一种基于域自适应网络的水下声源定位方法及系统

技术领域

本发明涉及声学信号处理技术领域和人工智能领域，特别涉及一种基于域自适应网络的水下声源定位方法及系统

背景技术

近年来，海洋的战略地位得到了越来越多的重视，目标定位与海洋资源的探测和开发息息相关，因此目标声源的被动定位是水声领域的重要问题。目前，基于物理声场建模的匹配场处理方法是水声被动定位领域的主流算法。然而，传统的匹配场在网格划分较细的情况下计算耗时较大，且容易受到环境先验信息准确度影响。因此，近年来基于深度学习的水下声源定位算法逐渐受到关注，但是深度学习方法需要大量数据来支撑，而水声定位领域由于实际样本获取难度大、成本高，很难有满足大规模模型训练需要的高质量、丰富度高的实际数据集，因此国内外研究者大多采用模拟数据训练模型，但是由于模拟数据和真实数据存在偏差，这样训练出的模型在真实数据上性能往往会明显下降。综上所述，提出一种准确、拥有良好跨域工作能力水下声源定位方法及系统十分重要。

现有的技术面临的挑战主要有：1.水下声源定位通常基于匹配场方法，将感兴趣的区域划分成网格，根据简正模传播模型来计算各个网格存在声源时阵的接收数据，这些数据被称为拷贝场。将阵元接收到的真实数据与拷贝场做相关，来搜索声源位置。匹配场方法对误差敏感，算法性能对环境的先验信息准确程度依赖度高，然而，海洋是一种时变，空变的动力学演化的声信道，这就导致在某些时刻和位置实测的声场与理论建模声场之间存在一定的偏差和失配。2.现有的基于深度学习的算法大多采用相同环境参数生成的仿真声压数据，再随机划分训练集和测试集；或者将同一次实验中采集到的声压数据划分成训练集和测试集，训练测试集分布高度相同，模型在测试集上通常性能很好。然而，这样训练出的模型在环境参数变化的情况下性能可能会大幅度下降，无法执行跨域任务。3.由于声学实验存在数据量少、缺少高质量的标注数据和训练样本、样本不平衡等问题，训练出来的模型可能过拟合或是泛化能力不高。

综上，提高源跨域定位的准确度成为目前亟待解决的重要技术问题。

发明内容

本发明的目的在于针对现有水下声源定位算法的不足，提供了一种基于域自适应网络的水下声源定位方法及系统，用于定位声源位置。本发明可以利用域自适应学习的方式提高模型的跨域工作性能，定位结果准确率高，模型具有较高的鲁棒性。

本发明的目的是通过以下技术方案来实现的：

本发明一方面提出了一种基于域自适应网络的水下声源定位方法，该方法包括以下步骤：

(1)数据采集：利用实验海区的环境信息生成仿真声压数据；采集实验海区实际声压数据。

(2)数据预处理：对生成的仿真声压数据和采集的实际声压数据进行加噪、归一化，并计算协方差矩阵。

(3)标签生成：假设有两种数据分布：源域数据分布S(x,y)和目标域数据分布T(x,y)，定义d

(4)构建域自适应网络，域自适应网络包含特征提取网络、声压样本分类网络以及域分类网络；

输入的源域数据经特征提取网络转换为特征向量，分别将特征向量输入声压样本分类网络和域分类网络，声压样本分类网络的输出层采用softmax回归函数输出样本分类概率，即该样本中声源位于不同位置的概率，域分类网络的输出层采用sigmoid回归函数输出样本的域分类概率，即该样本属于源域或目标域的概率；

输入的目标域数据经特征提取网络转换为特征向量，将特征向量输入域分类网络，域分类网络的输出层采用sigmoid回归函数输出样本的域分类概率，即该样本属于源域或目标域的概率；

采用加权的样本分类损失和域分类损失作为域自适应网络的损失函数。

(5)声源位置预测：利用训练好的域自适应网络计算实际声压数据的分类概率，将概率最大的类别对应的位置作为预测的声源位置。

进一步地，通过Kraken软件生成仿真声压数据，对仿真声压数据进行加噪、归一化操作，具体为：

对于海洋声信道，记第l个水听器接收的频域声压数据p(f,l)为：

p(f,l)＝S(f)g(f,r)+ξ

其中，S(f)为与声源频率f有关的复数声源激励项，g(f,r)为与声源位置有关的格林函数，r为声源与水听器之间的距离，ξ为噪声，可以采用零均值高斯噪声。

归一化复声压

其中，L为水听器总数；在较高信噪比情况下，通过归一化操作，声源激励的幅度谱的影响可被有效抑制。

进一步地，所述步骤(2)中，根据仿真声场数据构建协方差矩阵，协方差矩阵C(f)的计算公式为：

其中，N

进一步地，所述步骤(3)类别标签生成过程中，采用高斯函数代替Delta函数作为目标函数，来增加网络的宽容性，类别标签的生成公式为：

label～exp(-(r

其中，r

进一步地，所述步骤(4)域自适应网络中，特征提取网络第1层包括依次连接的一个卷积层、一个Batch Normalization单元和一个ReLu函数层；第2-3层是2个ResBlock，每个ResBlock包含依次连接的两个卷积层、两个Batch Normalization单元和一个ReLu函数。

进一步地，所述步骤(4)域自适应网络中，声压样本分类网络包括一个卷积层和两个全连接层，卷积层的输出连接一个全连接层进行非线性变换，全连接层向量的维度依次为1024、200，其中200表示类别数量。

进一步地，所述步骤(4)域自适应网络中，域分类网络包括一个梯度反转层和两个全连接层，梯度反转层在梯度反向传播过程中做取反操作，全连接层向量的维度依次为1024、2。

进一步地，所述步骤(4)在模型训练中采用加权的样本分类损失和域分类损失作为网络的损失函数；

样本分类损失采用交叉熵损失函数，其计算公式为：

其中，G

域分类损失同样采用交叉熵损失函数，其计算公式为：

其中，d

Loss＝λL

其中，Loss为域自适应网络的总损失函数，λ为权重因子，介于0到1之间，本发明中取0.5。

进一步地，模型训练过程中，采用标准随机梯度下降更新权重参数θ，其公式为：

其中，η是学习速率，θ

本发明另一方面提出了一种基于域自适应网络的水下声源定位系统，该系统包括：

数据采集模块：利用实验海区的环境信息生成仿真声压数据；采集实验海区实际声压数据。

数据预处理模块：对生成的仿真声压数据和采集的实际声压数据进行加噪、归一化，并计算协方差矩阵。

标签生成模块：假设有两种数据分布：源域数据分布S(x,y)和目标域数据分布T(x,y)，定义d

域自适应网络构建模块：用于构建并训练域自适应网络，域自适应网络包含特征提取网络、声压样本分类网络以及域分类网络；

输入的源域数据经特征提取网络转换为特征向量，分别将特征向量输入声压样本分类网络和域分类网络，声压样本分类网络的输出层采用softmax回归函数输出样本分类概率，即该样本中声源位于不同位置的概率，域分类网络的输出层采用sigmoid回归函数输出样本的域分类概率，即该样本属于源域或目标域的概率；

输入的目标域数据经特征提取网络转换为特征向量，将特征向量输入域分类网络，域分类网络的输出层采用sigmoid回归函数输出样本的域分类概率，即该样本属于源域或目标域的概率；

采用加权的样本分类损失和域分类损失作为域自适应网络的损失函数。

声源位置预测模块：利用训练好的域自适应网络计算实际声压数据的分类概率，将概率最大的类别对应的位置作为预测的声源位置。

本发明的有益效果如下：

1)能够自动学习声压数据的深度特征。传统的匹配场方法依赖于先验环境信息的准确性，且耗时随网格划分变密而增加。本发明域自适应网络能够自动地学习声压数据中的高维特征，以发现声压和声源位置的内在联系。与传统的水下声源定位方法相比，本发明能够学习到人眼难以识别的高阶特征。

2)能够实现对声源的准确定位。本发明能够较为准确地定位声源位置，与传统匹配场相比，本发明预测出的声源位置更接近真实位置，并能够保持较高的准确率和效率。

3)能够适用于来自不同域的数据。本发明提出的域自适应方法能够拉近源域和目标域的数据分布，使得低廉易得的仿真数据和数量少、获取成本高的真实声压数据都能被充分利用，从而进一步地提高模型在真实数据上的性能。另外，该方法还可以比较方便地扩展到其他网络结构上。

附图说明

图1是本发明一个实施例的基于域自适应网络的水下声源定位方法的流程图；

图2是本发明一个实施例的基于域自适应网络的水下声源定位方法的原理框图；

图3是本发明一个实施例的域自适应网络的结构示意图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步详细说明。

如图1、2所示，本发明实施例提供一种基于域自适应网络的水下声源定位方法，该方法包括以下步骤：

(1)数据采集，包括实际声压数据采集和仿真声压数据生成。

1.1)利用实验海区的环境信息生成仿真声压数据，具体地，可通过Kraken软件生成仿真声压数据；

1.2)采集实验海区实际声压数据。

(2)数据预处理：对生成的仿真声压数据和采集的实际声压数据进行加噪、归一化，并计算协方差矩阵。

2.1)对仿真声压数据进行加噪、归一化操作，具体为：

对于海洋声信道，记第l个水听器接收的频域声压数据p(f,l)为：

p(f,l)＝S(f)g(f,r)+ξ

其中，S(f)为与声源频率f有关的复数声源激励项，g(f,r)为与声源位置有关的格林函数，r为声源与水听器之间的距离，ξ为噪声，可以采用零均值高斯噪声。

归一化复声压

其中，L为水听器总数；在较高信噪比情况下，通过归一化操作，声源激励的幅度谱的影响可被有效抑制。

2.2)根据仿真声场数据构建协方差矩阵，协方差矩阵C(f)的计算公式为：

其中，N

(3)标签生成

假设有两种数据分布：源域数据分布S(x,y)和目标域数据分布T(x,y)，定义d

具体地，在类别标签生成过程中，采用高斯函数代替Delta函数作为目标函数，来增加网络的宽容性，类别标签的生成公式为：

label～exp(-(r

其中，r

(4)构建域自适应网络：如图3所示，域自适应网络包含特征提取网络、声压样本分类网络以及域分类网络；输入的源域数据经特征提取网络转换为特征向量，分别将特征向量输入声压样本分类网络和域分类网络，声压样本分类网络的输出层采用softmax回归函数输出样本分类概率，即该样本中声源位于不同位置的概率，域分类网络的输出层采用sigmoid回归函数输出样本的域分类概率，即该样本属于源域或目标域的概率；输入的目标域数据经特征提取网络转换为特征向量，将特征向量输入域分类网络，域分类网络的输出层采用sigmoid回归函数输出样本的域分类概率，即该样本属于源域或目标域的概率；采用加权的样本分类损失和域分类损失作为域自适应网络的损失函数。

4.1)特征提取网络

特征提取网络第1层包括依次连接的一个卷积层、一个Batch Normalization单元和一个ReLu函数层；第2-3层是2个ResBlock，每个ResBlock包含依次连接的两个卷积层、两个Batch Normalization单元和一个ReLu函数。

4.2)声压样本分类网络

声压样本分类网络包括一个卷积层和两个全连接层，卷积层的输出连接一个全连接层进行非线性变换，全连接层向量的维度依次为1024、200，其中200表示类别数量。

4.3)域分类网络

域分类网络包括一个梯度反转层和两个全连接层，梯度反转层在梯度反向传播过程中做取反操作，全连接层向量的维度依次为1024、2。

本发明实施例中，将声压数据的协方差矩阵输入网络，输入声压数据的大小为2*21*21，其中2代表协方差矩阵的实部和虚部。如经过第1层卷积后，得到的特征大小为64*19*19，经过ResBlocks得到高维特征。如果特征来自一个有监督的样本，就将其分别传入到声压样本分类网络和域分类网络中进行概率回归；如果特征来自于一个无监督的样本，就只传入到域分类网络做判别。声压样本分类网络的全连接层向量的维度依次为1*1*1024、1*1*200，域分类网络的全连接层维度依次为1*1*1024、1*1*2，全连接层中间采用dropout层并设置p＝0.5，减少网络参数，防止过拟合。输出层采用softmax回归函数的分类概率，即声源真实位置所属类别的概率，softmax的公式为：

其中，d

在模型训练中采用加权的样本分类损失和域分类损失作为网络的损失函数；

样本分类损失采用交叉熵损失函数，其计算公式为：

其中，G

域分类损失同样采用交叉熵损失函数，其计算公式为：

其中，d

Loss＝λL

其中，Loss为域自适应网络的总损失函数，λ为权重因子，介于0到1之间，本发明实施例中取0.5。

采用标准随机梯度下降更新权重参数θ，其公式为：

其中，η是学习速率，θ

在本发明实施例中，利用实测数据海区的环境参数生成仿真数据，作为有监督数据。利用实测数据作为无监督数据，对网络进行训练，通过训练过程得到网络模型。

(5)声源位置预测：利用训练好的域自适应网络计算实际声压数据的分类概率，将概率最大的类别对应的位置作为预测的声源位置，最终得到声源位置预测图。

本发明实施例还提供一种基于域自适应网络的水下声源定位系统，该系统包括：

数据采集模块：利用实验海区的环境信息生成仿真声压数据；采集实验海区实际声压数据。

数据预处理模块：对生成的仿真声压数据和采集的实际声压数据进行加噪、归一化，并计算协方差矩阵。

标签生成模块：假设有两种数据分布：源域数据分布S(x,y)和目标域数据分布T(x,y)，定义d

域自适应网络构建模块：用于构建并训练域自适应网络，域自适应网络包含特征提取网络、声压样本分类网络以及域分类网络；

输入的源域数据经特征提取网络转换为特征向量，分别将特征向量输入声压样本分类网络和域分类网络，声压样本分类网络的输出层采用softmax回归函数输出样本分类概率，即该样本中声源位于不同位置的概率，域分类网络的输出层采用sigmoid回归函数输出样本的域分类概率，即该样本属于源域或目标域的概率；

输入的目标域数据经特征提取网络转换为特征向量，将特征向量输入域分类网络，域分类网络的输出层采用sigmoid回归函数输出样本的域分类概率，即该样本属于源域或目标域的概率；

采用加权的样本分类损失和域分类损失作为域自适应网络的损失函数；

域自适应网络的具体结构及训练过程同上述基于域自适应网络的水下声源定位方法。

声源位置预测模块：利用训练好的域自适应网络计算实际声压数据的分类概率，将概率最大的类别对应的位置作为预测的声源位置，最终得到声源位置预测图。

与现有的匹配场算法相比，本发明预测出的声源位置和真实位置更一致，保持较高的准确率和效率。

本发明不局限于上述最佳实施方式。任何人在本发明的启示下都可以得出其他各种形式的基于域自适应网络的水下声源定位方法及系统，凡依照本发明申请范围所做的均等变化与修饰，皆应属本发明的涵盖范围。