效果较差。相比窄 准差，批规范化后使用修正线性函数 ReLU 作为激
带声源，宽带声源的距离估计性能略好。 活函数。卷积层之间使用残差连接来训练深层网络，
卷积层之后为全局平均池化层、全连接层、ReLU 激
3.2.2 CNN
活层、比率为0.5 的Dropout层和回归层 [26] 。
该实验共记录了 65 min 数据，每 1 min 给出了
网络输出为距离值，因此输出层仅有一个神经
该时刻的空间位置信息，将该 66个位置的对应数据
元。作为回归问题，网络训练使用
作为测试样本。在相邻的两个测试样本间，每间隔
N
2
5.0 m (约为 2 s) 作为一个训练样本，距离值通过插 L MSE (d, d) = 1 ∑ (d (i) − d ) , (12)
ˆ
ˆ (i)
值获得，各个选取频率及各位置下的 SCMs 由 3 个 N i=1
1 s 快拍数据平均计算获得，共 1775 个插值点作为 作为损失函数，采用 Sgdm算法作为优化算法，学习
训练样本 (为避免测试集泄漏，剔除距离测试样本 率为 0.0001，最大迭代次数为 500，图6 为网络的总
5.0 m 的训练样本)，窄带和宽带声源的特征数分别 体结构。图 7 为 CNN 在测试集上的距离估计结果，
为462和1386，网络输入分别为 1 × 462和1 × 1386 可得到 CNN 方法相比 MFP，可以在环境失配下的
的一维序列。隐藏层由卷积层和全连接层组成，其 0∼2 km 下有较好的估计性能，但其精度和稳健性
中卷积层使用卷积核大小为5，在 3 个阶段中，步长 相比 GRNN 方法较差，网络参数较多，训练时间较
分别为1、2、2，滤波器个数分别为 5、10、20。卷积之 长，并且容易过拟合。