Page 27 - 《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 215

180 1.0 180 1.0 180 1.0
150 2 0.8 150 0.8 150 0.8
ο̈́ᝈ/(°) 120 6 4 7 5 0.6 ο̈́ᝈ/(°) 120 0.6 ο̈́ᝈ/(°) 120 0.6

90
90
90
60 8 1 0.4 60 0.4 60 0.4
3 0.2 0.2 0.2
30 30 30
0 0 0 0 0 0
0 60 120 180 0 60 120 180 0 60 120 180
ඵࣱᝈ/(°) ඵࣱᝈ/(°) ඵࣱᝈ/(°)
(a) CBFவข (b) వ஡வข (c) ஈᤉவข

图 16 不等强度多目标情况下的二维 DOA 估计结果
Fig. 16 Two dimensional DOA estimation results in the case of multiple targets with unequal intensity

图16 展示了不等强度多目标情况下二维 DOA rays[J]. The Journal of the Acoustical Society of America,
估计结果，图 16中用序号 1∼8 标记目标方向。仿真 2018, 144(5): 2719–2729.
[3] 孙磊, 王华力, 许广杰, 等. 基于稀疏贝叶斯学习的高效 DOA
时目标1功率为−5 dB，目标8功率为−15.5 dB，目
估计方法 [J]. 电子与信息学报, 2013, 35(5): 1196–1201.
标 1∼ 目标 8 的信号功率随着序号增加以 1.5 dB 间 Sun Lei, Wang Huali, Xu Guangjie, et al. Efficient
隔依次递减。本文方法对不等强度多目标估计性能 direction-of-arrival estimation via sparse bayesian learn-
ing[J]. Journal of Electronics & Information Technology,
差，仅能估计目标 1∼2。而改进方法对目标 1∼8 均
2013, 35(5): 1196–1201.
能估计，改进后算法对不同强度多目标的估计能力 [4] Wax M, Anu Y. Performance analysis of the minimum
得到提升。 variance beamformer[J]. IEEE Transactions on Signal
Processing, 1996, 44(4): 928–937.
6 结论 [5] Wax M, Anu Y. Performance analysis of the minimum
variance beamformer in the presence of steering vector
errors[J]. IEEE Transactions on Signal Processing, 1996,
本文利用深度卷积神经网络实现二维方向估 44(4): 938–947.
计。算法将 CBF 方位谱输入 U-Net 神经网络，输出 [6] Yang T C. Deconvolved conventional beamforming for a
方位谱主瓣更窄，目标方向分辨能力得到提高。算 horizontal line array[J]. IEEE Journal of Oceanic Engi-
neering, 2018, 43(1): 160–172.
法适用多目标、低 SNR 及低快拍等应用场景，多目
[7] Yang T C. Deconvolution of decomposed conventional
标分辨能力强于 CBF 方法，在低 SNR 和低快拍下 beamforming[J]. The Journal of the Acoustical Society of
性能损失小，方向估计误差小于自适应波束形成方 America, 2020, 148(2): EL195–EL201.
[8] 梅继丹, 石文佩, 马超, 等. 近场反卷积聚焦波束形成声图测
法。实验结果表明，在目标和背景变复杂后，本文算
量 [J]. 声学学报, 2020, 45(1): 15–28.
法处理效果与理想环境下仿真结果存在差异。仿真 Mei Jidan, Shi Wenpei, Ma Chao, et al. Near-field fo-
数据基于远场平面波假设与实际情况偏差较大。模 cused beamforming acoustic image measurement based on
deconvolution[J]. Acta Acustica, 2020, 45(1): 15–28.
型使用仿真数据训练，难以建模复杂海洋环境。而
[9] Sun D, Ma C, Yang T C, et al. Improving the performance
实验数据匮乏且大规模采集成本高昂。下一阶段将 of a vector sensor line array by deconvolution[J]. IEEE
利用实验数据学习声场模型，并研究数据扩充方法， Journal of Oceanic Engineering, 2020, 45(3): 1063–1077.
探讨小数据情况下深度学习测向方法。 [10] 王朋, 迟骋, 纪永强, 等. 二维解卷积波束形成水下高分辨三
维声成像 [J]. 声学学报, 2019, 44(4): 613–625.
Wang Peng, Chi Cheng, Ji Yongqiang, et al. Two-
dimensional deconvolved beamforming for high-resolution
参 考 文 献 underwater three-dimensional acoustical imaging[J]. Acta
Acustica, 2019, 44(4): 613–625.
[1] Gerstoft P, Mecklenbruker C F. Multisnapshot sparse [11] Zhou T, Huang J, Du W, et al. 2-D deconvolved conven-
bayesian learning for DOA[J]. IEEE Signal Processing tional beamforming for a planar array[J]. Circuits Systems
Letters, 2016, 23(10): 1469–1473. and Signal Processing, 2021, 40(8): 5572–5593.
[2] Nannuru S, Koochakzadeh A, Gemba K L, et al. Sparse [12] Yang T C. Performance analysis of superdirectivity of cir-
Bayesian learning for beamforming using sparse linear ar- cular arrays and implications for sonar systems[J]. IEEE