1.一种基于深度学习及随机阵列的声信号差分特征融合方法,其特征在于:所述方法包括波束成形方法和波达方向估计方法,波束成形方法步骤如下:
1.1)输入空间矩阵,空间矩阵将需要探测的空间方位离散成1000×1000个方位,矩阵垂直轴为俯仰角,水平轴为水平角;
1.2)空间矩阵通过系数估计CNN得到三个3×3的差分卷积核,这些卷积核将被用于差分卷积中,其中系数估计CNN采用常规的卷积+批归一化+ReLU的结构形式;
1.3)通过随机阵列构建声阵列,输入阵列采集到的声信号,信号按照快拍分帧,假设每个快拍有C个采样点,那么阵列信号一帧的维度为C×10×10,即有C个通道,每个通道的维度为10×10;
1.4)将阵列信号进行傅里叶变换成复数形式的频域信号,所以信号维度增长为2C×10×10,其中前C个通道存储复数的实部,后C个通道存储复数的虚部;
1.5)将通过傅里叶变换的信号通过随机阵列模拟器,随机阵列模拟器根据预先选取好的子阵模式,保留选中的阵元的数据,其他阵元的数据均设为0;
1.6)将通过随机阵列模拟器的信号输入差分卷积网络,卷积核使用空间矩阵输入的差分卷积核,随后的残差模块则使用常规的卷积+批归一化+ReLU结构,用于模拟差分波束成形中的均衡滤波器;
1.7)根据多种的选取模式,在差分卷积网络处理完后,以取平均的方式完成差分特征提取,输出信号维度为2C×4×4;
1.8)处理完成后输入空间滤波CNN,空间滤波CNN可采用常规的深度卷积神经网络结构,作用为归纳总结所获得的特征,给出空间滤波后的结果,输出信号维度为2C;
波达方向估计步骤如下:
2.1)通过随机阵列构建声阵列,输入阵列采集到的声信号,信号按照快拍分帧,假设每个快拍有C个采样点,那么阵列信号一帧的维度为C×10×10,即有C个通道,每个通道的维度为10×10;
2.2)将阵列信号进行傅里叶变换成复数形式的频域信号,所以信号维度增长为2C×10×10,其中前C个通道存储复数的实部,后C个通道存储复数的虚部;
2.3)将通过傅里叶变换的信号通过随机阵列模拟器,随机阵列模拟器根据预先选取好的子阵模式,保留选中的阵元的数据,其他阵元的数据均设为0;
2.4)将通过随机阵列模拟器的信号输入差分卷积网络,差分卷积核由网络自动随机初始化生成,大小为3×3,随后的残差模块则使用常规的卷积+批归一化+ReLU结构,用于模拟差分波束成形中的均衡滤波器;
2.5)根据多种的选取模式,在差分卷积网络处理完后,以取平均的方式完成差分特征提取,输出信号维度为2C×4×4;
2.6)处理完成后输入波达估计CNN,波达估计CNN采用反卷积网络层,配合批归一化和ReLU逐步减小通道数,并且同时扩大特征图尺寸最后输出维度为1000×1000的空间矩阵的估计。