Diff-AgentDOA:一种用于合成数据生成的扩散代理模型,用于浅水环境中目标到达方向估计
《Information Fusion》:Diff-AgentDOA: Diffusion-agent Model for Synthetic Data Generation in Shallow-water Target Direction of Arrival Estimation
【字体:
大
中
小
】
时间:2026年04月15日
来源:Information Fusion 15.5
编辑推荐:
针对浅水环境中声学DOA估计面临的数据不足与多径效应问题,本文提出基于扩散智能体的Diff-AgentDOA框架,通过物理一致性约束的扩散模型生成合成数据,并采用因果卷积回归神经网络进行特征解耦与估计,实验表明其平均相对误差降低81%(对比信号模型基方法)和28%(对比最先进DL方法),显著提升了低信噪比及复杂信道条件下的估计精度。
何佳文|张斌|王文旭|刘佩顺|王亮|唐瑞春|余慧
中国海洋大学计算机科学与技术系,青岛,266100,中国
摘要
到达方向(DOA)估计是实现被动目标定位的关键预处理任务。在浅水环境中,DOA估计的性能受到两个主要挑战的严重限制:标记数据不足和复杂的多路径传播,这些问题分别限制了模型的泛化能力并引入了角度不确定性。基于信号模型的DOA估计方法不依赖于大量标记数据,并且保持了物理一致性。然而,当模型假设与实际声场不匹配时,DOA估计的准确性会显著下降。数据驱动的深度学习(DL)模型将多路径传播视为多传感器阵列数据中的统计干扰,而不是必须明确分离的物理路径,从而打破了信号模型的理想假设限制。尽管DL取得了进展,但标记数据的稀缺性仍然阻碍了水下声学阵列处理的进展。因此,我们提出了一种基于扩散代理模型的浅水目标DOA估计框架,称为Diff-AgentDOA。Diff-AgentDOA包括一个用于生成物理一致合成数据的扩散代理模型和一个用于DOA估计的因果卷积回归神经网络(CausalCRNN)。在真实海试数据、合成数据和模拟数据集上的广泛实验表明,与基于信号模型的方法相比,Diff-AgentDOA的平均相对DOA估计误差降低了81%;与最先进的DL方法相比,误差降低了28%。这些结果证明了物理引导的扩散建模的有效性,并强调了合成数据与真实标签对齐的重要性。
引言
到达方向(DOA)估计旨在通过利用多传感器阵列接收到的源信号的时间延迟、相位差异或幅度变化来推断声波的入射方向[1,2]。在浅水中对水下源的DOA估计对于海洋监测[3]、导航[4]和救援[5]至关重要。目前,主流的基于信号模型的DOA估计方法包括波束成形[6,7]、空间谱估计[8]和稀疏信号处理[9,10]。尽管这些方法取得了特定的成果,但浅水环境(水深小于100-200米)意味着无法忽略海面和海底的反射,从而导致多路径效应,使得DOA估计的准确性大幅下降。
近年来,数据驱动的深度学习(DL)模型逐渐取代了依赖于人工设计特征和分析模型的方法[11,13],因为它们能够从样本数据中学习复杂的非线性映射。随后,这一范式被引入到阵列信号处理领域,用于DOA估计、源数量估计和定位任务。相关研究从卷积神经网络(CNN)和循环神经网络(RNN)发展到集成注意力机制和各种数学优化方法的模型。这种演变表明,与传统方法相比,这些模型具有捕捉时间序列信号中的局部相关特征和优化决策的潜力[[14], [15], [16], [17], [18]]。上述DL模型实现了从原始声场数据端到端的学习。随着海洋设备的快速发展,声纳和水听器能够收集到更高质量的多传感器阵列数据。众所周知,高采样率可以捕捉高频细节,而大规模水听器阵列可以提供更好的方位分辨率。然而,随着信号采样率和数据维度的增加,目标数量的增加导致DOA组合空间的扩大,从而对训练数据的需求急剧增加[[19], [20], [21]]。
为了解决这些挑战,我们提出了Diff-AgentDOA,这是一个使用基于物理场一致性损失的扩散代理模型来扩展标记声学数据池的框架。为了实现多路径信号的特征解耦,本研究采用因果推理来揭示信号成分之间的真实因果关系,有效过滤掉由噪声和干扰引起的虚假相关性,同时解决了由多路径传播引起的虚假相关性问题。我们的主要贡献总结如下:
- •
我们提出了Diff-AgentDOA,这是第一个能够生成物理一致合成数据并实现浅水DOA估计的扩散代理模型框架。
- •
我们将浅水DOA估计中的合成数据生成问题表述为一个受物理约束的逆问题,确保标签与信号之间的物理一致性。
- •
我们引入了一种基于结构因果模型的特征解耦方法,可以从多路径信号中识别出方向敏感的潜在因素。
- •
我们在合成数据、模拟数据和胶州湾数据集上评估了我们的方法,证明了其在低信噪比和复杂信道条件下的优越准确性和鲁棒性。
本文的其余部分组织如下。第2节回顾了相关工作。第3节定义了阵列接收信号模型和DOA估计任务。第4节介绍了Diff-AgentDOA框架及其核心模块。第5节展示了实验结果和分析。第6节总结了本文并讨论了未来的研究方向。
相关研究
相关工作
本节回顾了与我们工作最相关的研究。首先,我们总结了浅水环境中的DOA估计方法,以说明多路径传播和标记数据有限所带来的挑战。然后,我们回顾了基于扩散模型的合成数据生成方法,以强调Diff-AgentDOA的背景和动机。由于纯数据驱动模型通常具有有限的可解释性,我们进一步回顾了因果推理和特征解耦技术
问题陈述
由于海试成本高昂且操作困难,实际中获得大规模标记的水下声学数据集仍然具有挑战性。因此,实际的DOA估计系统通常依赖于有限的标记数据集,其中每个样本包含一个阵列观测值及其对应的真实DOA。此外,还有一个更大的未标记数据集;然而,真实值是未知的。因此,数据驱动的DL模型无法
方法论
本节介绍了所提出的Diff-AgentDOA的方法论。我们首先在第4.1节概述了整个框架,然后介绍了其两个核心组件:(1)用于生成物理一致合成数据的扩散代理模型(第4.2节)和(2)用于浅水多路径传播环境中的DOA估计的因果卷积回归网络(第4.3节)。
实验与分析
在本节中,我们通过实验验证了Diff-AgentDOA在浅水多路径传播环境中的有效性。首先描述了本研究使用的数据集和评估指标。然后介绍了实现细节,包括超参数和基线。最后,我们分析了比较结果、泛化性能和消融研究。
结论
在本文中,我们提出了Diff-AgentDOA,这是第一个基于扩散代理模型的浅水DOA估计合成数据生成方法。Diff-AgentDOA通过构建扩散代理模型和因果卷积回归神经网络,有效地从多路径失真的信号中提取并分离出物理可解释的特征。它解决了浅水DOA估计中的两个关键挑战:(1)实际海洋环境中标记数据不足
CRediT作者贡献声明
何佳文:撰写——审稿与编辑、撰写——初稿、软件、方法论、调查、形式分析。张斌:撰写——审稿与编辑、验证、数据管理、概念化。王文旭:撰写——审稿与编辑、验证、项目管理、形式分析。刘佩顺:撰写——审稿与编辑、验证、方法论、形式分析。王亮:监督、资源管理、方法论、数据管理。唐瑞春:撰写——审稿与编辑、验证
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号