基于卷积神经网络的快速软阈值迭代反卷积波束形成方法和装置

本发明属于阵列信号波束形成，具体涉及一种基于卷积神经网络的快速软阈值迭代反卷积波束形成方法和装置。

背景技术：

1、阵列波束形成被广泛应用在声呐、雷达等声学成像系统中，通过发射声波透射观测场景并接收回波做各方向叠加的波束形成得到观测图像。传统波束形成方法的主瓣宽度较宽、旁瓣抑制能力弱，波束分辨率较低。

2、反卷积波束形成方法被用于提高波束质量。现有的反卷积方法可分为线性方程逆问题求解或概率模型稀疏逆问题求解两类，例如专利文献cn111551943a公开的一种基于damas2的稀疏布阵高分辨三维声成像方法、nnls文献bulk tissue cell typedeconvolution with multi-subject single-cell expression reference公开的nnls算法第常规反卷积方法，主要通过多次迭代从波束形成结果中估计出更精确的目标波束信息。这些波束形成方法普遍存在迭代收敛慢、参数需依赖经验设置等缺点。

技术实现思路

1、鉴于上述，本发明的目的是提供一种基于卷积神经网络的快速软阈值迭代反卷积波束形成方法和装置，以解决传统反卷积方法在波束形成中性能较差的技术问题。

2、为实现上述发明目的，本发明实施例提供的一种基于卷积神经网络的快速软阈值迭代反卷积波束形成方法，包括以下步骤：

3、构建波束矩阵并得到基于迭代反卷积方法形成的初始波束信号强度；

4、基于卷积神经网络构建多个网络单元，每个网络单元对应迭代反卷积方法的单次迭代过程，包括梯度下降、软阈值滤波以及动量更新三部分；

5、将初始波束信号强度输入至单个网络单元依次进行梯度下降、软阈值滤波以及动量更新，动力更新的回波信号强度作为下一轮迭代对应网络单元的输入，经过多次迭代得到更新的最终回波信号强度，进而得到最终波束形成结果。

6、优选地，所述构建波束矩阵并得到基于迭代反卷积方法形成的初始波束信号强度，包括：

7、设定观测范围内有p×q共n个预期波束方向，对第n个波束，其波束方向为(αn,βn)，假设观测范围内有t个目标，初始波束信号强度表示为：

8、

9、其中，xt为目标t方向的回波信号强度，形成回波信号强度矩阵x，unt＝sin(αn)-sin(βt)，vnt＝sin(βn)-sin(βt)，sinαt为目标t的方向角，sinβt为目标t的俯仰角，φ为反卷积的点扩散函数。

10、优选地，在每个网络单元中，梯度下降处理的过程为：

11、g(k)＝y(k)+μ(k)φt(φy(k)-b)

12、其中，y(k)为输入网络单元的回波信号强度，上标表示第k次迭代；g(k)为迭代过程中梯度下降计算的结果，μ(k)为迭代的梯度步长，每次迭代的梯度步长随迭代变化，由网络学习得到。b表示波束信号强度，通过阵列初步波束形成得到。

13、优选地，当阵元间距dx＝dy＝d时，易证φ为对角对称矩阵，抽取φ第一行、最后一列数据来压缩表示全阵，将其压缩为采用快速傅里叶变换后的点乘来加速原本的矩阵乘运算，fft加速的梯度下降公式如下：

14、

15、其中，为快速傅里叶变换fft，为快速傅里叶逆变换ifft。

16、优选地，在每个网络单元中，软阈值滤波处理的过程为：

17、

18、其中，为软阈值滤波操作，x(k)为软阈值滤波结果。

19、优选地，所述软阈值滤波操作包括依次连接的若干层卷积神经网络+relu激活函数提取波束特征，softplus函数滤波，相应层数对称的卷积神经网络+relu激活函数将基于波束提特征的softplus函数滤波结果还原至波束域，其中，卷积核尺寸、卷积网络层数参数依据阵列、波束参数决定，且软阈值滤波操作的参数随迭代变化，由网络训练得到。

20、优选地，在每个网络单元中，动量更新处理的过程为：

21、y(k+1)＝x(k)+ν(k)(x(k)-x(k-1))

22、其中，ν(k)为动量更新尺度参数，y(k+1)为k+1次迭代输入的回波信号强度，x(k-1)和x(k)为k-1和k次迭代软阈值滤波结果，得到y(k+1)后与k次迭代的回波信号强度y(k)分别模后做差并对差值求绝对值，若绝对值小于迭代终止阈值则退出迭代，返回波束信号结果x(k)，否则继续迭代，其中，动量更新尺度参数ν(k)随迭代变化，由网络训练得到。

23、为实现上述发明目的，本发明实施例还提供了一种基于卷积神经网络的快速软阈值迭代反卷积波束形成装置，包括初始模块、构建模块、迭代模块；

24、所述初始模块用于构建波束矩阵并得到基于迭代反卷积方法形成的初始波束信号强度；

25、所述构建模块用于基于卷积神经网络构建多个网络单元，每个网络单元对应迭代反卷积方法的单次迭代过程，包括梯度下降、软阈值滤波以及动量更新三部分；

26、所述迭代模块用于将初始波束信号强度输入至单个网络单元依次进行梯度下降、软阈值滤波以及动量更新，动力更新的回波信号强度作为下一轮迭代对应网络单元的输入，经过多次迭代得到更新的最终回波信号强度，进而得到最终波束形成结果。

27、与现有技术相比，本发明实施例提供的一种基于卷积神经网络的快速软阈值迭代反卷积波束形成方法和装置具有的有益效果至少包括：

28、将卷积神经网络应用到常规反卷积波束形成方法中，相关参数均通过学习获得，较手动设置更为准确；利用fft加速梯度下降，有效简化计算复杂度；采用卷积神经网络+relu激活函数提取波束图特征，通过softplus函数滤除特征中的旁瓣、噪声，能有效降低主瓣宽度；利用动量更新方法获得下次迭代初值，加速收敛。因此，本发明适用于阵列的反卷积波形成，提高了阵列成像质量。

技术特征：

1.一种基于卷积神经网络的快速软阈值迭代反卷积波束形成方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于卷积神经网络的快速软阈值迭代反卷积波束形成方法，其特征在于，所述构建波束矩阵并得到基于迭代反卷积方法形成的初始波束信号强度，包括：

3.根据权利要求2所述的基于卷积神经网络的快速软阈值迭代反卷积波束形成方法，其特征在于，在每个网络单元中，梯度下降处理的过程为：

4.根据权利要求3所述的基于卷积神经网络的快速软阈值迭代反卷积波束形成方法，其特征在于，当阵元间距dx＝dy＝d时，易证φ为对角对称矩阵，抽取φ第一行、最后一列数据来压缩表示全阵，将其压缩为采用快速傅里叶变换后的点乘来加速原本的矩阵乘运算，fft加速的梯度下降公式如下：

5.根据权利要求3或4所述的基于卷积神经网络的快速软阈值迭代反卷积波束形成方法，其特征在于，在每个网络单元中，软阈值滤波处理的过程为：

6.根据权利要求5所述的基于卷积神经网络的快速软阈值迭代反卷积波束形成方法，其特征在于，所述软阈值滤波操作包括依次连接的若干层卷积神经网络+relu激活函数提取波束特征，softplus函数滤波，相应层数对称的卷积神经网络+relu激活函数将基于波束提特征的softplus函数滤波结果还原至波束域，其中，卷积核尺寸、卷积网络层数参数依据阵列、波束参数决定，且软阈值滤波操作的参数随迭代变化，由网络训练得到。

7.根据权利要求1所述的基于卷积神经网络的快速软阈值迭代反卷积波束形成方法，其特征在于，在每个网络单元中，动量更新处理的过程为：

8.一种基于卷积神经网络的快速软阈值迭代反卷积波束形成装置，其特征在于，包括初始模块、构建模块、迭代模块；

技术总结本发明公开了一种基于卷积神经网络的快速软阈值迭代反卷积波束形成方法和装置，包括：构建波束矩阵并得到基于迭代反卷积方法形成的初始波束信号强度；基于卷积神经网络构建多个网络单元，每个网络单元对应迭代反卷积方法的单次迭代过程，包括梯度下降、软阈值滤波以及动量更新三部分；将初始波束信号强度输入至单个网络单元依次进行梯度下降、软阈值滤波以及动量更新，动力更新的回波信号强度作为下一轮迭代对应网络单元的输入，经过多次迭代得到更新的最终回波信号强度，进而得到最终波束形成结果。本发明适用于阵列的反卷积波形成，提高了阵列成像质量。技术研发人员：刘雪松,蒋施瑶,蒋荣欣,王斐,陈耀武受保护的技术使用者：浙江大学技术研发日：技术公布日：2024/6/2