本發(fā)明屬于信號(hào)處理,具體涉及一種基于孔徑擴(kuò)展的神經(jīng)網(wǎng)絡(luò)超指向性波束形成方法。
背景技術(shù):
1、隨著科技的發(fā)展以及現(xiàn)代制造工藝和材料工藝的飛躍,艦艇的降噪技術(shù)不斷完善,艦艇的噪聲不斷降低,魚(yú)類(lèi)等武器的作用距離不斷提高;并且目前水下目標(biāo)不只有傳統(tǒng)的艦艇,小型無(wú)人艦艇的種類(lèi)不斷增加,目標(biāo)聲源級(jí)不斷下降,聲納的作用距離也不斷降低。如何提高聲納檢測(cè)微弱信號(hào)的能力,是一個(gè)亟須解決的問(wèn)題。受制于物理?xiàng)l件,對(duì)于普通陣列,為了保證波束輸出的性能提高其陣增益,需要增加陣元數(shù)量,相應(yīng)地也就加大陣列孔徑,但隨著陣列孔徑尺寸的擴(kuò)大和陣元數(shù)量的增加,這樣的基陣尺寸可達(dá)幾百米,實(shí)際中的制造成本高昂且布放回收難度大大提高。
2、超指向性方法能以較小的陣列尺寸獲取較大的陣列指向性,相較于常規(guī)方法能夠在相同的陣列下最大程度地提升性能或在相同性能的要求下極大地減小陣列尺寸和陣元數(shù)量,切在低頻段的效果尤為顯著。
3、近些年來(lái),人工智能和神經(jīng)網(wǎng)絡(luò)技術(shù)快速發(fā)展,已廣泛應(yīng)用于圖像處理、語(yǔ)音信號(hào)處理和目標(biāo)識(shí)別等領(lǐng)域。依靠神經(jīng)網(wǎng)絡(luò)良好的非線(xiàn)性擬合性,本發(fā)明將其應(yīng)用于超指向性波束形成技術(shù)當(dāng)中,通過(guò)神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)陣列的超指向性波束形成。
技術(shù)實(shí)現(xiàn)思路
1、為了克服現(xiàn)有技術(shù)的不足,本發(fā)明提供了一種基于孔徑擴(kuò)展的神經(jīng)網(wǎng)絡(luò)超指向性波束形成方法,首先獲得兩組不同孔徑陣列的接收數(shù)據(jù);然后使用小孔徑陣列接收數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)輸入,同時(shí)以大孔徑陣列接收數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)輸出,對(duì)生成對(duì)抗神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練;接下來(lái)利用預(yù)訓(xùn)練好的生成對(duì)抗神經(jīng)網(wǎng)絡(luò),將小孔徑陣列接收數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò),得到擴(kuò)展后的輸出;最后對(duì)神經(jīng)網(wǎng)絡(luò)輸出的孔徑擴(kuò)展數(shù)據(jù)進(jìn)行常規(guī)波束形成。本發(fā)明通過(guò)對(duì)生成對(duì)抗神經(jīng)網(wǎng)絡(luò)進(jìn)行孔徑擴(kuò)展,克服了小孔徑陣列在波束形成中的局限性,即便使用小孔徑陣列,也能夠獲得類(lèi)似大孔徑陣列的指向性,減小陣列布防難度和生產(chǎn)成本,為實(shí)際應(yīng)用提供了更為靈活和經(jīng)濟(jì)的解決方案。
2、本發(fā)明解決其技術(shù)問(wèn)題所采用的技術(shù)方案如下:
3、步驟1:獲得兩組不同大小孔徑陣列的接收數(shù)據(jù);
4、步驟2:使用小孔徑陣列接收數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)輸入,同時(shí)以大孔徑陣列接收數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)輸出,對(duì)生成對(duì)抗神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練;
5、步驟3:使用步驟2中經(jīng)預(yù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)對(duì)小孔徑陣列接收數(shù)據(jù)進(jìn)行孔徑擴(kuò)展;
6、步驟4:對(duì)經(jīng)神經(jīng)網(wǎng)絡(luò)輸出的大孔徑陣列數(shù)據(jù)進(jìn)行波束形成,從而實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)超指向性波束形成。
7、進(jìn)一步地,所述神經(jīng)網(wǎng)絡(luò)為生成對(duì)抗神經(jīng)網(wǎng)絡(luò),由兩部分組成,分別為生成器和判別器;其中,生成器由8個(gè)神經(jīng)網(wǎng)絡(luò)模塊組成,前4個(gè)模塊是由一維卷積層、歸一化層和激活函數(shù)層組成的下采樣層,后四個(gè)模塊由一維反卷積層、歸一化層和激活函數(shù)層組成的上采樣層,在生成器中的下采樣層和上采樣層之間使用跨層連接;
8、生成器的激活函數(shù)均為雙曲正切激活函數(shù)ftanh(x),滿(mǎn)足下式:
9、
10、其中,x為函數(shù)自變量;
11、判別器由4個(gè)神經(jīng)網(wǎng)絡(luò)模塊組成,第1個(gè)模塊由一維卷積層和激活函數(shù)層組成,第2個(gè)和第3個(gè)模塊均由一維卷積層、歸一化層和激活函數(shù)層組成,第2個(gè)模塊的激活函數(shù)層為雙曲正切激活函數(shù),第3個(gè)模塊的激活函數(shù)層為leakyrelu激活函數(shù)fleakyrelu(x),滿(mǎn)足下式:
12、
13、其中,a為0.1或0.01;
14、判別器的最后一個(gè)模塊由一維卷積層和激活函數(shù)層組成,其中激活函數(shù)層為sigmoid激活函數(shù)fsigmoid(x),滿(mǎn)足下式:
15、
16、進(jìn)一步地,所述神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法具體包括:使用ganloss與l1loss相結(jié)合的損失函數(shù)g*,滿(mǎn)足下式:
17、
18、為ganloss,滿(mǎn)足下式:
19、
20、其中,d(·)表示判別器輸出,表示當(dāng)判別器遇到真實(shí)數(shù)據(jù)時(shí)的誤差,表示當(dāng)判別器遇到生成數(shù)據(jù)時(shí)的誤差;
21、為l1loss,滿(mǎn)足下式:
22、
23、其中,g(x)表示生成器輸出,ex,y表示誤差;
24、在判別器中使用patch-d方法,判別器輸出是一個(gè)矩陣。
25、進(jìn)一步地,所述波束形成為延遲求和波束形成方法。
26、本發(fā)明的有益效果如下:
27、本發(fā)明通過(guò)對(duì)生成對(duì)抗神經(jīng)網(wǎng)絡(luò)進(jìn)行孔徑擴(kuò)展,克服了小孔徑陣列在波束形成中的局限性,即便使用小孔徑陣列,也能夠獲得類(lèi)似大孔徑陣列的指向性,減小陣列布防難度和生產(chǎn)成本,為實(shí)際應(yīng)用提供了更為靈活和經(jīng)濟(jì)的解決方案。
1.一種基于孔徑擴(kuò)展的神經(jīng)網(wǎng)絡(luò)超指向性波束形成方法,其特征在于,包括如下步驟:
2.根據(jù)權(quán)利要求1所述的一種基于孔徑擴(kuò)展的神經(jīng)網(wǎng)絡(luò)超指向性波束形成方法,其特征在于,所述神經(jīng)網(wǎng)絡(luò)為生成對(duì)抗神經(jīng)網(wǎng)絡(luò),由兩部分組成,分別為生成器和判別器;其中,生成器由8個(gè)神經(jīng)網(wǎng)絡(luò)模塊組成,前4個(gè)模塊是由一維卷積層、歸一化層和激活函數(shù)層組成的下采樣層,后四個(gè)模塊由一維反卷積層、歸一化層和激活函數(shù)層組成的上采樣層,在生成器中的下采樣層和上采樣層之間使用跨層連接;
3.根據(jù)權(quán)利要求2所述的一種基于孔徑擴(kuò)展的神經(jīng)網(wǎng)絡(luò)超指向性波束形成方法,其特征在于,所述神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法具體包括:使用ganloss與l1loss相結(jié)合的損失函數(shù)g*,滿(mǎn)足下式:
4.根據(jù)權(quán)利要求3所述的一種基于孔徑擴(kuò)展的神經(jīng)網(wǎng)絡(luò)超指向性波束形成方法,其特征在于,所述波束形成為延遲求和波束形成方法。