[发明专利]一种基于迁移学习的小样本垂直阵目标距离估计方法

说明书

本发明涉及一种基于迁移学习的小样本垂直阵目标距离估计方法，卷积神经网络是深度神经网络中的一种，并已大量应用于水声目标的分类和定位中。对于不同领域，传统机器学习将其独立训练模型，无法直接应用在其它环境中。为了充分利用已知海域的大量水声数据，并将其迁移到陌生海域中，实现强干扰下目标声源的距离估计，本发明给出了一种基于卷积神经网络的迁移学习模型的声源距离估计方法。以声压场复声压为特征，建立迁移学习模型，利用卷积神经网络训练已知海域的大量样本，建立对应的预训练模型，将小样本水声数据再训练模型，对该小样本海域的其它样本进行距离估计。

技术领域

本发明属于阵列信号处理、机器学习和水声测量等领域，涉及一种基于迁移学习的小样本垂直阵目标距离估计方法，利用基于卷积神经网络的迁移学习模型，实现在小样本和强干扰下的声源距离估计。

背景技术

水下目标定位是水声信号处理领域的热点，其中被动定位技术凭借其优良的隐蔽性，在军事和民用领域中有着广泛的应用。传统的被动定位方法大多为基于水声模型的匹配场处理(Matched Field Processing，MFP)。Bucker提出了线性匹配场处理器，并建立实际环境模型，通过计算距离-深度的模糊函数实现被动定位(Bucker,Homer P.Use ofcalculated sound fields and matched-field detection to locate sound sourcesin shallow water[J].The Journal of the Acoustical Society of America,1976,59(2):368-373.)。匹配场处理方法基于水声信道特性将声传播模型和阵列信号相结合，实现对水下目标深度和距离的估计。但此类模型驱动方法的定位性能严重依赖海深、声速剖面等参数，在强干扰和环境失配的场景中，该类方法的准确度会受到严重影响。在机器学习技术迅速发展的背景下，以神经网络为代表的数据驱动方法在水声被动定位领域得到了广泛的应用。

数据驱动的神经网络模型不依赖海洋环境参数，而基于声传播模型的匹配场处理方法会受到强干扰和环境失配的严重影响。Niu建立前馈神经网络、支持向量机模型，结合海试实测数据对多种机器学习算法的定位性能进行了验证(Niu H,Reeves E,GerstoftP.Source localization in an ocean waveguide using supervised machine learning[J].The Journal of the Acoustical Society of America,2017,142(3):1176-1188.)。姚琦海等人建立经优化的广义回归神经网络模型，在浅海强干扰的环境中，有效实现水下目标距离估计(姚琦海,汪勇,黎佳艺,杨益新.基于GRNN的强干扰下垂直阵被动定位方法研究[J].应用声学,2021(已录用).)。以上研究利用卷积神经网络、支持向量机等模型对水下单目标进行了位置估计，取得了不错的效果。

迁移学习是对不同但相关领域问题利用已存有的知识进行求解的一种机器学习方法，即迁移已有的知识来解决目标领域中仅存在少量有标签样本数据甚至没有的学习问题。在图像处理领域，迁移学习已有大量的应用，Zhu将图像上的标签信息作为图像与文本之间知识迁移的桥梁，有助于提高图像分类的效果(Zhu Y,Chen Y,Lu Z,Pan SJ,Xue GR,Yu Y,Yang Q.Heterogeneous transfer learning for image classification.In:Burgard W,Roth D,eds.Proc.of the AAAI.AAAI Press,2011.1304-1309.)。