[发明专利]基于深度学习的水声阵列信号二维波达方向估计方法

说明书

本发明公开了一种基于深度学习的水声阵列信号二维波达方向估计方法，本发明首先基于小波变换对型水声阵列接收信号进行预处理，提取水声信号时频特征，在保留原信号重要信息的前提下，利用线性因子对信号特征进行增强，降低噪声干扰；然后基于奇异值分解对信号进行压缩降维，提取分解后矩阵左上角信号能量部分，摒弃右下角噪声能量部分，增强预处理后信号的时频特征；最后训练基于卷积神经网络的水声阵列信号二维波达方向估计模型，获取准确预测的二维波达方向。本发明能够有效增强信号的时频特性，降低噪声干扰，更精准地预测水声阵列信号二维波达方向。

技术领域

本发明属于水声通信技术领域，具体地说，涉及一种基于深度学习的水声阵列信号二维波达方向估计方法。

背景技术

波达方向(DirectionofArrival，DOA)估计是指通过对阵列接收信号进行分析处理进而估计信号来波方向。随着水声通信技术的发展，水声阵列信号DOA估计技术成为了对水声目标进行识别、定位、跟踪和探测的前提和基础。目前，声波是唯一能够在水下进行远距离传播的信号形式，但海洋中环境复杂，水声信道稀疏，大量自然及人为噪声和多径效应等干扰严重，增大了水声DOA估计技术的研究难度。同时，水声DOA估计技术大多集中于一维DOA估计，然而一维角度在立体空间无法准确表征信源的实际方向，因此水声信号二维DOA估计技术具有较高的研究价值。

目前，较为经典的二维多重信号分类算法估计精度较高，但需进行二维谱峰搜索计算复杂度较大，在实际应用上非常困难。为解决这一问题，二维旋转不变子空间算法和二维传播算子算法相继被提出，但针对复杂海洋环境中低信噪比、小快拍的情况下该类算法仍存在估计精度低、性能严重下降等问题。因此，在复杂水声环境信号时变特性及噪声干扰等问题的影响下，现有水声阵列信号二维DOA估计算法的实际应用效果仍不理想。

发明内容

针对复杂海洋环境下水声信号的时变特性，人为及自然等噪声干扰严重，二维DOA估计复杂度高及估计精度低等问题，本发明提出了一种基于深度学习的水声阵列信号二维波达方向估计方法，以弥补现有技术的不足。

为实现上述发明目的，本发明采取下述技术方案予以实现：

一种基于深度学习的水声阵列信号二维波达方向估计方法，包括以下步骤：

S1：建立水声L型均匀线阵接收模型并接收水声信号；

S2：基于改进的小波变换，提取水声信号时频特征；

S3：基于奇异值分解对S2提取的时频特征进行压缩降维；

S4：根据压缩降维后的时频特征，搭建卷积神经网络；

S5：利用S1-S3构建的数据集，训练S4搭建的卷积神经网络，得到二维波达方向估计模型；

S6：实际接收的待测水声信号进行S2和S3处理，处理后的待测数据时频特征导入S5得到的二维波达方向估计模型，最终输出预测结果，实现水声信号二维波达方向估计。

进一步的，所述S1具体包括：

S1-1：L型均匀线阵由平面上的两个分别沿x轴和y轴的M元均匀线阵组成，相邻阵元间隔为d，等于信号半波长，坐标原点处的阵元看作参考阵元，各阵元各向同性；假设有频率为f、声速为v的远场窄带水声信号以波长λ入射到2M-1个阵元组成的L型阵列上，其中入射信号与x轴、y轴的夹角分别用α和β表示，设信号的方位角与俯仰角分别为θ和则t时刻L型阵列接收到的沿x轴和y轴方向的数据模型表示为：

式中，t＝1,2,...,K，K表示快拍数；s(t)表示信源在t时刻的信号矢量；阵列流型矩阵分别为

其中，