Page 58 - 《应用声学》2023年第2期

246 2023 年 3 月

¯
¯
๒ภဗܒ 其中，R e 为声呐的等效作用距离的均值，R e =
ԫӑ { ¯ ¯ ¯ }
∗
ኙᤥюѷ R e1 , R e2 , · · · , R em ；R 为归一化后的等效作用
e
ଊ฾ഐဋ 距离，σ 2 ∗ 为声呐归一化后等效平均距离的标准差，
Ѻኙᤥ R e
తܸ { }
2
σ R ∗ = σ 2 R ∗ , σ 2 R ∗ , · · · , σ 2 R ∗ ；m为次优深度区间
e1
e
em
e2
ࠀ˧ក͉ 被划分的个数；R 为目标海区水平距离；α、β、δ 为加
̄൓ኙᤥ
Ѧ஝త࠵
权系数，且有α + β + δ = 1。
తΈ࣋ஊ 上述评价函数与声呐性能评估的 3 个参数有
ງए
关：声呐对目标位置的探测概率反映了声呐对已知
图 3 声呐布放深度自适应优化算法流程图 目标所处位置的探测性能；声呐的等效作用距离反
Fig. 3 The flow chart of adaptive optimization
映了声呐对试验海区的探测性能；等效作用距离的
algorithm sonar underwater depth
标准差反映了声呐对试验海区探测性能的稳定性。
海洋环境发生变化后，为提高声呐的探测性能 所以第二次迭代寻优过程要通过最小化评价函数
调整声呐的布放深度。第一次筛选过程在目标海区 值获得声呐的最佳布放深度：
全深度以 ∆z s 为间隔取声呐可能的布放深度，利用 opt
z s = arg min (g). (16)
式 (12) 计算所取各深度下的探测概率 p D 。最后以 z s ∈z s sub-opt
声呐对目标位置处的探测概率最大为准则，选择次 实际计算过程中，可根据实际需求调整加权系
优深度区间，即 数选择达到择优目的。
z s sub-opt = arg max (p D (z s , r g , z g )) , (14)
z s ∈[0,z s ] 3 数值仿真分析
其中，z s 为声源深度，r g 、z g 分别为目标在距离和深
3.1 典型声速剖面下的仿真分析
度方向上的位置。
第二次筛选过程在次优深度区间中依据相应 某近岸海域的海深大致在 30 m，海底平坦。仿
准则寻找声呐的最佳布放深度，所用准则与探测概 真声速剖面分别为等声速梯度分布、带有跃层声速
率最大准则略有不同。首先定义评价函数： 梯度分布、正声速梯度分布以及负声速梯度分布时，
( ) 使用所提布放深度优化算法调整声呐布放深度的
¯
g = α (1 − p D ) + βσ 2 ∗ + δ R − R e , (15)
R e R 有效性。图4为几种典型的声速剖面示意图。
0 0

ງए/m 10 ງए/m 10

20
20
30 30
1544 1545 1546 1543 1544 1545 1546
ܦᤴ/(mSs -1 ) ܦᤴ/(mSs -1 )
(a) ኎ܦᤴ೙ए (b) ࣜదᡤࡏܦᤴ೙ए
0 0

ງए/m 10 ງए/m 10

20
20
30 30
1544 1545 1546 1547 1543 1544 1545 1546
ܦᤴ/(mSs -1 ) ܦᤴ/(mSs -1 )
(c) ൤ܦᤴ೙ए (d) ᠇ܦᤴ೙ए
图 4 典型声速剖面示意图
Fig. 4 Typical sound speed profiles