技术特征：
1.一种基于深度学习的水下目标方位估计方法，其特征在于，包含以下步骤：s10：利用卷积神经网络构建水下目标估计数学模型；s20：采集已知方位的水下目标的水声设备的接收信号，对接收信号进行预处理，将预处理后的接收信号以及对应的标签作为训练数据；s30：利用训练数据对水下目标方位估计数学模型进行训练；s40：采集实际水声设备接收信号，对采集的接收信号进行预处理，将预处理之后的接收信号作为神经网络的输入，对输出结果进行概率处理并得到目标的方位。2.根据权利要求1所述的一种基于深度学习的水下目标方位估计方法，所述水声设备为均匀线列阵，其中，所述均匀线列阵接收的信号为远场窄带信号，记为：；式中，是均匀线列阵对远场窄带信号，是接收信号幅度，指的是某一时刻，是接收信号的相位，ω是接收信号的角频率，；所述远场窄带信号符合以下公式：；其中表示第个声源辐射的信号到阵列产生的时延，表示第个声源的角频率，表示声源的个数，因此可以得到第个阵元的接收信号为：；式中，为第个阵元的接收信号，为第个阵元对第个接收信号的增益，表示第个阵元在时刻的噪声，表示第个信号到达第个阵元时相对于参考阵元所产生的时延，表示均匀线列阵阵元的个数。3.根据权利要求2所述的一种基于深度学习的水下目标方位估计方法，其特征在于，当所述均匀线列阵是各向同性的且不存在通道不一致时，将个阵元接收的信号写成列阵形式，表示为：；上式解释如下：；上式中，为维阵列快拍数据向量，为维噪声数据向量，为维向量，为维流形矩阵，且：；其中：；式中，，是声速，是第个声源辐射信号的波长；之后利用下式得到协方差矩阵：。4.根据权利要求3所述的一种基于深度学习的水下目标方位估计方法，其特征在于，所述步骤“对接收信号进行预处理”的预处理方法为：得到所述水声设备接收信号的协方差矩
阵，所述协方差矩阵为一个m*m维的矩阵，其中m表示阵元的个数，提取其实部标记为，所述为一个m*m维的矩阵，提取其虚部标记为，也为一个m*m维的矩阵，之后将所述以及所述组合成一个m*m*2维的矩阵，记为。5.根据权利要求4所述的一种基于深度学习的水下目标方位估计方法，其特征在于，对每一个方位训练一个神经网络，其输入是协方差矩阵处理后的矩阵，当有目标存在时其标签为[1,0]，无目标存在时，其标签为[0,1]；所述神经网络的卷积层的大小为[1,1,2]且只包含一个卷积核，无池化层，全连接层的输出为一个1*2维的向量, 第一个值表示这个方位有目标的概率，第二个值表示这个方位无目标的概率；损失函数选取交叉熵损失函数，其数学定义式在被问题中可写为下式：；其中，分别表示真实的标签和网络的输出向量；激活函数采用relu函数，其数学定义式如下：。6.根据权利要求5所述的一种基于深度学习的水下目标方位估计方法，其特征在于，所述步骤“对输出结果进行概率处理并得到目标的方位”中对输出结果进行概率处理的方法为：第k个方位上的网络的输出向量为，对于第k个方位的输出，表示第k个方位出现目标的概率，表示不出现目标的概率，对输出结果中的每个方位建立目标概率向量，并重写为，之后将每一个方位对应的网络的有目标存在时的概率组合起来，并组成一个1*k维的向量为，其值表示每个方位出现目标的概率，通过每个方位出现目标概率值的大小确定在这个方位是否出现目标。7.根据权利要求6所述的一种基于深度学习的水下目标方位估计方法，其特征在于，若概率值大于0.6则表明该方位出现目标。8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有程序代码，用于执行权利要求1-7任一项所述的一种基于深度学习的水下目标方位估计方法。9.一种基于深度学习的水下目标方位估计系统，其特征在于，包含权利要求8所述的一种计算机可读存储介质。
技术总结
本发明提供了一种基于深度学习的水下目标方位估计方法、介质及系统，属于水下探测领域，该基于深度学习的水下目标方位估计方法利用卷积神经网络，输入预处理过后的水平线列阵接收信号的协方差矩阵，训练若干个神经网络，将原来的多分类问题转化为在每一个方位上的二分类问题，即对于每一个方位都单独训练一个网络，用来判断这个方位出现目标的概率值。这种基于深度学习的水下目标方位估计方法、介质及系统，属于水下定位领域，能够改善水下目标的DOA估计旁瓣较高，在低信噪比时误差较大，导致方位估计性能下降的问题；也能够改善此前的神经网络类方法需同时对全方位进行训练，造成时间的浪费，实用性也随之降低的问题。实用性也随之降低的问题。实用性也随之降低的问题。
技术研发人员：孙超 岳博朗 雷波
受保护的技术使用者：西北工业大学青岛研究院
技术研发日：2023.02.22
技术公布日：2023/3/21