一种智能水下目标定位方法与流程

1.本发明涉及水下目标定位的技术领域，尤其涉及一种智能水下目标定位方法。


背景技术：

2.随着人类对海洋的探索和开发变得日益频繁，水下声学定位技术在海底光缆线路铺设、大范围海洋空间及环境数据获取和海洋资源勘探与开发等领域中的需求程多样化发展。而全球定位系统是利用电磁波实现对陆地设备的定位，由于海水可以很好地吸收电磁波，使得gps无法直接应用于水下，因此水下目标定位成为当前研究的热门话题。
3.受复杂的海洋环境影响，信号以声波为载体在水下传播过程中容易产生衰减、畸变，遇到障碍物时发生折射或反射现象也会影响信号原始波形，为基于水下声学信号的水下目标定位检测带来困难。
4.鉴于此，如何利用声学信号实现水下目标定位，成为本领域技术人员亟待解决的问题。


技术实现要素：

5.本发明提供一种智能水下目标定位方法，目的在于(1)优化水下声波传输方法；(2)实现水下目标实时定位。
6.实现上述目的，本发明提供的一种智能水下目标定位方法，包括以下步骤：
7.s1：构建水下目标定位数学模型；
8.s2：利用构建的水下目标定位模型生成大量测试仿真数据，并对数据进行预处理，将预处理后的数据作为训练数据；
9.s3：将训练数据作为输入，输入到神经网络模型并利用adam算法训练神经网络模型，得到训练好的卷积-池化层参数；
10.s4：固定神经网络模型的卷积-池化层参数，扩展神经网络的全连接层，基于迁移学习算法，利用实际海底定位采集数据对扩展的全连接层参数进行训练，得到训练好的神经网络模型；
11.s5：采集实际水下数据，对采集的水下数据进行预处理，将预处理后的水下数据作为神经网络模型的输入，输出结果为水下目标定位坐标。
12.作为本发明的进一步改进方法：
13.所述s1步骤中构建水下目标定位数学模型中的信号接收模型，包括：
14.在水上设置m个信号发射阵元和n个信号接收阵元，其中信号发射阵元向水下目标发射声线，则信号接收阵元的信号接收模型为：
[0015][0016]
[0017]
其中：
[0018]sij
(t)为第i个信号发射阵元发射信号时，第j个信号接收阵元接收到的信号，t表示信号发射时刻；
[0019]ci
(t)表示第i个信号发射阵元所发射的信号；
[0020]
表示卷积操作；
[0021]
n(t)表示水下噪声信号；
[0022]hij
(t)表示水下信号通道的冲激响应函数；
[0023]
(x,y)表示水下目标的二维坐标，水下目标接收到l条入射声线，信号接收阵元接收到q条散射声线，入射声线p到达水下目标的冲激响应为g
p
(x,y)，时延为t
p
，1≤p≤l，散射声线到达信号接收阵元的冲激响应为gq(x,y)，时延为tq，1≤q≤q；
[0024]
表示将l条入射声线以及q条散射声线形成的冲激响应在时域上依据时延t
p
tq叠加在一起，形成水下目标的冲激响应函数hi′j(t)。
[0025]
所述s1步骤中依据所构建的信号接收模型，构建水下目标定位数学模型，包括：
[0026]
对接收的信号进行脉冲压缩处理：
[0027][0028]
其中：
[0029]
*表示取复共轭；
[0030]dij
(t)表示接收信号s
ij
(t)的脉冲压缩波形结果；
[0031]
构建脉冲压缩波形结果与水下目标定位坐标的数学模型：
[0032][0033]
其中：
[0034]
(x,y)表示水下目标的二维坐标。
[0035]
所述s2步骤中利用构建的水下目标定位数学模型生成大量测试仿真数据，包括：
[0036]
根据所构建的水下目标定位数学模型，模拟信号发射阵元、信号接收阵元以及水下环境，随机生成若干水下目标，模拟信号发射阵元向水下目标发射信号，并计算出水下冲激响应函数，将水下冲激响应函数、水下目标以及发射信号作为水下定位数学模型的参数，得到水下目标dk所对应的脉冲压缩波形结果dk(t)，其中k∈[1,e]，e表示生成的水下目标数目，水下目标dk的定位坐标为ik＝(xk,yk)，将水下目标dk的位置信息ik以及对应的脉冲压缩波形结果dk(t)作为一组测试仿真数据，所述测试仿真数据集合为{(i1,d1(t)),(i2,d2(t)),(i3,d3(t)),
…
,(ie,de(t))}。
[0037]
所述s2步骤中对生成的测试仿真数据进行预处理，将预处理后的测试仿真数据作为训练数据，包括：
[0038]
对测试仿真数据集合中的脉冲压缩波形结果进行预加重的预处理，所述预加重处理的公式为：
[0039]d′i(t)＝di(t)-adi(t-1)
[0040]
其中：
[0041]
a表示预加重系数，将其设置为0.98；
[0042]di
(t)表示水下目标di所对应的脉冲压缩波形结果；
[0043]d′i(t)为预加重处理后的脉冲压缩波形结果；
[0044]
将预处理后的测试仿真数据集合{(i1,d
′1(t)),(i2,d
′2(t)),
…
,(ie,d
′e(t))}作为训练数据集合。
[0045]
所述s3步骤中将训练数据作为模型输入构建神经网络模型，包括：
[0046]
将训练数据中的脉冲压缩波形结果作为神经网络模型输入，训练数据中的水下目标位置信息作为神经网络模型输出，构建神经网络模型，所构建的神经网络模型由两层卷积-池化层以及两层全连接层构成，所述神经网络模型的损失函数为：
[0047][0048]
其中：
[0049]
e表示训练数据中水下目标的数目；
[0050]
ie表示水下目标de的真实位置信息；
[0051]
表示神经网络模型输出的水下目标de的位置信息；
[0052]
所述s3步骤中利用adam算法训练神经网络模型，得到训练好的卷积-池化层参数，包括：
[0053]
利用adam算法训练神经网络模型中卷积-池化层，得到训练好的卷积-池化层参数，所述adam算法的流程为：
[0054]
1)初始化卷积-池化层参数θ0，偏一阶矩估计m0＝0，偏二阶矩估计v0＝0，h为0；
[0055]
2)h＝h 1；
[0056]
3)其中gh表示神经网络模型参数为θh的损失函数梯度，f(θ
h-1)表示神经网络模型参数为θh的神经网络模型，f
θ
表示softmax激活函数；
[0057]
4)mh＝β1m
h-1
(1-β1)gh，其中β1为矩估计的指数衰减率，将其设置为0.82；
[0058]
5)vh＝β2v
h-1
(1-β2)*(gh)2，其中β2为矩估计的指数衰减率，将其设置为0.79；
[0059]
6)卷积-池化层参数的更新公式为：
[0060][0061]
其中：
[0062]
α为学习率，将其设置为0.6；
[0063]
7)重复步骤2)-6)，直到卷积-池化层参数收敛，则收敛后的卷积-池化层参数为θ
*
。
[0064]
所述s4步骤中固定神经网络模型的卷积-池化层参数，扩展神经网络的全连接层，基于迁移学习利用实际海底定位采集数据对扩展的全连接层参数进行训练，包括：
[0065]
将训练好的卷积-池化层参数作为神经网络模型卷积-池化层参数，并固定神经网络模型的卷积-池化层参数；
[0066]
获取海底定位采集数据，所述海底定位采集数据为海底目标定位信息以及声波信
息，将全连接层扩展为三层，全连接层为：
[0067]
i＝f(w
kd′
bk)k＝1,2,3
[0068]
其中：
[0069]d′
为输入的声波信息，即脉冲压缩波形结果；
[0070]
wk为第k层全连接层的权重；
[0071]bk
为第k层全连接层的偏置量；
[0072]
f(
·
)为relu激活函数；
[0073]
i表示神经网络输出的水下目标位置信息；
[0074]
基于训练数据集，利用adam算法训练得到三层全连接层的参数，并固定第一层和第二层的全连接参数，所述全连接层参数包括全连接层的权重以及偏置量；
[0075]
将海底定位采集数据中的声波信息作为神经网络模型的输入，通过对比神经网络模型输出的水下目标位置信息以及海底目标定位信息，调整第三层全连接层的参数，使得两个位置信息的距离最小，其中ih表示海底定位采集数据中的海底目标定位信息，表示神经网络模型输出的水下目标位置信息。
[0076]
所述s5步骤中采集实际水下目标定位的水下数据，对采集的水下数据进行预处理，将预处理后的水下数据作为神经网络模型的输入，得到水下目标的定位坐标，包括：
[0077]
采集实际水下目标定位的水下数据，对采集的水下数据进行预处理，得到水下数据的脉冲压缩波形结果，将脉冲压缩波形结果作为神经网络模型的输入，利用神经网络模型输出水下目标定位坐标。
[0078]
相对于现有技术，本发明提出一种智能水下目标定位方法，该技术具有以下优势：
[0079]
首先，本方案提出一种水下信号接收模型，将水下声波转换为数学模型，避免声波在水下传播过程中发生衰减、畸变，导致定位不准的问题，其中信号接收阵元的信号接收模型为：
[0080][0081][0082]
其中：s
ij
(t)为第i个信号发射阵元发射信号时，第j个信号接收阵元接收到的信号，t表示信号发射时刻；ci(t)表示第i个信号发射阵元所发射的信号；表示卷积操作；n(t)表示水下噪声信号；h
ij
(t)表示水下信号通道的冲激响应函数；(x,y)表示水下目标的二维坐标，水下目标接收到l条入射声线，信号接收阵元接收到q条散射声线，入射声线p到达水下目标的冲激响应为g
p
(x,y)，时延为t
p
，1≤p≤l，散射声线到达信号接收阵元的冲激响应为gq(x,y)，时延为tq，1≤q≤q；表示将l条入射声线以及q条散射声线形成的冲激响应在时域上依据时延t
p
tq叠加在一起，形成水下目标的冲激响应函数；通过对接收的信号进行脉冲压缩处理，得到水下声波的脉冲压缩波形，从而构建脉冲压缩波形结果与水下目标定位坐标的数学模型：
[0083][0084]
其中：(x,y)表示水下目标的二维坐标。根据所构建的水下目标定位数学模型，模拟信号发射阵元、信号接收阵元以及水下环境，随机生成若干水下目标，模拟信号发射阵元向水下目标发射信号，并计算出水下冲激响应函数，将水下冲激响应函数、水下目标以及发射信号作为水下定位数学模型的参数，得到水下目标dk所对应的脉冲压缩波形结果dk(t)，其中k∈[1,e]，e表示生成的水下目标数目，水下目标dk的定位坐标为ik＝(xk,yk)，将水下目标dk的位置信息ik以及对应的脉冲压缩波形结果dk(t)作为一组测试仿真数据，所述测试仿真数据集合为{(i1,d1(t)),(i2,d2(t)),(i3,d3(t)),
…
,(ie,de(t))}，从而获取大量训练数据，训练得到更优的用于水下目标定位的神经网络模型。
[0085]
同时，本方案利用迁移学习方法训练得到神经网络模型的全连接层，通过获取海底定位采集数据，将全连接层扩展为三层，全连接层为：
[0086]
i＝f(w
kd′
bk)k＝1,2,3
[0087]
其中：d
′
为输入的声波信息，即脉冲压缩波形结果；wk为第k层全连接层的权重；bk为第k层全连接层的偏置量；f(
·
)为relu激活函数；i表示神经网络输出的水下目标位置信息；基于训练数据集，利用adam算法训练得到三层全连接层的参数，并固定第一层和第二层的全连接参数，所述全连接层参数包括全连接层的权重以及偏置量；将海底定位采集数据中的声波信息作为神经网络模型的输入，通过对比神经网络模型输出的水下目标位置信息以及海底目标定位信息，调整第三层全连接层的参数，使得两个位置信息的距离最小，其中ih表示海底定位采集数据中的海底目标定位信息，表示神经网络模型输出的水下目标位置信息，本方案通过利用实际数据对全连接层的参数进行调整，解决了模型环境失配问题，即利用训练数据训练得到的模型在实际场景中可能不适用的问题。
附图说明
[0088]
图1为本发明一实施例提供的一种智能水下目标定位方法的流程示意图；
[0089]
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0090]
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0091]
s1：构建水下目标定位数学模型。
[0092]
所述s1步骤中构建水下目标定位数学模型中的信号接收模型，包括：
[0093]
在水上设置m个信号发射阵元和n个信号接收阵元，其中信号发射阵元向水下目标发射声线，则信号接收阵元的信号接收模型为：
[0094][0095]
[0096]
其中：
[0097]sij
(t)为第i个信号发射阵元发射信号时，第j个信号接收阵元接收到的信号，t表示信号发射时刻；
[0098]ci
(t)表示第i个信号发射阵元所发射的信号；
[0099]
表示卷积操作；
[0100]
n(t)表示水下噪声信号；
[0101]hij
(t)表示水下信号通道的冲激响应函数；
[0102]
(x，y)表示水下目标的二维坐标，水下目标接收到l条入射声线，信号接收阵元接收到q条散射声线，入射声线p到达水下目标的冲激响应为g
p
(x，y)，时延为t
p
，1≤p≤l，散射声线到达信号接收阵元的冲激响应为gq(x,y)，时延为tq，1≤q≤q；
[0103]
表示将l条入射声线以及q条散射声线形成的冲激响应在时域上依据时延t
p
tq叠加在一起，形成水下目标的冲激响应函数h
′
ij
(t)。
[0104]
所述s1步骤中依据所构建的信号接收模型，构建水下目标定位数学模型，包括：
[0105]
对接收的信号进行脉冲压缩处理：
[0106][0107]
其中：
[0108]
*表示取复共轭；
[0109]dij
(t)表示接收信号s
ij
(t)的脉冲压缩波形结果；
[0110]
构建脉冲压缩波形结果与水下目标定位坐标的数学模型：
[0111][0112]
其中：
[0113]
(x,y)表示水下目标的二维坐标。
[0114]
s2：利用构建的水下目标定位模型生成大量测试仿真数据，并对数据进行预处理，将预处理后的数据作为训练数据。
[0115]
所述s2步骤中利用构建的水下目标定位数学模型生成大量测试仿真数据，包括：
[0116]
根据所构建的水下目标定位数学模型，模拟信号发射阵元、信号接收阵元以及水下环境，随机生成若干水下目标，模拟信号发射阵元向水下目标发射信号，并计算出水下冲激响应函数，将水下冲激响应函数、水下目标以及发射信号作为水下定位数学模型的参数，得到水下目标dk所对应的脉冲压缩波形结果dk(t)，其中k∈[1，e]，e表示生成的水下目标数目，水下目标dk的定位坐标为ik＝(xk，yk)，将水下目标dk的位置信息ik以及对应的脉冲压缩波形结果dk(t)作为一组测试仿真数据，所述测试仿真数据集合为{(i1，d1(t))，(i2，d2(t))，(i3，d3(t))，
…
，(ie，de(t))}。
[0117]
所述s2步骤中对生成的测试仿真数据进行预处理，将预处理后的测试仿真数据作为训练数据，包括：
[0118]
对测试仿真数据集合中的脉冲压缩波形结果进行预加重的预处理，所述预加重处理的公式为：
[0119]d′i(t)＝di(t)-adi(t-1)
[0120]
其中：
[0121]
a表示预加重系数，将其设置为0.98；
[0122]di
(t)表示水下目标di所对应的脉冲压缩波形结果；
[0123]d′i(t)为预加重处理后的脉冲压缩波形结果；
[0124]
将预处理后的测试仿真数据集合{(i1,d
′1(t)),(i2,d
′2(t)),
…
,(ie,d
′e(t))}作为训练数据集合。
[0125]
s3：将训练数据作为输入，输入到神经网络模型并利用adam算法训练神经网络模型，得到训练好的卷积-池化层参数。
[0126]
所述s3步骤中将训练数据作为模型输入构建神经网络模型，包括：
[0127]
将训练数据中的脉冲压缩波形结果作为神经网络模型输入，训练数据中的水下目标位置信息作为神经网络模型输出，构建神经网络模型，所构建的神经网络模型由两层卷积-池化层以及两层全连接层构成，所述神经网络模型的损失函数为：
[0128][0129]
其中：
[0130]
e表示训练数据中水下目标的数目；
[0131]
ie表示水下目标de的真实位置信息；
[0132]
表示神经网络模型输出的水下目标de的位置信息；
[0133]
所述s3步骤中利用adam算法训练神经网络模型，得到训练好的卷积-池化层参数，包括：
[0134]
利用adam算法训练神经网络模型中卷积-池化层，得到训练好的卷积-池化层参数，所述adam算法的流程为：
[0135]
1)初始化卷积-池化层参数θ0，偏一阶矩估计m0＝0，偏二阶矩估计v0＝0，h为0；
[0136]
2)h＝h 1；
[0137]
3)其中gh表示神经网络模型参数为θh的损失函数梯度，f(θ
h-1)表示神经网络模型参数为θh的神经网络模型，f
θ
表示softmax激活函数；
[0138]
4)mh＝β1m
h-1
(1-β1)gh，其中β1为矩估计的指数衰减率，将其设置为0.82；
[0139]
5)vh＝β2v
h-1
(1-β2)*(gh)2，其中β2为矩估计的指数衰减率，将其设置为0.79；
[0140]
6)卷积-池化层参数的更新公式为：
[0141][0142]
其中：
[0143]
α为学习率，将其设置为0.6；
[0144]
7)重复步骤2)-6)，直到卷积-池化层参数收敛，则收敛后的卷积-池化层参数为θ*。
[0145]
s4：固定神经网络模型的卷积-池化层参数，扩展神经网络的全连接层，基于迁移
学习算法，利用实际海底定位采集数据对扩展的全连接层参数进行训练，得到训练好的神经网络模型。
[0146]
所述s4步骤中固定神经网络模型的卷积-池化层参数，扩展神经网络的全连接层，基于迁移学习利用实际海底定位采集数据对扩展的全连接层参数进行训练，包括：
[0147]
将训练好的卷积-池化层参数作为神经网络模型卷积-池化层参数，并固定神经网络模型的卷积-池化层参数；
[0148]
获取海底定位采集数据，所述海底定位采集数据为海底目标定位信息以及声波信息，将全连接层扩展为三层，全连接层为：
[0149]
i＝f(w
kd′
bk)k＝1,2,3
[0150]
其中：
[0151]d′
为输入的声波信息，即脉冲压缩波形结果；
[0152]
wk为第k层全连接层的权重；
[0153]bk
为第k层全连接层的偏置量；
[0154]
f(
·
)为relu激活函数；
[0155]
i表示神经网络输出的水下目标位置信息；
[0156]
基于训练数据集，利用adam算法训练得到三层全连接层的参数，并固定第一层和第二层的全连接参数，所述全连接层参数包括全连接层的权重以及偏置量；
[0157]
将海底定位采集数据中的声波信息作为神经网络模型的输入，通过对比神经网络模型输出的水下目标位置信息以及海底目标定位信息，调整第三层全连接层的参数，使得两个位置信息的距离最小，其中ih表示海底定位采集数据中的海底目标定位信息，表示神经网络模型输出的水下目标位置信息。
[0158]
s5：采集实际水下数据，对采集的水下数据进行预处理，将预处理后的水下数据作为神经网络模型的输入，输出结果为水下目标定位坐标。
[0159]
所述s5步骤中采集实际水下目标定位的水下数据，对采集的水下数据进行预处理，将预处理后的水下数据作为神经网络模型的输入，得到水下目标的定位坐标，包括：
[0160]
采集实际水下目标定位的水下数据，对采集的水下数据进行预处理，得到水下数据的脉冲压缩波形结果，将脉冲压缩波形结果作为神经网络模型的输入，利用神经网络模型输出水下目标定位坐标。
[0161]
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
[0162]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，
计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
[0163]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。