Page 131 - 《应用声学》2021年第1期

第 40 卷 第 1 期 肖旭等： 基于多域特征提取和深度学习的声源被动测距 127

DS 以单频信号作为发射信号，改变发射信号
ATT
SV_Mean 频率 (f = 50 Hz, 100 Hz, 150 Hz) 和声源深度
FM
AM (z S = 0 ∼ 140 m, ∆z = 20 m)，经 10000 次迭
AC_Std
SSP_Std 代，对比不同发射条件下的估计精确率，如图 6 所
DEC
ED 示，由图 6 可见波形参数和声源深度对模型性能的
SD_Mean
LAT 影响小，鲁棒性较好。
SSP_Mean
AC_Mean
SV_Std 1.00
SK_Mean
SCR_Mean
SSL_Mean
SF_Mean ᡰሏͥᝠϙ/km 0.98
SC_Mean ͥᝠᡰሏ
SD_Std ᄾࠄᡰሏ
SSK_Mean 0.96
SR_Mean 0 0.5 1.0 1.5 2.0
SK_Std
SSL_Std ᡰሏᄾࠄϙ/km
SCR_Std (a) ᡰሏͥᝠ֗ᄾϙ
SC_Std
SF_Std 1.00
SSK_Std
TC
0 1 2 3
฾ᡰድए
ྲढ़᧘᜶ভ 0.98
图 4 声学参数 mRMR 重要性排序 ฾តᬷ
ᝫጷᬷ
Fig. 4 The mRMR importance ordering of acous- 0.96
0 0.5 1.0 1.5 2.0
tic parameters ᤖ̽൓஝/T10 4
(b) ฾ᡰድए֗ᤖ̽൓஝
神经网络引入 Adam 优化算法进行网络训练，
初始学习率采用 0.03，代价函数采用 MSE 函数，引 图 5 训练和测试结果
入 Dropout 正则化处理，每次迭代神经元激活概率 Fig. 5 The ranging accuracy by iteration times
on validation and training sets
取85%，初始权重由截断高斯分布模型产生，标准差
为0.1。经测试双曲正切函数、Sigmoid函数和ReLU 1.00
函数作为隐含层激活函数均未出现梯度消失现象， 0.95
f=50 Hz
其中双曲正切函数在本问题中表现的收敛速度最 0.90 0 50 100
快，且训练过程中未出现死神经元。隐含层激活函 1.00
数采用双曲正切函数，输出层采用 200 个 Softmax ฾ᡰድए 0.95 f=150 Hz
节点，对应不同的距离的概率，输出值最大的节 0.90 0 50 100
1.00
点对应的距离为距离估计值。网络迭代次数设置
0.95
为 20000 次。不同波形参数的单频信号和线性调频 0.90 f=300 Hz
0 50 100
信号作为发射信号训练的 DNN 经 20000 次迭代后 ງए/m
在测试集上的综合测距精确率达到 95% 以上，最
图 6 不同发射频率下各个深度的测距精确度
高达到 98% 以上。以其中一组波形参数 (单频信号，
Fig. 6 Ranging accuracy at different depths with
f 0 = 150 Hz，z r = 35 m，SNR = 1 ∼ 10 dB) 的训
different transmission frequencies
练和测试结果为例，图 5 为该组信号的模型训练和
测试结果。其中图 5(a)给出了训练完成后模型最终 以线性调频信号作为发射信号，分析模型的

在测试集上的距离估计结果，红线代表 KRAKEN 收敛速度和测量精度，经 10000 次迭代，对不同中
声场模型中给定的声源距离 (即真实距离)，蓝圈 心频率 (f c = 500 Hz, 1000 Hz, 2000 Hz)、不同频
代表网络输出的估计距离；图 5(b) 给出了模型 带宽度 (f band = 100 Hz, 300 Hz, 500 Hz, 700 Hz,
在训练集和测试集上的测量精度随迭代次数的 900 Hz) 和不同时间长度 (T = 200 ms, 400 ms,
变化曲线。 600 ms, 800 ms, 1000 ms) 的信号源测距结果进行