Page 80 - 《应用声学》2021年第5期
P. 80

724                                                                                  2021 年 9 月


                                                               数据用于训练，建立多层深度卷积神经网络 (Con-
             0 引言                                              volutional neural networks, CNN)模型估计浅海声
                                                               源位置。2019 年，Liu 等      [14]  在深度范围大致确定的
                 水下目标定位利用基阵接收到的声信号来探
                                                               前提下，利用一维 CNN 和集成学习实现了水下目
             测目标声源的位置，一直以来是水声信号处理领域                            标距离估计；Niu 等       [15]  在不确知环境下，采集单水
             的热点，本文研究其中的一个方面 ——目标距离估                           听器接收到的声压值，利用 50 层残差 CNN 探测声
             计  [1−3] 。在军事和民用领域中，隐蔽性较好的被动                      源。2020 年，Liu 等   [16]  将实际数据和仿真数据的组
             定位技术有着广泛的应用。传统的被动定位方法                             合作为训练数据，并利用 CNN 估计声源的深度和
             大多为基于匹配场处理 (Matched field processing,              距离；张巧力等        [17]  搭建了单隐藏层的 FFNN，并
             MFP) 的方法。1976 年，Bucker      [4]  推导出了线性匹          利用SWellEX-96实验S5航次的垂直阵数据进行验
             配场处理器，使用实际环境模型，引入了距离深度的                           证。以上研究利用 CNN、支持向量机等模型对水下
             模糊函数。1988年，Baggeroer       [5]  建立水平分层的海          单目标进行了位置估计，但大多相关研究是在没有
             洋环境波导模型，将 MFP 技术应用在低信噪比场                          强干扰的高信噪比下的海洋环境中实现的。
             景中，研究表明增加带宽可以提升匹配场算法的定                                机器学习在低信噪比的海洋环境中的应用相
             位性能。1996年，Michalopoulou等       [6]  提出利用非相        对较少，2016 年，Niu 等      [18]  输入归一化互谱密度矩
             关方法对各个频点的窄带模糊度函数叠加，验证了                            阵，训练仅有一个隐藏层的 FFNN，实现在训练样
             宽带匹配场定位算法中非相关方法的可行性。2003                          本较少和低信噪比下的距离估计。2018年，Ozanich
             年，Soares 等  [7]  利用各个频点之间的相关信息，建                  等 [19]  使用 KRAKEN 模型生成垂直阵列在低信噪
             立了归一化相关处理器、匹配相位相关处理。2006                          比下接收到的声压幅值和相位，利用 CNN 在多
             年，杨坤德等     [8]  针对环境失配条件下的强干扰问题，                  频复声压场中训练距离特征，研究表明通过增加
             提出了一种线性匹配场干扰抑制算法。2018 年，贾                         训练数据，可提升低信噪比下的定位性能。2020
             雨晴等   [9]  提出了一种在声速剖面时变环境下的自                      年，Ozanich 等   [20]  利用 FFNN 进行方位估计，用
             适应匹配场定位算法，结果表明该算法的定位性能                            SWellEX-96 实验中在强干扰下的 S59 航次数据进
             较常规匹配场算法有较大提升。MFP 方法利用水                           行验证，并与支持向量机方法进行了对比，结果证明
             声信道特性将声传播模型和阵列信号结合起来，实                            了深层 FFNN 模型在水平阵被动定位中应用的可
             现水下目标被动定位。但此类模型驱动方法需要海                            行性。
             深、声速剖面等参数，在低信噪比和缺少环境参数                                在实际浅海中，往往存在着强度较大的水面干
             的情况下，会严重影响定位性能。随着机器学习技                            扰声源，比如大型的船舶，对水下目标声源的定位
             术的迅速发展，以神经网络为代表的数据驱动方法                            造成了很大的考验，传统的 MFP 方法在此场景下
             在水声领域得到了广泛的应用。                                    性能较差，因此，在浅海强干扰下的目标距离估计
                 基于数据的机器学习模型不需要海洋环境参                           中，研究和建立基于数据驱动的机器学习模型有重
             数，而基于声场理论的模型会受到环境失配的影                             要意义和价值。本文利用美国海洋物理实验室1996
             响。1991年Steinberg等     [10]  建立单层神经网络模型            年 5 月在距 Point Loma 约 12 km 处进行的一次浅
                                                               海实验 (SWellEX-96 实验) 中的 S59 航次数据研究
             对均匀介质中的点声源进行深度估计，但受限于当
                                                               强干扰下的垂直阵定位问题             [21] ，为研究两类驱动方
             时的机器学习技术发展不成熟，加之传统的 MFP
                                                               法在强干扰下距离估计性能的差异，本文对基于数
             方法为当时主流的被动定位算法，因此，在之后的
                                                               据驱动的 GRNN和CNN方法和基于简正波模型的
             很长一段时间，机器学习方法在水声被动定位领
                                                               传统MFP方法的性能进行了比较。
             域的发展较为缓慢。2017 年，Niu 等             [11]  利用前馈
             神经网络 (Feed forward neural networks, FFNN)、
                                                               1 MFP
             支持向量机模型，结合海试实测数据验证了机器
             学习算法的定位性能。2018 年，Wang等              [12]  引入了         通过简正波模型以及环境参数，可以计算出声
             广义回归神经网络 (Generalized regression neural           源在特定位置情况下接收阵位置的复声压，作为拷
             network, GRNN) 方法，实现了浅海高信噪比环境                     贝向量。在简正波模型下，(0, z s ) 处单频点声源在
             下有效的目标距离估计；Huang 等              [13]  将声场模型       (r, z)处产生的声压表达式         [22]  为
   75   76   77   78   79   80   81   82   83   84   85