(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110017965.1 (22)申请日 2021.01.07 (65)同一申请的已公布的文献号 申请公布号 CN 112733447 A (43)申请公布日 2021.04.3 0 (73)专利权人 浙江大学 地址 310058 浙江省杭州市西湖区余杭塘 路866号 (72)发明人 张嘉平　赵航芳　 (74)专利代理 机构 杭州求是专利事务所有限公 司 33200 代理人 刘静 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06F 17/16(2006.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 111/08(2020.01) G06F 119/10(2020.01) (56)对比文件 CN 109993280 A,2019.07.09 CN 102879764 A,2013.01.16 CN 111965601 A,2020.1 1.20 CN 111460362 A,2020.07.28 WO 2014202 286 A1,2014.12.24 Y.Liu等.A multi-task learn ing convolutional neural netw ork for source localization in deep ocean. 《The Journal of the Acoustical Society of America》 .2020, 审查员 许莎莎 (54)发明名称 一种基于域自适应网络的水下声源定位方 法及系统 (57)摘要 本发明公开了一种基于域自适应网络的水 下声源定位方法及系统， 该方法包括： 利用实验 海区的环 境信息生成仿真声压数据， 采集实验海 区实际声压数据； 对生成的仿真声压数据和采集 的实际声压数据进行加噪、 归一化， 并计算协方 差矩阵； 生成标签； 构建域自适应网络， 域自适应 网络包含特征提取网络、 声压样 本分类网络以及 域分类网络； 利用训练好的域自适应网络计算实 际声压数据的分类概率， 将概率最大的类别对应 的位置作为预测的声源位置。 本发 明通过引入域 自适应学习， 把无监督的实际数据引入到训练过 程中， 能够有效地提高网络对水下声源跨域定位 的准确度， 并且能够一定程度上缓解实际数据量 偏少， 不足以用来训练模型的问题。 权利要求书3页 说明书7页 附图1页 CN 112733447 B 2022.04.29 CN 112733447 B 1.一种基于域自适应网络的水 下声源定位方法， 其特 征在于， 该 方法包括以下步骤： (1)数据采集： 利用实验海区环境信息生成仿真声压数据； 采集实验海区实际声压数 据； (2)数据预处理： 对生成的仿真声压数据和采集的实际声压数据进行加噪、 归一化， 并 计算协方差矩阵； (3)标签生成： 假设有源域和目标域两种数据分布， 定义di为第i个样本的域标签， 若di ＝0表示该样本是一个来自源域的有监督样本， 具有类别标签， 标签信息中带有声源位置信 息； 若di＝1则该样本是一个来自目标域的无监督样本， 无类别标签， 标签信息中不带有声 源位置信息； 对于 仿真声压数据di＝0， 对于实际声压数据di＝1； (4)构建域自适应网络， 域自适应网络包含特征提取网络、 声压样本分类网络以及域分 类网络； 输入的源域数据 经特征提取网络转换为特征向量， 分别将特征向量输入声压样本分类 网络和域分类网络， 声压样 本分类网络的输出层 采用softmax回归函数输出样 本分类概率， 即该样本中声源位于不同位置的概率， 域分类网络的输出层采用sigmoid回归函数输出样 本的域分类概 率， 即该样本属于源域或目标域的概 率； 输入的目标域数据经特征提取网络转换为特征向量， 将特征向量输入域分类网络， 域 分类网络的输出层采用sigmo id回归函数输出样本的域分类概 率； 采用加权的样本分类损失和域分类损失作为 域自适应网络的损失函数； (5)声源位置预测： 利用训练好的域自适应网络计算实际声压数据的分类概率， 将概率 最大的类别对应的位置作为预测的声源位置 。 2.根据权利要求1所述的基于域自适应网络的水下声源定位方法， 其特征在于， 通过 Kraken软件生成仿真声压数据， 对仿真声压数据进行加噪、 归一 化操作， 具体为： 对于海洋 声信道， 记第l个水听器接收的频域声压数据p(f,l)为： p(f,l)＝S(f)g(f,r)+ξ 其中， S(f)为与声源频率f有关的复数声源激励项， g(f,r)为与声源位置有关的格林函 数， r为声源与水听器之间的距离， ξ 为噪声； 归一化复声压 为 其中， L为水听器总数。 3.根据权利要求1所述的基于域自适应网络的水下声源定位方法， 其特征在于， 所述步 骤(2)中， 根据仿真声场数据构建协方差矩阵， 协方差矩阵C(f)的计算公式为： 其中， Ns为快拍数， 为第s快拍的声压数据， ( ·)H为共轭转置； 将复数矩阵转化成 两个并联的实数矩阵。 4.根据权利要求1所述的基于域自适应网络的水下声源定位方法， 其特征在于， 所述步权　利　要　求　书 1/3 页 2 CN 112733447 B 2骤(3)类别标签生成过程中， 采用高斯 函数作为目标函数， 类别标签的生成公式为： label～exp( ‑(rn‑rn,true)2/2σ2) 其中， rn是第n个样本的距离空间， rn,true是该样本中声源与水听器之间的真实距离； 样 本的类别标签服从以真实距离为中心， 方差为σ2的高斯分布。 5.根据权利要求1所述的基于域自适应网络的水下声源定位方法， 其特征在于， 所述步 骤(4)域自适应网络中， 特征提取网络第1层包括依次连接的一个卷积层、 一个Batch   Normalization单元和一个ReLu 函数层； 第2 ‑3层是2个ResBlock， 每个ResBlock包含依次连 接的两个卷积层、 两个Batc h Normalization单元和一个ReLu函数。 6.根据权利要求1所述的基于域自适应网络的水下声源定位方法， 其特征在于， 所述步 骤(4)域自适应网络中， 声压样本 分类网络包括一个卷积层和两个全连接层， 卷积层的输出 连接一个全 连接层进 行非线性变换， 全连接层向量的维度 依次为1024、 200， 其中200表 示类 别数量。 7.根据权利要求1所述的基于域自适应网络的水下声源定位方法， 其特征在于， 所述步 骤(4)域自适应网络中， 域分类网络包括一个梯度反转层和两个全连接层， 梯度反转层在梯 度反向传播过程中做取反操作， 全连接层向量的维度依次为1024、 2。 8.根据权利要求1所述的基于域自适应网络的水下声源定位方法， 其特征在于， 所述步 骤(4)在模型训练中采用加权的样本分类损失和域分类损失作为网络的损失函数； 样本分类损失采用交叉熵损失函数， 其计算公式为： 其中， Gy表示声压样本分类网络的卷积和全连接算子的统称， Gf表示特征提取网络的卷 积和全连接算子的统称； xi、 yi分别为第i个样本及其类别标签； 域分类损失同样采用交叉熵损失函数， 其计算公式为： 其中， di为域分类标签， Gd表示域分类网络的卷积和全连接算子的统称， Gf表示特征提 取网络的卷积和全连接算子的统称； Loss＝ λLy+Ld 其中， Loss为域自适应网络的总损失函数， λ为权 重因子。 9.根据权利要求8所述的基于域自适应网络的水下声源定位方法， 其特征在于， 模型训 练过程中， 采用标准随机梯度下降更新权 重参数θ， 其公式为： 其中， η是 学习速率， θk是第k次迭代的权 重参数。 10.一种基于域自适应网络的水 下声源定位系统， 其特 征在于， 该系统包括： 数据采集模块： 利用实验海区环境信息生成仿真声压数据； 采集实验海区实 际声压数 据； 数据预处理模块： 对生成的仿真声压数据和采集的实际声压数据进行加噪、 归一化， 并权　利　要　求　书 2/3 页 3 CN 112733447 B 3