Page 31 - 《应用声学》2023年第3期

第 42 卷 第 3 期 王珍珠等： 卷积神经网络主动目标方位估计 469

తܸ෉ӑࡏ Лᤌଌࡏ
512
2T2
తܸ෉ӑࡏ
2T2 256

ᣥК
ᣥѣࡏ

Ԅሥࡏ Ԅሥࡏ Ԅሥࡏ
3T3T2 3T3T4 3T3T8 Ԅሥࡏ
3T3T8
图 1 CNN 分类网络模型
Fig. 1 CNN classification network model

[ T T
表 1 CNN 模型训练参数 ω(f, θ) = exp(−jk p 1 ), exp(−jk p 2 ), · · · ,
Table 1 CNN model training parameters exp(−jk p N ) ] T , (1)
T
训练参数 设定值 其中，阵元位置为 p = [p 1 , p 2 , · · · , p N ]，k 为波数，
优化器 Adam k = 2πf/c·ν(θ)，ν(θ)为信号传播方向的单位向量。
学习率 0.0001 设阵元接收信号时域模型为
√
Batch 128 e x(t) = x(t) + Bn(t), (2)
Epoch 50
其中，发射信号通过水声信道后为 x(t)，随机生
1.2 数据预处理 成的高斯白噪声序列为 n(t)，B 为添加的噪声
从阵列信号处理角度看，线列阵接收到的数据 强度，B = P x /10 (R SN /10) ，其中 P x 为信号功率，
R SN = SNR为设定大小的SNR值。
包含目标方位信息，通过 CBF，对阵元接收数据进
CBF功率为
行频域均匀加权处理，输出信息为波束响应数据，维
度与频率点数和阵元接收数据维度有关，标签数据 P CBF (f, θ) = ω (f, θ)R ˜x (f, θ)ω(f, θ), (3)
H
˜
为对应角度信息，以此作为数据集输入网络。以上
其中，R ˜x (f, θ) 为阵元接收的时域数据进行DFT 变
描述的数据预处理过程如图2所示。
换到频域后的相关阵。
ฉౌ ଢԩྲढ़nj − 为了便于 CNN 网络模型学习，这里对 CBF 后
வͯ θ 1 ᫼ѵଌஆηՂ ಖኤ θ 1
ॎੇ ౞ᤵ஝૶ᬷ
功率进行归一化：
H
ฉౌ ଢԩྲढ़nj − ω (f, θ)R ˜x ω(f, θ)
வͯ θ 2 ᫼ѵଌஆηՂ ಖኤ θ 2 ˜
ॎੇ ౞ᤵ஝૶ᬷ P CBF (f, θ) = , (4)
H
max(ω (f, θ)R ˜x ω(f, θ))
˜
ฉౌ ଢԩྲढ़nj − 其中，P CBF (f, θ)的维度为N f × N θ ，N θ 为波束形成
வͯ θ 3 ᫼ѵଌஆηՂ ಖኤ θ 3
ॎੇ ౞ᤵ஝૶ᬷ
时扫描角度个数，N f 为频点个数。
... ... ... ...
ฉౌ ଢԩྲढ़nj − 1.2.2 标签预处理
வͯ θ n ᫼ѵଌஆηՂ ಖኤ θ n
ॎੇ ౞ᤵ஝૶ᬷ
CNN 模 型 分 类 问 题 中， 目 标 方 位 角 为 θ k ，
图 2 数据预处理流程
˜
k = 1, 2, · · · , K，每一个输入矩阵P CBF (f, θ k )，对应
Fig. 2 Data preprocessing process
标签向量t k = [t k1 , t k2 , · · · , t k180 ]，将水平方位角分
为180个类别，c j = [(j − 1) , j ]，j = 1, 2, · · · , 180。
◦
◦
1.2.1 训练和测试数据预处理 
设接收阵为单条均匀线列阵，阵元个数为 N，  1, if θ k ∈ c j ,
t kj = (5)
阵元间隔为d,平均声速为c，导向向量为ω(f, θ)，  0, else.