基于机器学习的矢量水听器多目标方位估计及谱分离方法

本发明涉及水声物理、目标估计领域，特别涉及一种基于机器学习的矢量水听器多目标方位估计及谱分离方法。

背景技术：

1、矢量水听器由无指向性的声压传感器和偶极子指向性的矢量传感器复合而成，可以同时共点测量声场中的声压和质点振速信息。单个矢量水听器可完成目标方位估计，具有三维定位避免左右舷模糊、良好的抗各向同性噪声干扰的能力、指向性具有频率无关性等优点。深度神经网络可以挖掘出目标信号的细节信息，可用于对各种已知或未知的目标声矢量特征提取。

2、但是，传统的基于深度学习的单矢量水听器方位估计方法实测数据训练后，也学习到数据中包含的有源噪声信息，仅对已训练环境下特定频率的数据方位估计效果较好。因此，传统的基于深度学习的单矢量水听器方位估计方法环境适应性较差，不利于技术的推广应用。而且，要提高环境适应能力也需要学习多种环境、多种频率，对数据量要求较高，推广难度大。

技术实现思路

1、本发明的目的在于利用空间中多个不同方位目标的辐射噪声在单矢量水听器接收端形成的离散方位谱，可以无需指定目标数目，通过计算加权均值迭代发现空间中多个目标。其中，幅度加权统计和降序搜索降低计算的复杂度，降序搜索还可以保障分类结果的稳定性。即，在不给定可探测范围内目标数目的情况下，利用单个矢量水听器即可估计多个不同方位目标的波达方位，同时输出不同目标主要贡献的辐射噪声谱。

2、为达到上述目的，本发明通过下述技术方案实现。

3、本发明提出了一种基于机器学习的矢量水听器多目标方位估计及谱分离方法，所述方法包括：

4、步骤s1.基于单矢量水听器接收的多个目标辐射噪声的时域数据获得离散方位谱；

5、步骤s2.将方位谱按照最大幅度从大到小进行排序，并依次将作为方位中心，计算幅度加权值和角度密度中心，并以计算的角度密度中心作为方位中心进行迭代计算，直到相邻两次计算的角度密度中心小于角度阈值，输出按照幅度值从大到小排列的多个目标的方位、幅度和辐射噪声频谱；

6、步骤s3.计算幅度动态阈值，输出幅度大于幅度动态阈值的目标方位和辐射噪声谱。

7、作为上述技术方案的改进之一，所述步骤s1具体包括：

8、步骤s1-1.通过矢量水听器接收多个目标辐射噪声的时域声压p(t)、时域x方向质点振速vx(t)和时域y方向质点振速vy(t)；

9、步骤s1-2.对p(t)、vx(t)和vy(t)分别进行快速傅里叶变换得到频域声压p(f)、频域x方向质点振速vx(f)和频域y方向质点振速vy(f)；

10、步骤s1-3.将p(f)分别和vx(f)、vy(f)共轭相乘得到2个互谱ix(f)和iy(f)；

11、步骤s1-4.基于得到的ix(f)和iy(f)，在频点f处计算得到目标声源方位估计值和有功声强幅度值；

12、步骤s1-5.将角度θ按照a°为间隔、共个角度范围进行划分，按照距离最近的原则进行幅度加权统计得到离散方位谱。

13、作为上述技术方案的改进之一，所述频域声压p(f)、频域x方向质点振速vx(f)和频域y方向质点振速vy(f)的表达式分别为：

14、

15、

16、

17、其中，p(t)、vx(t)和vy(t)分别表示时域的声压、x方向质点振速和y方向质点振速数据；t表示时间；i表示虚数单位；f表示频率。

18、作为上述技术方案的改进之一，所述步骤s1-3中的2个互谱的表达式分别为：

19、

20、

21、其中，<·>表示滑动窗口平均，*表示复共轭。

22、作为上述技术方案的改进之一，所述步骤s1-4中，目标声源方位估计值angle(f)和有功声强幅度值i(f)的计算式分别为：

23、

24、

25、其中，re[·]表示求实部。

26、作为上述技术方案的改进之一，所述步骤s1-5中，离散方位谱m(θ)的表达式为：

27、

28、其中，round[·]表示求四舍五入的整数，fl表示第l个频率，l表示频率点的序号。

29、作为上述技术方案的改进之一，所述步骤s2，具体包括：

30、步骤s2-1.将方位谱按照幅值从大到小进行排列，得到对应方位序列φrank(θ)和幅度序列mrank(m)；

31、步骤s2-2.计算以幅度序列mrank(m)中最大幅度对应的方位为中心，以方位θr为角度半径内的幅度加权均值mc和角度密度中心θc；计算以θc为中心，以方位θr为角度半径内的幅度加权均值mc′和角度密度中心θc′；并比较θc′和θc的差值：

32、当|θc′-θc|≥θmin时，计算以θc′为中心，以方位θr为角度半径内的幅度加权均值mc″和角度密度中心θc″，比较θc″和θc′的差值，直到相邻两次计算的角度密度中心的差值小于角度阈值θmin；

33、当|θc′-θc|＜θmin时，输出估计的目标方位为θc，幅度加权均值mc，以及满足约束条件的频率fl；所有fl组成的集合fc为目标对应的辐射噪声频谱。

34、步骤s2-3.依次换用以未计算的最大幅度对应的方位为中心，重复步骤s2-2，得到按照幅度值从大到小排列的k个目标方位φtarget(θck)、幅度加权均值mc(mck)以及目标辐射噪声频谱[fck]，其中k＝1,2,3,...k。

35、作为上述技术方案的改进之一，所述幅度加权均值mc和角度密度中心θc的计算方式分别为：

36、

37、

38、其中，mj、θj分别表示第j个方位角度的离散谱幅度值和角度值，j表示角度序号，sc表示属于以方位θr为角度半径范围内点的集合。

39、作为上述技术方案的改进之一，所述约束条件为：

40、θj∈sc,round[angle(fl)+180°]。

41、作为上述技术方案的改进之一，所述步骤s3具体包括：

42、步骤s3-1.给定输出最小幅度阈值mt′；计算噪声幅度动态阈值mt″，计算式为：

43、

44、其中，mcn是计算出的第n个目标的幅度加权均值，n是幅度加权均值从大到小排序的序列，k1≥3；

45、步骤s3-2.将mt′和mt″中的最大值作为幅度动态阈值mt；

46、步骤s3-3.输出幅度大于mt的目标方位φtarget(θck)，目标幅度加权均值mc(mck)以及目标辐射噪声频谱[fck]，k＝1,2,...,k2，k2满足下式：

47、

48、本发明与现有技术相比优点在于：

49、1、本发明可以无需给定目标数目的情况下，自动输出目标方位，同时设计的动态阈值更能适应高噪声环境；

50、2、本发明在计算中同时考虑了一定角度范围内的密度和权值，可以确保对不同类型目标的准确估计；

51、3、本发明可以输出不同目标的辐射噪声谱，可以进一步为多个目标环境下不同目标的识别和精确定位提供辐射噪声数据；

52、4、本发明通过幅度加权统计和降序搜索降低计算的复杂度，降低了计算复杂度，确保多次估计输出唯一；

53、5、可输出不同目标谱特征数据，便于进行目标识别和基于干涉结构的目标精确定位。