本發明屬于水聲陣列信號處理，具體地說，涉及一種基于改進mamba網絡的水聲信號波達方向估計方法。

背景技術：

1、水聲通信是指用水作為傳輸介質，通過聲波進行信息傳遞的通信方式，其具有衰減相對較小、穿透能力強等特性，是目前實現長距離水下通信的唯一方式。并廣泛應用于水下探測、海洋資源開發等領域。水聽器陣列能夠接收和發送水下設備的聲音信息，其對于水下設備的通信和定位等功能至關重要。

2、為進一步提升水下設備的目標定位精度和通信質量，波達方向（doa）估計技術被廣泛應用。其通過水聽器陣列分析聲源信號的到達角度，實現對目標位置的精確估計。但由于水聲信道面臨著噪聲干擾大，多徑效應顯著等問題，水下節點多采用電池供電，其能量受限，常規doa估計方法性能會顯著下降，從而影響了水下目標定位的精度。

3、因此，需要一種復雜度低、準確度高的doa估計方法，來實現高分辨率的水聲信號波達方向估計。

技術實現思路

1、針對現有技術中存在的不足，本發明的目的在于：提供一種通過回歸思想對角度信號進行估計，使用深度學習的方法對信號角度信息進行全面特征提取，解決了傳統方法通用性差、準確率低和復雜度高的問題的基于mamba網絡和cbam模塊的水聲陣列信號波達方向（doa）估計方法。

2、為實現上述目的，本發明采取的技術方案是：一種基于改進mamba網絡的水聲信號波達方向估計方法，包括以下步驟：

3、步驟1：建立水聽器陣列模型，對信源信號進行獨立采樣，計算信號的協方差矩陣，分離協方差矩陣的實部與虛部，對其在垂直維度上進行拼接處理，得到大小為2m×m的矩陣，對拼接處理后的協方差矩陣再進行歸一化處理作為數據集訓練模型；

4、步驟2：搭建基于mamba網絡的輕量化模塊，對歸一化的協方差矩陣進行壓縮，調整維度，獲取不同時刻信息的關聯性，通過門控機制動態控制輸出權重，混合所有時間步的信號，捕捉信號深層次特征，輸出信號的特征譜圖；

5、步驟3：對所述特征譜圖使用cbma模塊進行處理，捕捉深層次特征之間的關聯性，對重要特征加以注意，通過全連接層調整維度后使用sigmoid函數來輸出對應波達方向的估計值；

6、步驟4：將步驟2和3的模型進行級聯，使用步驟1中的數據集進行訓練，在訓練過程中調整參數，模型訓練完畢后利用訓練好的模型對未知信號進行波達方向估計。

7、上述的基于改進mamba網絡的水聲信號波達方向估計方法，在步驟1中，建立水聽器陣列模型，對信源信號進行獨立采樣包括：

8、步驟1-1：在水下垂直布放陣元數為m的均勻線性水聽器陣列，每一陣元對應單獨的一個通道，陣元間距為d且小于信號半波長；

9、步驟1-2：根據第m個陣元與前一個陣元存在的波程差d，計算出延時差，其中，表示聲速，，其中表示所有可能來波方向的入射角度；

10、步驟1-3：根據延時差，得到第m個陣元的相位差為：，其中，表示載波的波長，表示虛數單位，表示信號的頻率，表示在來波方向上的入射角度，e表示自然常數；

11、步驟1-4：第m個陣元在水下噪聲的影響下，接收到的信號表示為：，其中，為第m個陣元接收的噪聲，表示當前來波方向，表示空間中所有可能來波方向，表示第個窄帶信號源；

12、步驟1-5：將步驟1-4中的信號使用矩陣表示為：

13、，其中，表示信號矩陣，表示噪聲矩陣，，表示信號的流型矩陣，t表示時間段。

14、上述的基于改進mamba網絡的水聲信號波達方向估計方法，計算信號的協方差矩陣的公式為：，其中，表示信號的協方差矩陣，表示輸入矩陣，則表示該矩陣的共軛轉置，對于有限長的信號，可由在個時刻進行快照采樣獲得的來表示，其表達式可寫為：

15、。

16、上述的基于改進mamba網絡的水聲信號波達方向估計方法，所述步驟1還包括：

17、對拼接后的結果進行min-max歸一化處理，，其中，表示歸一化處理后的信號，s表示歸一化處理前的信號，和表示載波周期內信號的最大值和最小值。

18、上述的基于改進mamba網絡的水聲信號波達方向估計方法，所述步驟2包括：

19、步驟2-1：對步驟1中的數據進行2m×1的一維卷積運算，將大小為2m×m的矩陣展開為1×m的序列，一維卷積的表達式為：，其中，表示第一個卷積層的輸入，和分別表示第一個卷積層當中第t個卷積核的權重矩陣和偏置項，表示第一個卷積層當中第t個卷積核的輸出，表示激活函數；

20、步驟2-2：使用relu作為一維卷積層的激活函數，relu函數的表達式為：，其中，表示輸入信號；

21、步驟2-3：對矩陣信號進行展平后分別輸入到mamba模型中，包括狀態空間模型和門控單元同步處理信號，通過門控機制動態控制輸出的權重；

22、步驟2-4：使用sigmoid函數將門控值歸一化到[0,1]區間，sigmoid函數的表達式為：

23、；

24、步驟2-5：對整個序列重復上述步驟后，將所有時刻的信息進行合并，每個時刻的信息都包含了之前時刻的狀態信息，提取信號深層次特征。

25、上述的基于改進mamba網絡的水聲信號波達方向估計方法，所述步驟2-3包括：

26、步驟a：對矩陣信號通過一個線性層調整維度，得到長度為32×m的一維序列，通過層歸一化來減少模型內部變量的偏移，層歸一化的表達式如下所示：，其中，表示層歸一化的輸出，表示層歸一化的輸入，和分別表示該線性層中每一個神經元的輸出在整個過程中的均值和標準差，是一個較小的常數；

27、步驟b：將輸出的序列通過狀態空間模型，狀態更新方程和輸出方程表示為：，其中v是狀態轉移矩陣，用于控制狀態隨時間的變化，b是輸入映射陣，將輸入信號映射到狀態空間，f是輸出映射矩陣，將狀態映射到輸出空間，g是直接傳遞矩陣，用于將輸出信號直接映射到輸出；

28、步驟c：對于每個時刻的信息，引入時間混合的方法，對于輸入，其中表示批量大小，表示序列長度，表示隱藏維度，時間混合表示為，其中，表示逐元素相乘，表示可學習的時間參數，表示時間上的移動操作；

29、步驟d：綜合時間步長的影響，時間混合輸出可表示為：，時間步長采用指數衰減的方式，大小可學習，由優化器進行動態分配，自適應地調整每個時間步長。

30、上述的基于改進mamba網絡的水聲信號波達方向估計方法，在步驟3中，所述cbma模塊包括通道注意力機制和空間注意力機制，通過順序地推斷通道和空間兩個維度上的注意力圖，對輸入特征進行兩個階段的提取。

31、上述的基于改進mamba網絡的水聲信號波達方向估計方法，所述步驟3包括：

32、步驟3-1：信號通過通道注意力模塊，利用特征之間的通道關系生成通道注意力圖，捕捉不同通道之間的相關性，表示為：，其中，表示sigmoid激活函數，和分別表示降維卷積和升維卷積操作，和分別表示平均池化和最大池化操作；

33、步驟3-2：信號經過空間注意力模塊，利用特征之間的空間關系來捕捉特征中不同空間位置的重要性信息，從而有針對性的提取特征，表示為：，其中，表示用大小為7×7的卷積核進行卷積操作，表示將平均池化和最大池化的結果在通道維度上進行拼接；

34、步驟3-3：將信號通過三層全連接層進行處理，全連接層表達式為：，其中，表示全連接層的輸入，表示全連接層的輸出，表示兩個隱藏層之間的權重矩陣，表示第二個隱藏層和輸出層之間的權重矩陣，和表示偏置項，和表示激活函數；

35、步驟3-4：使用sigmoid函數作為輸出層，將波達角度轉化為[0,1]之間的連續分布，再經過反歸一化得到波達方向估計結果。

36、上述的基于改進mamba網絡的水聲信號波達方向估計方法，所述步驟4包括：

37、步驟4-1：將信號按照不同的角度打上標簽，作為訓練集用于訓練網絡模型；

38、步驟4-2：在訓練過程中，使用mini-batch梯度下降方法來訓練神經網絡，將訓練集分為幾組數據，神經網絡在每次迭代中從一組數據中學習信息；

39、步驟4-3：選用均方誤差作為損失函數，以最小化損失函數為訓練目標，均方誤差mse的表達式：

40、，其中表示樣本的數量，和分別表示樣本的真實值和估計值；

41、步驟4-4：多次迭代網絡模型，以步驟4-3中的訓練目標優化網絡模型參數，保存模型參數作為模型權重，將水聽器陣列接收到的無標簽信號輸入，模型輸出波的角度信息，對波達方向進行精確估計。

42、與傳統方法相比，本發明一種基于改進mamba網絡的水聲信號波達方向估計方法的有益效果是：傳統基于信號子空間的方法和波束形成的方法，需要長時間的譜峰搜索，算法運行復雜度較高，難以應用于水下能量受限的環境。本發明的方法使用深度學習的方法，通過mamba網絡提取信號上下文特征，使用cbam模塊的注意力機制注意重要特征，降低運算復雜度，訓練好的模型在推理時僅占用少量計算資源，更加適應水下環境。

43、傳統基于壓縮感知的波達方向估計方法，精度依賴于網格分辨率，難以實現超分辨率波達方向估計。本發明使用神經網絡構建回歸模型，網絡輸出的波達方向估計結果是連續的，具有更高的分辨率。

44、水下環境存在強噪聲干擾，傳統方法在高信噪比條件下易受噪聲干擾，估計結果與真實值偏差較大。本發明提出的方法依靠神經網絡和mamba架構的強大特征提取能力，能夠在強干擾條件下精準提取信號角度特征具有更強的魯棒性。