Page 132 - 《应用声学》2021年第1期

128 2021 年 1 月

对比。图 7∼ 图 9 给出了不同波形参数的信号的网 其次，改进了神经网络模型的寻优算法和参数稀疏
络训练损失曲线，即训练过程中随着迭代次数增大， 化策略，可加快收敛速度并抑制模型过拟合。然而，
测试集上代价函数值的变化曲线。这里的代价函数 机器学习是一种监督学习方法，其测距精度以建立
值为测量的均方误差，下降越快，说明模型收敛速度 功能全、信息丰富的数据库为代价。对于未知的海
越快。由此，图 7 表明模型的收敛速度和测量精度 洋环境、时变的环境参数，需建立大量拷贝数据进
与频带宽度呈负相关，说明频带越宽所含信息越丰 行训练并加大网络的复杂度，同时需要已知的声源
富，模型训练需要的时间越长；图8 表明模型的收敛 波形参数，对先验知识和计算资源有较大依赖性。
速度和测量精度与信号持续时间呈正相关，可见信
5
号持续时间越长，呈现出的特征越明显；图9表明模 t  =0.2 s
t =0.4 s
͉̽Ѧ஝ϙ/T10 -3 t =1.0 s
型的收敛速度与中心频率和测量精度呈负相关，可 4 t  =0.6 s
见浅海中低频的信号特征更加集中，高频信号的特 3 t =0.8 s
征更加分散，表明模型更适用于远程探测声呐。 2

5 1
f band =100 Hz
f band=300 Hz
4 f band =500 Hz 0 0 2000 4000 ᤖ̽൓஝ 8000 10000
6000
͉̽Ѧ஝ϙ/T10 -3 3 2 f band=900 Hz 5 (a) ˗ॷᮠဋ˞500 Hz t =0.2 s
f band =700 Hz

͉̽Ѧ஝ϙ/T10 -3 3 t =1.0 s
t  =0.6 s
1 4 t  =0.4 s
t  =0.8 s
0 2000 4000 6000 8000 10000
ᤖ̽൓஝ 2
(a) ˗ॷᮠဋ˞500 Hz
1
7
f band=100 Hz 0
6 0 2000 4000 6000 8000 10000
f band =300 Hz
ᤖ̽൓஝
f band =500 Hz
5 f band=700 Hz (b) ˗ॷᮠဋ˞1000 Hz
͉̽Ѧ஝ϙ/T10 -3 4 3 f band =900 Hz 图 8 信号频带宽度为 500 Hz 时不同时间长度对应的网
络训练损失曲线
Fig. 8 Network training loss curves with different time
2
lengths when the frequency bandwidth is 500 Hz
1
0 f c =500 Hz
0 2000 4000 6000 8000 10000
ᤖ̽൓஝ 4 f c =1000 Hz
f c=2000 Hz
(b) ˗ॷᮠဋ˞1000 Hz ͉̽Ѧ஝ϙ/T10 -3
图 7 信号时长为 1.0 s 时各频带宽度对应的网络训练 2
损失曲线
Fig. 7 Network training loss curve with different fre-
0
quency bandwidth when the signal duration is 1.0 s 0 2000 4000 6000 8000 10000
ᤖ̽൓஝
3 讨论和展望 图 9 信号频带宽度为 500 Hz、时长为 1.0 s 时不同
中心频率对应的网络训练损失曲线
相对已有的深度学习声源测距方法，本文提出 Fig. 9 Network training loss curves with different
的方法可提取信号的多域特征及对特征空间进行 center frequencies when the frequency bandwidth
筛选，有利于产生紧凑性和泛化能力更强的模型； is 500 Hz and the duration is 1.0 s