[发明专利]一种基于深度迁移学习的单矢量水听器方位估计方法

说明书

本发明属于水声物理和水听器方位估计技术领域，具体涉及一种基于深度迁移学习的单矢量水听器方位估计方法，该方法包括：将原有的已训练好的深度学习模型中的隐知识迁移到当前场景的深度迁移学习模型中；对单矢量水听器接收的实测数据进行预处理，获得预处理后的数据；其中，所述预处理后的数据包括：带标签的数据和不带标签的数据；将预处理后的数据中的不带标签的数据输入至训练好的当前场景的深度迁移学习模型中，获得预处理后的不带标签的数据对应的标签，作为声源的方位角，完成单矢量水听器方位估计。

技术领域

本发明属于水声物理和水听器方位估计技术领域，具体涉及一种基于深度迁移学习的单矢量水听器方位估计方法。

背景技术

目前，利用单矢量水听器进行声源方位估计，是近年来研究的热点。由于矢量水听器三个通道的指向性是固定的，无法像阵一样通过波束形成来使指向性发生改变从而抑制干扰，因此，当声场中存在较多的强干扰且无法从频谱上将这些干扰与目标区分开来时，现有的基于单矢量水听器的方位估计方法就不再适用。

基于深度学习的单矢量水听器方位估计方法已通过实验证明其有效性和可靠性，深度迁移学习是在深度学习的模型基础上，利用数据、任务、或模型之间的相似性，将在旧领域学习过的模型，应用于新领域的一种学习过程。

目前，传统的深度学习对不同的学习任务需要建立不同的模型学习不同的参数，从头建立模型并进行训练是复杂和耗时的。因此，现有的基于深度学习的单矢量水听器方位估计方法主要有两方面的技术问题：

1、基于仿真数据训练的深度学习模型由于训练的数据量大，因此特征提取能力较强，但是，这个普适化的模型针对具体的某一个复杂的应用场景(比如强干扰下的方位估计)时，其估计准确率和估计精度就会差很多；

2、基于实测数据的深度学习模型，因为带标签的实测数据是比较难获取到的，所以利用实测数据训练的模型主要问题在于训练数据量较少导致模型的特征提取能力不强，所以目标方位的估计准确率和估计精度也不高。

发明内容

本发明的目的在于，为解决现的单矢量水听器方位估计方法存在上述缺陷，本发明提出了一种基于深度迁移学习的单矢量水听器方位估计方法，对于迁移学习只需要利用源域中的数据将知识迁移到目标域，就能完成模型建立，通过迁移学习的方法可以加快学习效率。同时针对不同用户、不同设备、不同环境、不同需求，通过迁移学习都可以很好地进行满足。

为了实现上述目的，本发明提出了一种基于深度迁移学习的单矢量水听器方位估计方法，该方法包括：

将原有的已训练好的深度学习模型中的隐知识迁移到当前场景的深度迁移学习模型中；

对单矢量水听器接收的实测数据进行预处理，获得预处理后的数据；其中，所述预处理后的数据包括：带标签的数据和不带标签的数据；

将预处理后的数据中的不带标签的数据输入至训练好的当前场景的深度迁移学习模型中，获得预处理后的不带标签的数据对应的标签，作为声源的方位角，完成单矢量水听器方位估计。

作为上述技术方案的改进之一，所述当前场景的深度迁移学习模型为卷积神经网络，其包括：输入层、三个卷积层、四个全连接层和输出层；

所述输入层和三个卷积层为从原有的已训练好的深度学习模型中迁移过来的，即将原有的已训练好的深度学习模型中的隐知识迁移到当前场景的深度迁移学习模型中，

其中，所述三个卷积层包括：第一卷积层、第二卷积层和第三卷积层；第一卷积层包含64个卷积核，每个卷积核的大小为3×3；第二卷积层包含32个卷积核，每个卷积核的大小为3×3；第三卷积层包含32个卷积核，每个卷积核的大小为3×3；

在卷积层和全连接层之间加入了dropout层，系数为0.2；

在全连接层和输出层之间也有一个dropout层，系数为0.3；