Page 19 - 《应用声学》2023年第2期

第 42 卷 第 2 期 刘兢本等： 一种深度学习的立体阵波达方向估计方法 207

160 160 160
160
120
φ/(O) 80 120 120
40
0 φ/(O) 80 φ/(O) 80
0 40 80 120 160
θ/(O) 40
40
0
0 0
160 0
40
120
40
φ/(O) 80 80 80 120
40 θ/(O) 120 θ/(O) 120 160 160
160
0
0 40 80 120 160
θ/(O)
(a) ᣥК஝૶ (b) ಖኤ
图 4 输入数据及标签形式
Fig. 4 Input data and label format
˜
功率谱动态范围大，神经网络输入 P cbf 和标签 各个阵元在水平和垂直方向等间隔排布，阵元间
˜
S 值域范围需要保持在 0 ∼ 1 之间。因此采用对数 距 0.25 m。神经网络训练时基于远场平面波假设
归一化方式对输入数据和标签一步处理，表达式为 生成仿真数据。训练数据集中各个样本主要参数
 lg (P cbf ) − min (lg (P cbf ))
 ˜ , 除去目标方向不同，其他参数均相同。文中 CBF
P cbf =
max (lg (P cbf )) − min (lg (P cbf ))

◦
◦
(19) 方位谱观察范围为 0 ∼ 180 ，神经网络输入层长
lg (S) − min (lg (S))

 ˜ . 和宽均为 256。构建数据集时，式 (17) 中各方向采
S =
max (lg (S)) − min (lg (S))
样间隔 ∆ i = ∆ j = 180 /(256 − 1) ≈ 0.71 ，目标
◦
◦
起始方向 θ 0 = ϕ 0 ≈ 29.65 ，水平向和俯仰向样
◦
2.4 算法描述
本数 G = Q = 172。信号的频率为 2 kHz，声速为
算法名称：深度卷积神经网络高分辨二维方向估计
1500 m/s，使用400个快拍计算数据协方差矩阵。单
1: 训练：
通道时域 SNR 为 −10 dB。仿真时对各阵元时域数
2: 构造包含 CBF 方位谱和标签的数据集；
3: 根据图 3 构建 U-Net 结构的卷积神经网络； 据叠加高斯白噪声，SNR 定义为信号功率和噪声功
4: for 训练轮数
率之比。
5: 随机打乱训练集顺序；
图5是CBF、dCv方法和本文方法的二维DOA
6: 选取两个单目标合成双目标方位谱 P cbf ；
7: 根据式 (18) 和式 (19) 对输入数据和标签预处理； 估计结果。伪彩图包含水平角和俯仰角两个方向，
8: 将数据输入神经网络训练； 各图均归一化显示。图中采样序号为表述多次仿真
9: end for
实验而定义，不同采样序号的两个目标位于不同方
10: 保存训练完毕的网络模型参数；
11: 测试： 向。图5(a)∼图5(c) SNR为−5 dB，图5(d)∼图 5(f)
12: 输入: 接收信号，网络模型参数； SNR 为 −25 dB。在高 SNR 时，本文方法和 dCv 方
( )
ˆ ˆ
13: 输出：目标二维方向 θ, ϕ ； 法都能降低主瓣宽度。在低 SNR 时，dCv 方法在迭
14: 加载训练完成的神经网络模型参数；
代过程中会放大噪声导致非目标方向存在较多谱
15: 计算接收信号的协方差矩阵 R x；
峰，而本文方法的方位谱背景噪声相对较少。
16: 根据式 (4) 计算 CBF 方位谱 P cbf ；
17: 根据式 (19) 对输入数据预处理； 算法训练时使用两个目标，图 6 首先展示两个
18: 将数据输入 U-Net 神经网络，输出目标角度 目标时算法在各方向目标估计情况。为更直观显示
ˆ
分布图 S(θ, ϕ)；
各角度方向多目标估计情况，后续仿真将水平角和
ˆ
ˆ ˆ
19: 搜索 S(θ, ϕ) 谱峰位置得到目标方向估计值 (θ, ϕ)
俯仰角估计结果分开展示。图6 中用黑色虚线标记
目标真实方向。仿真水平角时俯仰角固定，反之水
3 仿真分析
平角固定。随着采样号增加，将波束扫描切片图按
阵列是由10 × 10个阵元组成的平面矩形阵。 采样序号顺序拼接得到图6。