Page 11 - 《应用声学》2022年第4期

第 41 卷 第 4 期 沈同圣等： 可靠声路径传播特性及目标定位方法研究现状 509

控制和状态监测。之后，他利用时间反转镜技术，研 声源定位方法，该方法将声源定位问题作为回归问
究提出了一种基于水平线阵和垂直线阵的目标定 题进行求解，所提出的神经网络由信号的归一化协
位方法 [43−44] 。 方差矩阵作为输入进行训练，从而预测声源位置。
现有 RAP 下的传统目标定位方法或多或少都 Liu 等 [53] 利用西太平洋的实验数据对该方法进行
结合深海声信号的传播特性开展，研究方法多基于 验证，结果表明算法在一定的范围内具有较好的定
标量垂直阵和单矢量水听器。标量垂直阵因自身指 位性能。
向性的缺陷，只能对目标进行测距和测深，无法进行 对于 RAP 下的智能水声定位方法而言，机器
目标的方位估计从而无法对目标绝对位置进行定 学习的训练过程需要大量的实验数据来提取数据
位；单矢量水听器可以对目标进行测向，但是无法抑 特征，但是获得这些数据既费时又昂贵。对此，一些
制信号的多途效应。矢量水听器阵列既具有良好的 学者提出可以构建海洋环境声场模型来克服缺乏
抗多途效果，又可进行目标方位估计，因此 RAP 下 测量数据这一问题。然而，这种方法的准确性取决
利用矢量垂直线列阵进行目标探测和定位会成为 于构建的环境模型声场和实际海洋声场的一致程
今后深海研究发展的一个热门方向。 度，而且这种方法可能只在与神经网络训练环境相

3.2 基于RAP的智能定位方法 似的区域有效。对于不熟悉的区域，既没有足够的
水声环境中，声源激发的声场随距离、深度和 声场数据，也没有适应性强、鲁棒性好的环境声场
频率的改变而改变，对应的信道响应也不同。此外， 模型生成样本数据用于训练，这也是现有的机器学
不同距离的声场干涉结构也不尽相同。因此，需要 习和深度学习在水声领域面临的问题。此外，如何
阵列信号的采样协方差矩阵等包含水声信号特征 优化选择各种深度学习神经网络并有效融合 RAP
的输入进行训练 [45] ，为智能水声定位算法的实现提 的物理特性、如何有效利用典型海域实测数据等都
供数据支撑。 是 RAP 机器学习智能定位方法研究方面亟待解决
机器学习早在 20 世纪 90 年代就被应用于水声 的问题。尽管智能水声定位方法目前存在诸多问
目标被动定位。1991 年，Steinberg 等 [46] 利用神经 题，但机器学习方法在水声被动定位中的应用潜力
网络对均匀介质中的点声源进行定位。同年，Ozard 和工程化应用前景不可忽视，该研究方向正处于快
等 [47] 将神经网络运用于 MFP 方法中，仿真研究了 速发展时期，并深刻影响着水声信号处理领域的发
对目标距离进行测量并对其深度进行判决。之后， 展方向。
一些学者研究了基于机器学习的海洋声传播特性
和海底参数反演。总之，由于计算条件的限制且缺 4 结论
乏高效的训练算法，在之后较长的一段时间，机器学
习在水声应用方面发展较为缓慢。 随着水声技术研究的不断深入，水声物理、信
随着研究的深入和近些年机器学习理论和技 号处理与海洋环境的紧密结合是水声技术发展的
术的进步，加之计算机硬件技术的飞速发展，研 必然趋势 [54] 。RAP作为重要的深海声道之一，其声
究人员又将目光聚焦到智能水声定位方法上，相 传播特性及物理特性为深海中近程目标的无盲区
关研究和文章也层出不穷。因 RAP 的研究开展较 探测和定位提供显著优势。正如前文所言，现有的
晚，目前 RAP 下的智能水声定位方法研究仍然较 研究主要是揭示 RAP 下声源激发声场的声学物理
少。2017 年，Niu 等 [48−49] 通过海试实测声场数据 机理和变化规律，结合时 -频域信号处理的方法进
验证了一类基于机器学习算法的水下声源定位方 行目标定位，但是仍存在一些亟待解决的问题。例
法的定位效果，2018 年，Wang 等 [50] 将实测数据作 如，如何在一定的海洋环境失配情况下，基于深海
为数据集，提出了基于广义回归神经网络的声源定 RAP特有的声场传播特性及多途到达结构特征，抑
位方法。Huang 等 [51] 利用仿真的声场数据对深度 制水面多目标的强干扰，实现对水下弱目标的探测
卷积神经网络进行训练，从而实现对声源的定位。 及有效定位是重点及难点。针对 RAP 机器学习智
2019年，Liu等 [52] 在深海直达声区内利用卷积神经 能定位方法，如何研究环境适应性强、鲁棒性好的
网络的多任务学习方法对声源距离进行估计。此 深海环境声场模型，解决深海 RAP 声数据样本少，
外，Liu 等 [53] 提出了一种基于卷积神经网络的深海 提高机器学习在低信噪比情况下的适用性等问题。