Page 30 - 《应用声学》2023年第3期
P. 30

468                                                                                  2023 年 5 月


                                                               于 Toeplitz 矩阵重构，可以对未知信号源的信号进
             0 引言
                                                               行 DOA 估计。2020 年，Zhu 等       [11]  提出在不同条件
                 目标定位是当前环境感知、目标监测等海洋应                          下训练 5 个 CNN，每个 CNN 从空间协方差矩阵的
                                                               实部和虚部学习方向图像。计算每个 CNN 的预测
             用领域的关注热点，对我国声呐设备部署有重大
             意义  [1] 。传统的定位方法主要是基于匹配场处理                        结果作为平均值，以获得最终的 DOA 估计结果。
             (Matched field processing, MFP)，主要是使用与测            2021年，Liu等   [12]  根据阵列元素的数量设计了多个
             量场高度相似的拷贝场来定位声源的深度、距离和                            CNN，并使用包含实数和虚数的协方差矩阵进行
             方位，1976 年，Bucker   [2]  就将线性 MFP 应用到声源            训练。经过大量的数据学习，该方法能够有效地识
             定位中；1988 年，Baggeroer    [3]  在分层海洋环境中利            别水声信号的方向。2021 年，曹怀刚               [13]  提出了一
             用高分辨率波束形成方法对 MFP 进行改进，但当                          种利用单矢量传感器进行 DOA 估计的深度学习模
             估计相关目标信号时，方位估计性能会下降。MFP                           型，利用 CNN 实现了多目标分辨；2021 年，姚琦海
             克服了传统的平面波波束形成技术在信道多途条                             等 [14]  得到在已知海洋环境参数的条件下，GRNN、
             件下的不足，能够获得接近理想的阵处理增益。然                            CNN 和 MFP 三种方法对宽带声源的估计性能均
             而，这种技术需要长线阵列以高分辨率估计目标波                            优于窄带。本文在以往研究的启发下，尝试将 CNN
             达角，且环境参数通常是变化的，难以获得真实环境                           引入到主动目标方位估计中。
             的完整知识，这可能会导致不正确或不准确的定位                                本文研究了基于 CNN 分类模型的 DOA 估计，
             结果。传统的阵列信号处理技术难以应付复杂海洋                            将阵列接收信号的常规波束形成 (Conventional
             环境下面对的问题。                                         beamforming, CBF) 功率作为神经网络的输入，进
                 近些年来，为了从声学数据中提取信息，深                           行训练和测试。第 1 节讨论了本文所用 CNN 网络
             度学习以多种方式在目标定位中得到了广泛的应                             模型结构和输入数据的预处理；第 2 节给出仿真
             用。深度学习具有强大的特征提取能力和高效处                             参数设置，评估了不同信噪比 (Signal noise ratio,
             理复杂、高纬度、独特的非线性映射等特性，可以                            SNR) 下的鲁棒性；并评估了神经网络的加入与
             大大增强声呐信号处理性能，根据所提供的用于学                            CBF、最大信噪比准则 (Max signal-to-noise-ratio,
             习的样本数据和标签，利用深度学习的 “深层” 特                          MSNR)、最小方差无失真响应 (Minimum variance
             征提取优势，可以获得蕴含目标特征的高阶特征                             distortionless response, MVDR)波束形成方法的性
             量，实现复杂海洋环境下的水下目标定位。1991年，                         能差异；第3节为结论。
             Steinberg 等  [4]  就利用单层神经网络实现了均匀介
             质中声源定位。2017 年，Niu 等         [5−6]  将前馈神经网         1 基于CNN的分类模型
             络 (Feed forward neural networks, FNN)、支持向
                                                               1.1  CNN介绍
             量机 (Support vector machine, SVM) 和随机森林
             (Random forest, RF) 应用到了声源测距上，估计性                     本文所用网络模型结构如图 1 所示。设置了 4
             能都优于传统的匹配场方法。2018 年，Wang 等                  [7]   层卷积层、3 层全连接层 (含输出层)，4 层卷积层的
             用基于广义回归神经网络 (Generalized regression               核均为3 × 3，滤波器个数分别为2、4、8、8，其中两层
             neural network, GRNN) 实现了较为精确的声源定                 核均为 2 × 2 的池化层分别被加到了第一层卷积层
             位；卷积神经网络 (Convolutional neural networks,          后和第四层卷积层后，两层全连接层神经元个数分
             CNN)可以高效处理复杂、高纬度矩阵，目前也被应                          别为 256 和 512。引入 “keep dropout” 正则化策略
             用于多种场景下。2018 年，Huang 等           [8]  利用 CNN-     加入到 CNN 里，分别加到了第二层卷积层之后和
             FNN 网络模型在浅海环境下实现了声源定位，在                           第二层全连接层之后，第二层卷积层之后 dropout
             海洋环境波动的情况下也具有较好的稳健性。2019                          的概率为 0.2，第二层全连接层之后 dropout 的概率
             年，Elbir [9]  设计了一种 CNN与多重信号分类 (Mul-               为 0.5。所有卷积层的激活函数都选用修正线性单
             tiple signal classification, MUSIC)算法结合的信号         元 (ReLU)，输出层激活函数为多分类问题的 Soft-
             方位估计框架估计信号方位。2020 年，Yao 等                  [10]   max 函数，损失函数选择交叉熵损失。优化方法选
             提出了一种基于递归神经网络的目标波达方位角                             择 Adam，相关参数根据计算机性能设置                 [15]  如表 1
             (Direction of arrival, DOA) 估计模型，该模型借助            所示。
   25   26   27   28   29   30   31   32   33   34   35