Page 85 - 《应用声学》2021年第5期

第 40 卷 第 5 期 姚琦海等： 基于广义回归神经网络的强干扰下垂直阵目标距离估计方法 729

45 60
40
50
35
ࣱکMAPEs 30 ࣱکMAPEs 40
25
30
20
15 20
10
10
5
0 0
0 0.02 0.04 0.06 0.08 0.10 0 0.02 0.04 0.06 0.08 0.10
ੱ࡙ڂߕ ੱ࡙ڂߕ
(a) 235 Hz (b) {112 235 388} Hz
图 8 GRNN 在验证集上不同扩展因子的距离估计结果
Fig. 8 Range estimation results of different extension factors of GRNN on the validation set

4.5 4.5
ࠄᬅᡰሏ ࠄᬅᡰሏ
4.0 4.0
ᮕ฾ᡰሏ ᮕ฾ᡰሏ
3.5 3.5
3.0 3.0
ᡰሏ/km 2.5 ᡰሏ/km 2.5
2.0
2.0
1.5 1.5
1.0 1.0
0.5 0.5
0 10 20 30 40 50 60 70 0 10 20 30 40 50 60 70
ನవᎄՂ ನవᎄՂ
(a) 235 Hz (b) {112 235 388} Hz
图 9 GRNN 在测试集上的距离估计结果
Fig. 9 Range estimation results of GRNN on the test set

⊲ 研究是在高信噪比下的目标距离估计，而机器学
MFPࠕࣜ
⊲ CNNࠕࣜ 习在强干扰下的低信噪比海洋环境中应用相对较
GRNNࠕࣜ
⊲ 少。本文提出了基于优化扩展因子的 GRNN，并利
ឨࣀ/km ⊲ 用 SWellEX-96 实验中在强干扰下的 S59 航次数据
进行了方法的验证，对比了 MFP、CNN、GRNN 三
⊲
⊲ 种方法的水下目标声源距离估计性能。可得到，数
⊲ 据驱动的 GRNN和CNN方法距离估计性能明显优
 于传统模型驱动的 MFP 方法，在已知海洋环境参
⊲ ⊲ ⊲ ⊲ ⊲ ⊲ ⊲ ⊲ ⊲
数的条件下，GRNN、CNN和MFP三种方法对宽带
ᡰሏ/km
图 10 宽带声源在 3 种方法下距离估计结果的绝对误差 声源的估计性能均优于窄带声源，且对窄带和宽带
Fig. 10 Absolute error of range estimation results for 声源，GRNN 均具有最优的估计性能，在海洋环境
broadband sound sources under three methods 参数出现失配时，MFP方法已不适用，CNN方法的
精度和稳健性较差，而GRNN方法仍可以较好地实
4 结论
现距离估计。在实际应用中，GRNN 方法需要获得
机器学习在水声被动定位领域的结合日益密 一定数量的阵列实际测量数据来训练网络，无需海
切，本文研究其中的目标距离估计方面，大多相关 洋环境参数，有着较好的可行性和稳健性。