Page 33 - 《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 471

3
1700 m/s，沉积层密度为 1.7 g/cm ，沉积层衰减为 出拖曳船和目标之间距离 r 和方位角 θ 随时间变化
0.2 dB/λ，基底层声速为 1800 m/s，基底层密度为 如图8(a)、图8(b)所示。
3
1.9 g/cm ，基底层衰减为 0.2 dB/λ，其余与训练集 ԧ࠱ηՂ v ship=5 m/s
ફఝ᫼(N=96, d=0.4 m)
相同。
...
ફఝᓕ
2.3 训练网络及性能评估 θ
r
CNN 网络训练过程如图 6 所示。根据 2.2 节中
参数设置，训练集样本数为 1661，验证集样本数为 ᄬಖ v target=6 m/s
302。在进行波束形成时，频率间隔取 10 Hz，扫描 图 7 主动目标工作结构
方位角间隔为 1 ，则每次输入到 CNN 网络的样本 Fig. 7 The working structure of Active sonar
◦
˜
P CBF (f, θ k ) 维度为 51 × 181。利用 CNN 网络进行 13000
DOA估计时，输出层输出一个1 × 180的向量，将输
12000
出向量进行预处理得到关于每个测试样本角度的
11000
向量v k ，则估计的方位角为θ ek 。网络输出结果利用
均方根误差 (Root mean squared error, RMSE) 来 ᡰሏ/m 10000
评价。 9000
8000
θ ek = arg max(v k ), (8)
7000
v
u K
u 1 ∑ 2
error1 = t × |θ ek − θ rok | , (9) 6000 0 200 400 600 800 1000 1200
K
k=1 ௑ᫎ/s
其中，K 为样本数，目标真实方位角经取整处理后 (a) ᡰሏᬤ௑ᫎԫӑ
为θ rok 。
130
v
u K
1 2
u ∑
error2 = t × |θ ek − θ rk | , (10)
K 120
k=1
வͯᝈ/(°) 110
其中，目标真实方位角为θ rk 。
ᣥК஝૶ᬷ
100

Ꭺፏࡏ
90
0 200 400 600 800 1000 1200
ᣥѣᮕ฾ϙ ಖኤϙ ௑ᫎ/s
ఞழՑᄊి᧘ (b) வͯᝈᬤ௑ᫎԫӑ
ಪ૶ᤥࠀᄊ
૯ܿѦ஝ 图 8 随时间变化的实际距离及方位角
ᝠካ૯ܿϙ
Fig. 8 Actual distance and azimuth over time
ఞழి᧘
͖ӑ٨
x ship = 500 + 5t, y ship = 0, (11)
图 6 CNN 训练过程
Fig. 6 CNN training process 其中，x ship 为拖曳船水平方向上 x 坐标，t 为航行时
间，y ship 为拖曳船水平方向上y 坐标。
2.4 CNN 分类模型性能评价
x target = 5000 + 6t, y target = 5000, (12)
2.4.1 测试参数设置
其中，x target 为目标水平方向上 x 坐标，t 为航行时
设拖曳船和目标航行时间为 1200 s，间隔 20 s
间，y target 为目标水平方向上y 坐标。
采样，测试集样本数为61。主动目标工作结构如图 7
√
2
2
所示，其余声场环境参数设定与训练集一致。计算 r = (x ship − x target ) + (y ship − y target ) , (13)