一种基于干涉结构特征解耦的水声目标距离速度联合估计方法及系统

本发明涉及水声信号处理、被动声呐目标探测、目标运动参数反演及人工智能，具体涉及一种基于干涉结构特征解耦的水声目标距离速度联合估计方法及系统。该方法结合深海多径传播干涉机理与深度学习技术，利用单水听器接收的宽带水声信号实现目标距离和目标速度的联合估计，可应用于水下目标探测、海洋环境监测、水下无人平台感知及海洋态势感知等领域。

背景技术：

1、随着海洋资源开发、水下目标探测及海洋态势感知需求的不断增长，被动声呐目标运动参数估计技术受到广泛关注。其中，目标距离和目标速度是描述目标运动状态的重要参数，其估计精度直接影响目标定位、目标跟踪及航迹预测等任务的性能，在海洋环境监测、水下无人平台导航等领域具有重要应用价值。

2、在深海波导环境中，目标辐射的宽带噪声经海面、海底等边界多次反射后形成多径传播，不同传播路径之间相互干涉，在接收端形成具有明显条纹结构的时频干涉图。干涉条纹的周期、倾斜方向及演化规律包含了目标距离和目标速度等运动信息，因此，利用干涉结构进行目标运动参数反演已成为近年来水声信号处理领域的重要研究方向。

3、目前，目标距离与速度估计方法主要包括模型驱动方法和数据驱动方法两类。模型驱动方法通常依据海洋声传播理论建立传播模型，通过匹配场处理、多径干涉分析或多普勒分析等方式估计目标运动参数。该类方法依赖精确的海洋环境参数，当声速剖面、海底参数或传播环境发生变化时，容易产生模型失配，从而降低估计精度。

4、近年来，随着深度学习技术的发展，卷积神经网络、残差网络等模型逐渐应用于水声目标参数估计，通过学习时频图与目标参数之间的非线性映射关系，提高了复杂环境下的预测性能。然而，现有方法仍存在以下不足：一是直接利用原始时频图进行特征学习，缺乏针对背景噪声和干涉条纹退化的有效增强机制；二是距离特征与速度特征通常采用共享网络进行提取，未充分考虑二者在时频图中的不同表征规律，容易造成特征耦合；三是多任务学习过程中缺乏有效的跨任务信息交互机制，难以充分利用距离与速度之间的内在关联，影响联合估计精度和模型泛化能力。

5、因此，亟需提出一种能够兼顾信号提纯、特征解耦及跨任务交互的目标距离与速度联合估计方法，在复杂海洋环境下充分挖掘干涉结构中的运动信息，提高目标距离和速度的联合估计精度及模型鲁棒性。

技术实现思路

1、本发明的目的是针对现有技术中存在的上述不足，提供一种基于干涉结构特征解耦的水声目标距离速度联合估计方法及系统。该方法针对复杂海洋环境中背景噪声干扰强、多径传播复杂以及目标距离与速度特征耦合等问题，通过构建信号提纯模块、方向性特征增强模块、双分支非对称空洞空间金字塔池化模块以及跨任务特征交互模块，实现目标距离与目标速度的联合估计，提高模型在复杂海洋环境中的估计精度、鲁棒性及泛化能力。

2、为实现上述目的，本发明采用如下技术方案：

3、第一方面，本发明提供一种基于干涉结构特征解耦的水声目标距离速度联合估计方法，包括以下步骤：

4、获取目标辐射宽带水声信号并进行时频分析，构建目标时频干涉图；

5、构建联合估计模型，所述联合估计模型包括信号提纯模块、双分支特征解耦模块、跨任务特征交互模块和参数回归模块；其中，所述双分支特征解耦模块包括条纹方向特征增强模块（vertical strip feature，vsf）和双分支非对称空洞空间金字塔池化模块（dualasymmetric atrous spatial pyramid pooling，daa）；

6、对所述时频干涉图进行预处理后输入所述信号提纯模块，利用引入注意力机制的编码器-解码器网络增强目标干涉条纹并抑制背景噪声，获得提纯后的干涉结构特征；

7、将提纯后的干涉结构特征输入双分支特征解耦模块，根据目标距离和速度在时频干涉图中的不同物理表征规律，分别建立距离特征分支和速度特征分支，采用非对称空洞空间金字塔池化模块进行多尺度特征提取，实现距离特征与速度特征的解耦表示；

8、将距离分支特征与速度分支特征输入跨任务特征交互模块，通过双向交叉门控机制进行信息共享，获得交互增强后的距离特征和速度特征；

9、将交互增强后的距离特征和速度特征分别输入对应的参数回归模块，输出目标距离预测结果和目标速度预测结果，并采用联合损失函数对整个网络进行端到端训练，完成目标距离与目标速度的联合估计。

10、作为优选，所述信号提纯模块采用改进u-net网络，包括编码器、瓶颈层和解码器，并在编码器输出、瓶颈层以及跳跃连接位置引入卷积块注意力模块（cbam），通过跳跃连接融合浅层纹理信息与深层语义信息实现干涉结构重建。

11、作为优选，所述条纹方向特征增强模块采用横向卷积分支和纵向卷积分支并行提取目标干涉条纹的方向性特征，并通过特征融合获得增强后的方向特征，其输出满足：

12、

13、其中，为(1×7)横向卷积，通过沿频率方向扩展感受野，增强与干涉条纹频率间距相关的特征响应；为(7×1)向卷积，通过沿时间方向扩展感受野，强化条纹斜率及连续演化特征的表达能力。

14、作为优选，所述双分支非对称空洞空间金字塔池化模块分别建立距离分支和速度分支，其输出满足：

15、

16、其中，，，，，[⋅]表示通道拼接（concatenate）操作，proj(⋅)表示1×1卷积融合操作；距离分支采用横向非对称卷积，卷积核尺寸为k=(3,7)，空洞率分别为d1=(1,6)、d2=(1,12)，用于沿频率方向扩展感受野以提取干涉条纹周期特征；速度分支采用纵向非对称卷积，卷积核尺寸为k=(7,3)，空洞率分别为d1=(6,1)、d2=(12,1)，用于沿时间方向扩展感受野以提取条纹斜率特征。

17、作为优选，所述双向交叉门控机制为：

18、分别对距离分支特征和速度分支特征进行全局特征提取，获得距离分支全局特征和速度分支全局特征；

19、根据速度分支全局特征生成距离分支门控权重，根据距离分支全局特征生成速度分支门控权重，并利用门控权重对对应分支全局特征进行自适应重标定，计算公式分别为：

20、

21、

22、

23、

24、其中，表示距离分支门控权重，表示速度分支门控权重；和分别表示门控权重映射函数；σ(⋅)表示sigmoid激活函数，和分别表示交互增强后的距离分支特征和速度分支特征，⊙表示逐元素乘法运算。

25、通过双向交叉门控机制，使距离分支利用速度分支的全局语义信息完成特征增强，速度分支利用距离分支的全局语义信息完成特征增强，在保持两项任务独立建模的基础上实现跨任务信息共享，提高目标距离与目标速度联合估计的精度。

26、作为优选，所述联合损失函数包括信号提纯损失、距离回归损失和速度回归损失；其中，信号提纯损失包括全局能量约束项和各向异性全变分正则项，所述全局能量约束项的计算公式为：

27、

28、所述各向异性全变分约束损失的计算公式为：

29、

30、其中，表示提纯后的时频特征图，表示原始输入时频图；分别表示沿时间轴方向和频率轴方向的一阶前向差分算子；α和β分别表示垂直方向和平行于频率方向的平滑约束权重；

31、所述距离回归损失和速度回归损失均采用smooth l1损失函数，其表达式为：

32、

33、其中，p表示预测值，t表示真实标签，δ表示平滑因子；

34、所述联合损失函数表示为：

35、

36、其中，为距离回归损失，为速度回归损失，、、和为权重。

37、训练过程中采用端到端联合优化策略，同时优化信号提纯模块、双分支特征解耦模块、跨任务特征交互模块及参数回归模块；当信号提纯模块达到预设收敛条件后，冻结信号提纯模块参数，仅继续优化双分支特征解耦模块、跨任务特征交互模块及参数回归模块，实现信号提纯与目标距离、目标速度联合估计的协同优化。

38、作为优选，所述端到端训练采用分阶段训练策略：

39、训练初期，开放全部网络参数进行联合优化；当信号提纯模块达到预设收敛条件后，冻结信号提纯模块参数，继续优化双分支特征解耦模块、跨任务特征交互模块及参数回归模块；

40、所述预设收敛条件采用结构相似性指数（ssim）评价，当连续若干轮训练过程中ssim变化率均低于设定阈值时，判定信号提纯模块已收敛。

41、作为优选，所述参数回归模块包括距离回归头和速度回归头，两者均采用多层感知机结构进行特征映射，并采用缩放sigmoid激活函数输出目标距离预测值和目标速度预测值。

42、作为优选，所述时频干涉图的构建包括：

43、利用短时傅里叶变换对目标辐射宽带水声信号进行时频分析，获得二维时频图；

44、采用统计分位数截断方法，以样本能量分布的低分位点和高分位点作为截断阈值，对异常高能量区域进行压缩；

45、采用样本内自适应归一化方法，对每个样本分别进行线性归一化处理，使不同观测条件下的样本具有一致的数据分布。

46、第二方面，本发明提供一种基于干涉结构特征解耦的水声目标距离速度联合估计系统，包括：

47、数据预处理模块，用于构建目标时频干涉图并进行数据预处理；

48、信号提纯模块，用于增强目标干涉条纹并抑制背景噪声；

49、双分支特征解耦模块，用于根据目标距离和速度的不同物理表征规律分别提取目标距离特征和目标速度特征；

50、跨任务特征交互模块，用于通过双向交叉门控实现距离特征和速度特征之间的有限信息共享；

51、参数回归模块，用于输出目标距离预测结果和目标速度预测结果。

52、第三方面，本发明提供一种电子设备，包括处理器和存储器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法。

53、与现有技术相比，本发明具有以下有益效果：

54、（1）本发明利用单水听器接收信号即可完成目标距离和目标速度联合估计，无需建立复杂海洋传播模型，也无需阵列观测信息，降低了系统实现难度，提高了工程应用价值。

55、（2）本发明设计基于改进u-net的信号提纯模块，通过引入卷积块注意力机制增强目标干涉条纹、抑制背景噪声，提高了复杂海洋环境下时频特征质量，为后续参数估计提供更加可靠的输入。

56、（3）本发明充分考虑水声多径传播的物理机理，基于“干涉条纹疏密表征距离、条纹斜率表征速度”的物理规律，针对性提出条纹方向特征增强模块（vsf）及双分支非对称空洞空间金字塔池化模块（daa）。其中，vsf模块利用非对称卷积并行提取沿条纹方向和垂直条纹方向的特征，使网络能够在时频图中精准捕获距离和速度各自对应的方向性几何结构；daa模块进一步为两项任务建立独立的、方向适配的多尺度特征提取分支，实现距离特征与速度特征的有效解耦。

57、该设计的核心在于，vsf模块通过方向性非对称卷积将干涉条纹的几何先验转化为网络的结构性偏置，而daa模块则在此基础上为距离和速度建立物理适配的独立多尺度表征通道。二者协同作用，使得距离特征和速度特征分别在沿条纹方向和垂直条纹方向上获得增强响应，并在多尺度层面实现独立表征，网络的特征提取路径由此与多径传播所决定的目标信息编码方式相一致，而非仅在标准卷积网络上叠加多任务损失函数。区别于标准卷积网络采用各向同性卷积核、多任务学习采用共享特征层的常规做法，本设计以干涉条纹的方向性为物理锚点，将水声传播规律内嵌于网络架构之中，而非作为后处理或损失加权项引入。

58、（4）本发明设计跨任务特征交互门控机制，在保持距离与速度特征相对独立的基础上，实现有限的信息共享，充分利用两项任务之间的物理关联，提高联合估计精度及模型稳定性。

59、（5）本发明采用联合损失函数及分阶段训练策略，实现信号提纯与目标参数回归协同优化，提高模型收敛速度及泛化性能，在复杂海洋环境下具有较高的估计精度和鲁棒性。

60、（6）本发明能够广泛应用于水下目标探测、水下无人平台导航、海洋环境监测、海洋态势感知等领域，具有良好的推广应用前景。