基于Stockwell变换时频图的多振动源水下有效定位方法

基于stockwell变换时频图的多振动源水下有效定位方法
技术领域
1.本发明涉及水下定位领域，具体涉及一种基于stockwell变换时频图的多振动源水下有效定位方法。


背景技术：

2.水下定位技术是水下探测技术的重中之重，如何在复杂的海洋环境中进行精确定位，是一个亟需解决的难题。
3.鱼类和一些两栖动物具有十分灵敏的水下感知能力，这项能力来源于鱼身躯两侧的侧线系统。侧线系统是这些动物获取周围环境信息的重要器官，正是借助侧线器官，使得鱼类等动物在复杂的水下环境中，做到集群活动、猎物定位、障碍躲避、目标识别等行为。基于鱼类等动物侧线系统感知周围流畅的特性和机理，为水下无人潜航器对周围流场进行精确感知的水下定位提供了一种新思路。
4.在传统的水下探测技术中，基于声学的水下定位技术受到研究人员的广泛研究，并且取得了不错的定位效果，但是对于近场目标，容易受到相互干扰的影响，如目标之间的噪声。声呐和视觉探测技术在特定的环境下(狭窄空间、浑浊水域)效果不佳。而且由于海水天然具有屏障作用，使得陆地导航的gps定位无法用于水下定位。传统的光学探测设备受到水下光线折射、光线不足等因素的限制，使得定位效果大打折扣。因此，开发一种新型的水下定位技术，从而保障水下潜航器任务的成功执行具有重要的战略意义。
5.目前，用于水下定位的信号处理通常分为两个方向。一是建立偶极子源流场模型，利用各种约束方法解析模型。其中有些方法的思路是：运用高斯-牛顿迭代和牛顿-拉夫孙方法解析线性方程，以此估计偶极子源(振动源)的振动方向和幅值，或者是利用波束成形算法解决定位问题。二是建立神经网络模型来处理接收到的信号，模仿鱼类等动物在复杂环境下通过长年累月的训练完成各种活动的行为，搭建神经网络模型经过数据的训练完成定位的任务，比如bp神经网络、多层感知网络等。通过建立提取特征与定位坐标之间的非线性关系，进一步运用训练好的模型以预测坐标的特征作为模型的输入，获取测试坐标的预测值。但是，现有此类方法存在的问题是，未能充分挖掘数据蕴藏的信息，导致预测效果不佳。同时，现有的特征利用了较强的先验知识去人为提取特征，比如，提取振动频率的幅值，这与实际环境的定位条件不符，导致其在实际中无法使用。并且，当存在多个目标同时振动时，现有的特征提取方法不足以反映复杂的流场环境。


技术实现要素：

6.为了充分利用人工侧线阵列采集得到的压力数据，解决现有水下定位方法对多振动源定位误差较大且因未针对特征提取方法导致其在实际中无法使用的问题。本发明提供一种针对不需较强的先验知识的特征提取，不需要使用复杂的数学模型进行定位方法，能够充分挖掘数据中的信息，比较准确地建立振动产生的流场压力数据与振动源位置坐标的非线性关系，获取的预测振动源位置坐标为水下潜航器的近场目标定位提供方法指导。
7.本发明解决其技术问题所采用的技术方案是：一种基于stockwell变换时频图的多振动源水下有效定位方法，包括以下步骤：
8.步骤1，利用3d打印技术打印设计的人工侧线传感器阵列的外壳，组装商业压力传感器构建传感器阵列。
9.步骤2，随机生成多组振动源的位置组，target＝(x1,y1,x2,y2)，其中(x1,y1)、(x2,y2)分别是两个振动源的二维坐标，按照生成的坐标移动振动源，确定振动源在设定的目标位置处。
10.步骤3，在每组位置处，使用设计的人工侧线传感器阵列获得一段时间内的水下流场压力信号，使用上位机软件和数据采集卡将压力信号以振动频率2倍以上的采样频率保存10秒至20秒的数据在电脑上，相关的压力信号数据为x，x＝[xi(t)]，i＝1
…
,n；用xi(:)表示传感器阵列一次的采样输入。
[0011]
步骤4，将步骤3获得的压力信号数据进行数据预处理，具体为每个传感器的信号减去平均值，去除底噪，将步骤2随机生成的坐标也进行归一化处理，使得目标值的大小在同一尺度范围之内。
[0012]
进一步地，所述步骤4中，数据预处理指的是：
[0013]
xi(t)＝xi(t)-mean(xi(t))
[0014]
其中，xi(t)是x中的列分量，表示相对应传感器采集的信号数据，mean(xi(t))是xi(t)的平均值。
[0015]
进一步地，所述步骤4中，归一化指的是：
[0016][0017]
其中，(xi,yi)表示振动源的平面二维坐标，max((xi,yi))和min((xi,yi))分别是(xi,yi)的最大值和最小值。
[0018]
步骤5，为了扩充数据的样本数量，使用数据增广方法对原始数据m个数据点进行等q 份分割，每份样本数据包含m个数据点。
[0019]
进一步地，所述步骤5中，数据增广方法指的是：
[0020]
x(i,j)[n,m]/q＝x(x,j
′
)[n,m]
[0021]
其中，x(i,j)表示采集的数据矩阵，其大小为n
×
m，x(x,j
′
)表示数据分割后的矩阵，其大小为n
×
m。
[0022]
步骤6，使用多频率分析的stockwell变换对信号进行时频分析，使用离散stockwell变换将一维形式的压力变化数据转换成二维的时频图格式，方便后续使用搭建的模型提取特征，对特征进行非线性拟合。
[0023]
进一步地，步骤6中，stockwell变换指的是：
[0024][0025]
其中，τ是控制窗口函数在时间轴上相关的时间，h(t)为分析信号，f为频率，s(τ,f)为变换得到的时频谱矩阵。
[0026]
进一步地，步骤6中，离散stockwell变换指的是：
[0027]
对于离散信号，令τ＝jt，n为离散信号长度，t为采样时间间隔，则离散信号的stockwell变换为：
[0028][0029]
其中，m,n＝0,1,
…
,n-1表示离散数据点，h表示离散傅里叶频谱。
[0030]
步骤7，将步骤6生成的时频图分辨率统一归化到w0×
h0，n传感器阵列对应n张时频图。
[0031]
进一步地，步骤7中，图像分辨率统一归化到w0×
h0指的是：
[0032][0033]
其中，f(i
′
,j
′
)表示新像素点，m,n表示像素领域范围，dx表示x方向上的小数坐标，dy 表示y方向上的小数坐标，r表示像素值。
[0034]
步骤8，将步骤7归一化后的n张时频图组合成一张图，此图的分辨率为w
×
h。
[0035]
步骤9，将步骤8获得的样本图像数据集按照一定的比例划分训练集、验证集和测试集。
[0036]
步骤10，构建基于通道自注意力机制和空间自注意力机制的残差卷积神经网络的定位预测模型(scfanet)，所有输入在提取特征之前经过预处理模块，利用训练集对所述模型进行训练，利用验证集对所述模型的训练权重进行验证，根据验证的表现选择出最优的权重。
[0037]
进一步地，步骤10构建的模型包括：
[0038]
预处理模块、特征提取模块以及全连接回归模块；所述预处理模块采用2d卷积层，并加入一个批归一化层和一个relu函数；特征提取模块包括四个块结构，一个块结构由局部残差学习和特征注意力(fa)模块组成，局部残差学习部分由两个卷积层组成，每个卷积层后面都跟着有一个批归一化层、一个relu函数以及一个dropout层；全连接包含一个全连接层。
[0039]
进一步地，所述预处理模块的预处理过程包括：
[0040]
将训练集、验证集和测试集中所有的时频图图像数据缩放至统一尺寸。
[0041]
将训练集、验证集和测试集所有的时频图图像数据归一化为同一均值、同一方差的分布状态。
[0042]
步骤11，根据步骤10训练的最优权重对测试集进行测试，得到水下振动源位置的预测值。
[0043]
与现有技术相比，本发明有益效果是：
[0044]
本发明充分挖掘了采集的流场压力数据，针对现有神经网络模型水下定位方法普遍采用人为提取振动频率幅值的方法，选择使用stockwell时频分析方法，克服了短时傅里叶方法 (stft)固定窗函数宽度的缺陷，采用了一个随频率变化的高斯窗函数，利用多频率分析的特性，对高频时用窄窗，低频时用宽窗，使得时频图既可以获得某一时刻的频率信息，又可获得在某一频率上信号的幅值信息。通过构建自注意力机制的卷积神经网络模型，自动从时频图抽取特征，解决了需要先验知识人工提取特征的缺点。并且，网络的局部残差
结构允许不太重要的特征信息滤过，使得整体的模型更加关注有效的信息。同时，采用的自注意力机制使得处理不同特征时有相当的灵活性，抑制了对结果不重要的信息，增大了对结果显著特征的影响。实现了从时频图像数据中提取到更加精准、细化的特征，提高了水下多振动源定位的准确度。
附图说明
[0045]
图1为使用3d打印技术设计的人工侧线传感阵列示意图；
[0046]
图2为采集数据搭建的实验平台示意图；
[0047]
图3为振动源位于(2，-8，12，-6)时，采集得到的压力数据示意图；
[0048]
图4为基于stockwell变换时频图的多振动源水下有效定位方法设计流程图；
[0049]
图5为stockwell变换后的时频图及其组合后的网络输入图像；
[0050]
图6为网络模型的结构示意图及基本块结构示意图；
[0051]
图7为测试集中前四组的预测值和真实值的对比图。
具体实施方式
[0052]
下面结合附图和具体实施例对本发明作进一步详细说明。
[0053]
本发明提供的一种基于stockwell变换时频图的多振动源水下有效定位方法，包括以下步骤：
[0054]
步骤1，利用3d打印技术打印设计的人工侧线传感器的外壳，组装商业压力传感器 mpxv5004构建传感器阵列。
[0055]
图1所示为使用3d打印技术设计的人工侧线传感阵列示意图，传感器阵列整体呈现平行的特点，这是为了更好地模仿鱼类侧线系统感受流场压力信息的神经丘分布，使得传感器阵列获取充分的流场信息。
[0056]
步骤2，随机生成多组振动源的位置组，target＝(x1,y1,x2,y2)，其中(x1,y1)、(x2,y2)分别是两个振动源的二维坐标。按照生成的坐标移动振动源，确定振动源在设定的目标位置处。为了更好地获取振动时流场的信息，选择随机生成多源振动源的坐标，而不是人为设置，使得实验环境更加符合实际。
[0057]
图2所示为采集数据的实验平台示意图。
[0058]
步骤3，在每组位置处，使用设计的人工侧线传感器阵列获得一段时间内的水下流场压力信号，使用daqmax软件和nix6002采集卡将压力信号以1khz的采样频率保存14s的数据在电脑上。相关的压力信号数据为x，x＝[xi(t)]，i＝1
…
,8；用xi(:)表示传感器阵列一次的采样输入。
[0059]
图3所示为传感器阵列采集压力数据的时域表示示意图。
[0060]
步骤4，将步骤3获得的压力信号数据进行数据预处理，具体为每个传感器的信号减去平均值，去除底噪，这是因为压力传感器测得的静压非常大，采集的压力变化幅度相对于静压非常小，为了后续更好提取特征，有必要去除静压底噪。具体指的是：
[0061]
xi(t)＝xi(t)-mean(xi(t))
[0062]
其中，xi(t)是x中的列分量，表示相对应传感器采集的信号数据，mean(xi(t))是xi(t)的平均值。
[0063]
步骤5，将步骤2随机生成的坐标也进行归一化处理，使得目标值的大小在同一尺度范围之内，方便模型进行拟合，具体指的是：
[0064][0065]
其中，(xi,yi)表示振动源的平面二维坐标，max((xi,yi))和min((xi,yi))分别是(xi,yi)的最大值和最小值。
[0066]
步骤6，实验平台采集的样本数据量对于神经网络模型而言太少，容易导致模型出现过拟合的现象。为了扩充数据的样本数量，使用数据增广方法对原始数据进行等份分割，每份样本数据包含1000个数据点，具体指的是：
[0067]
x(i,j)[8,14000]/14＝x(x,j
′
)[8,1000]
[0068]
其中，x(i,j)表示采集的数据矩阵，其大小为8
×
14000，x(x,j
′
)表示数据分割后的矩阵，其大小为8
×
1000。
[0069]
步骤7，stockwell变换克服了短时傅里叶变换窗口时宽不变的缺陷，能够根据频率的变化自适应的调整分析时宽和提供直观的时间频率特征。使用多频率分析的stockwell方法对采集的压力信号进行时频分析，考虑到压力信号是离散数据点，进而使用离散stockwell将一维形式的压力变化数据转换成二维的时频图格式，方便后续使用搭建的模型提取特征，对特征进行非线性拟合。stockwell方法，具体指的是：
[0070][0071]
其中，τ是控制窗口函数在时间轴上相关的时间，h(t)为分析信号，f为频率，s(τ,f)为变换得到的时频谱矩阵。
[0072]
对于离散信号，令τ＝jt，n为离散信号长度，t为采样时间间隔。此处的离散stockwell，其具体形式为：
[0073][0074]
其中，m,n＝0,1,
…
,n-1表示离散数据点，h表示离散傅里叶频谱。
[0075]
步骤8，为了方便后续图像的组合，选择将生成的时频图统一为相同的尺度。此处，图片分辨率统一，具体指的是：
[0076][0077]
其中，f(i
′
,j
′
)表示新像素点，m,n表示像素领域范围，dx表示x方向上的小数坐标，dy 表示y方向上的小数坐标，r表示像素值。
[0078]
步骤9，将步骤8归一化后的8张时频图组合成一张图，此图的分辨率为256
×
512。
[0079]
图5所示stockwell变换后的时频图及其组合后的网络输入图像。
[0080]
步骤10，将步骤8获得的样本图像数据集按照7：1：2的比例划分训练集、验证集和测试集。为了更好地体现模型的拟合性能，根据相对应的比例从图像数据库随机生成训练数据集、验证数据集和测试数据集。最后，取测试集的平均值作为模型的评价指标。
[0081]
步骤11，构建基于通道自注意力机制和空间自注意力机制的残差卷积神经网络的定位预测模型(scfanet)，所有输入在提取特征之前经过预处理模块，利用训练集对所述模型进行训练，利用验证集对所述模型的训练权重进行验证，根据验证的表现选择出最优的权重。预处理模块、特征提取模块以及全连接回归模块；所述预处理模块采用2d卷积层，并加入一个批归一化层和一个relu函数；特征提取模块包括四个块结构，一个块结构由局部残差学习和特征注意力(fa)模块组成，局部残差学习部分由两个卷积层组成，每个卷积层后面都跟着有一个批归一化层、一个relu函数以及一个dropout层，dropout层为了防止模型发生过拟合而设置；全连接包含一个全连接层。
[0082]
步骤12，可选地，作为本发明的一种实施例，所述方法还包括：将训练集、验证集和测试集中时频图像的像素点的值收缩至固定区间；将训练集、验证集、测试集中所有时频图像数据调整为同均值、同方差的分布状态；将训练集、验证集、测试集所有时频图像缩放至统一尺寸。具体来说，在本实施例中，输入的图像数据是彩色三通道图像，rgb的三通道的均值和方差分别为[0.5,0.5,0.5]和[0.5,0.5,0.5]，使得图像中的像素点收缩至[0,1]之间，将所有输入的图像256
×
512缩放至256
×
256的大小。
[0083]
步骤13，为了加强底层和高层特征之间的融合，在基本块残差结构的基础上，加入一次跳跃连接，将注意力模块后特征与基本块结构之前的特征融合，使得预训练模型保留足够的局部特征信息，提高模型的泛化性。
[0084]
步骤14，为了使模型更加关注对定位显著的特征，在残差结构特征提取之后加入通道自注意力机制和空间自注意力机制，实现了通道和空间维度的分离。先对特征图进行全局池化，经过mlp网络得到通道相对应的权重，使得显著通道的特征图比重增加。再对特征图在通道维度上进行最大池化和平均池化，经过训练得到特征图空间上的权重，使得空间特征图的权重增大，有利于对定位结果显著特征的提取。
[0085]
图6所示为网络模型的结构示意图及基本块结构示意图，其中，在本实施例中，预处理的卷积层和基本块结构卷积层的卷积核大小k＝3，padding＝1，激活函数选择relu函数， dropout层的比率选择0.2，模型由4个基本块结构构建。
[0086]
步骤15，最后通过全连接层对特征进行回归预测，保存预训练模型。
[0087]
步骤16，根据步骤15训练的最优权重对测试集进行测试，得到水下振动源位置的预测值。
[0088]
图7所示为测试集中前四组的预测值和真实值的对比图。
[0089]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。