基于上下文学习与动态门控残差网络的DOA估计方法及系统

摘要: 本发明涉及水下阵列信号处理及海洋智能感知领域,尤其涉及一种基于上下文学习与动态门控残差网络的doa估计方法及系统。背景技术:1、在复杂海洋环境中,水下目标的方位...
基于上下文学习与动态门控残差网络的DOA估计方法及系统

本发明涉及水下阵列信号处理及海洋智能感知领域,尤其涉及一种基于上下文学习与动态门控残差网络的doa估计方法及系统。

背景技术:

1、在复杂海洋环境中,水下目标的方位角(doa)估计是探测系统的核心。其工作原理主要依赖传感器阵列接收到的相位信息,通过深度学习模型建立从阵列协方差矩阵到空间角度的非线性映射。

2、目前,针对提升doa估计精度和鲁棒性,已有部分技术尝试引入多层级网络或动态特征处理机制。例如,专利cn119337941a利用多层级卷积网络进行逐层细化,但因缺乏对环境背景特征的长时序建模,在低信噪比下易产生轨迹跳变;专利cn120724244a通过复数神经网络保留相位信息,但其采用的固定批归一化层难以应对非平稳海试数据中的分布偏移(domain shift),导致泛化能力受限;专利cn121457531a引入全局动态卷积捕获长程依赖,但缺乏对原始相位特征与平滑特征的自适应调节机制,在面对脉冲干扰时易导致解算角度抖动。

3、综上所述,现有技术仍存在多项不足:一是缺乏上下文关联机制,现有模型大多独立处理采样快拍,无法利用环境背景特征(support set)对当前探测目标进行纠偏,导致弱目标捕捉能力差;二是特征融合策略僵化,系统无法基于实时信号质量动态调节“原始相位特征”与“平滑特征”的通道权重,在存在多普勒频偏或硬件失配时鲁棒性不足;三是场景自适应性弱,模型运行依赖固定的归一化统计量,难以适配海洋温盐深变化引起的非线性传播畸变,导致系统在跨海域部署时稳定性受限。

技术实现思路

1、针对现有技术的不足,本发明提出一种基于上下文学习与动态门控残差网络的doa估计方法及系统。

2、具体技术方案如下:

3、一种基于上下文学习与动态门控残差网络的doa估计系统,包括:用于接收水下声学信号的水听器阵列、信号调理模块、边缘处理单元和执行终端;所述信号调理模块用于对声学信号进行物理层增益调理、噪声抑制及多路同步数字化采样;所述边缘处理单元采用fpga的硬件模组实现,用于接收同步数字化快拍序列并执行本地化实时推理,输出目标doa估计结果;所述执行终端与所述边缘处理单元电连接,用于接收、显示、存储或调用所述目标doa估计结果和doa监测轨迹;

4、所述边缘处理单元包括信号数字化与预处理模块、局部化doa推理引擎;所述信号数字化与预处理模块用于从同步数字化快拍数据中提取多维特征向量序列,并划分为支持集和查询集,实现数据分流;所述局部化doa推理引擎包括:用于融合原始相位特征和统计平滑特征的动态门控单元、用于根据支持集生成环境表示向量的上下文编码单元、用于进行doa推理的深度残差回归器。

5、进一步地,所述信号调理模块包括依次连接的前级放大单元、带通滤波器、后级增益放大器以及多通道同步adc;

6、所述前级放大单元用于对水听器输出的微弱高阻信号进行阻抗匹配与初步增益提升;

7、所述带通滤波器用于抑制目标频段外的背景噪声并消除采样混叠干扰;

8、所述后级增益放大器用于根据信号实时幅值动态调整输出电平,以适配多通道同步adc的全量程输入范围;

9、所述多通道同步adc用于将多通道同步采样的孔径误差控制在皮秒量级。

10、进一步地,所述局部化doa推理引擎还包括方法管理与优化模块、映射与输出模块;

11、所述方法管理与优化模块用于对所述深度残差回归器进行反馈与动态微调更新;

12、所述映射与输出模块用于实现角度映射与轨迹平滑,从而输出doa监测轨迹。

13、进一步地,所述信号数字化与预处理模块包括依次布置的:模数转换层、正交下变频层、复数带通滤波层、特征向量提取层;

14、所述模数转换层输出的数字信号送入所述正交下变频层,生成i、q两路基带信号;所述i、q两路复基带信号输入所述复数带通滤波层进行复数带通滤波;

15、所述特征向量提取层用于对滤波处理后的复基带信号,在观测窗口内对各通道复基带采样向量进行复共轭乘积累加,得到样本复协方差矩阵;将复协方差矩阵元素及阵元间相位差信息进行向量化处理,形成所述多维特征向量序列。

16、一种基于上下文学习与动态门控残差网络的doa估计方法,基于所述的基于上下文学习与动态门控残差网络的doa估计系统实现,包括以下步骤:

17、s1:获取多通道同步输出的水下声学数字化快拍数据,并进行预处理;

18、s2:对所述数字化快拍数据进行共轭协方差特征提取,将共轭协方差及阵元间相位差信息进行向量化处理,得到多维特征向量序列,并按时间顺序将所述多维特征向量序列划分为支持集和查询集;

19、s3:对支持集进行上下文编码,得到环境表示向量;

20、s4:对原始相位特征和统计平滑特征进行动态门控加权融合,得到融合特征;

21、s5:将所述融合特征、环境表示向量和查询集输入深度残差回归器,得到查询集对应的doa估计结果;

22、s6:对所述doa估计结果进行轨迹平滑处理,输出doa监测轨迹。

23、进一步地,所述s2具体通过以下子步骤实现:

24、(2.1)对经正交下变频和带通滤波处理后的多通道复基带快拍数据,在预设观测窗口内,对各通道复基带采样向量进行复共轭乘积累加,得到样本复协方差矩阵;

25、(2.2)将复协方差矩阵元素及阵元间相位差信息进行向量化处理,形成多维特征向量序列;

26、(2.3)按照时间顺序,将多维特征向量序列划分为支持集和查询集;所述支持集由历史快拍构成,用于表征当前海域的长时序环境背景;所述查询集由当前或后续短时序快拍构成,用于进行当前目标的doa估计。

27、进一步地,所述s3具体操作如下:对支持集进行线性变换和非线性激活,并通过全局平均池化得到环境表示向量;所述环境表示向量用于表征支持集对应时间段内的统计声学环境特征,并作为所述深度残差回归器的环境先验约束输入。

28、进一步地,所述s4具体操作如下:基于所述原始相位特征和统计平滑特征生成门控得分;通过softmax函数对所述门控得分进行归一化,得到原始相位特征对应的第一融合权重和统计平滑特征对应的第二融合权重;按照所述第一融合权重和第二融合权重对原始相位特征和统计平滑特征进行加权求和,得到所述融合特征。

29、进一步地,所述深度残差回归器包括多个串联的残差块和输出层;每一残差块对输入特征进行层归一化、非线性变换和残差相加处理;所述输出层根据最后一个残差块的输出以及所述环境表示向量生成所述doa估计结果。

30、进一步地,所述s5还包括深度残差回归器输出层参数的反馈与更新:在获得具有可信参考方位角的样本时,根据所述doa估计结果与所述可信参考方位角之间的残差计算huber损失;

31、当满足预设更新条件时,仅更新所述深度残差回归器的输出层权重;所述更新条件为:huber损失大于预设更新阈值,且所述可信参考方位角满足预设置信度条件;

32、对更新后的输出层权重进行定点量化和参数范围校验后,通过总线接口写入fpga内部的权重存储区,并在校验通过且当前推理帧处理结束后切换为生效输出层权重;

33、若未获得可信参考方位角和/或未满足更新条件和/或参数校验失败和/或更新后总损失函数未降低,则丢弃本次更新结果并保留原输出层权重。

34、本发明的有益效果是:

35、(1)本发明通过上下文学习(context learning)技术,利用支持集构建动态环境先验约束,使系统具备了“感知环境变化并自主修正偏差”的能力。相比传统方法仅能独立处理孤立快拍,本发明有效克服了复杂多径及衰落海域下的预测轨迹跳变,确保了doa估计的高连续性与超分辨率精度。

36、(2)本发明结合分级增益硬件调理链路与动态门控特征融合机制,系统能从物理层到算法层协同优化信号质量。通过动态平衡原始相位特征与空间梯度平滑特征,不仅抑制了宽带动力噪声和突发脉冲干扰,还显著增强了系统在阵元通道增益和相位失配、多普勒频偏等极端工况下的监测鲁棒性。

37、(3)本发明通过构建环境表示向量,能够精准补偿由海试过程中温盐深(ctd)变化引起的声速剖面畸变及非线性传播偏差。这种“环境感知型”预测机制,使得系统在异构海域切换时无需繁琐的人工调参,具备极佳的工程落地价值与环境扩展性。