利用聲場大數據和深度學習的寬頻水下聲源定位方法

在有實際觀測數據的場景下，機器學習在海洋聲源定位方面已經顯示出應用潛力。然而，採集海上實測數據往往成本較高，在某些場景下甚至難以實現。如何在不確知環境下準確定位水下聲源是水聲應用領域最具挑戰性的問題之一。

近期，中國科學院聲學研究所牛海強等人與美國Scripps海洋研究所的研究人員聯合提出一種適用於不確知海洋環境的基於深度學習的水聲被動定位方法。該方法利用聲場傳播模型生成的上千萬個訓練樣本，對一組50層的深度殘差卷積神經網路進行訓練，實現了單水聽器對單個聲源的遠程被動定位。相關研究成果2019年7月在線發表於國際學術期刊。

這種基於深度學習的水聲被動定位方法，通過假設大量環境參數的組合，利用聲傳播模型生成模擬的大聲場數據集，以應對環境的不確定性。為在大數據集上訓練深度學習模型，研究人員採用了兩步訓練策略。第一步，通過一個殘差卷積網路確定聲源的距離區間（每個區間的尺度為5 km）；第二步，對聲源的距離和深度進行較高解析度估計。

在不同海底參數、聲源幅度和信噪比條件下的模擬測試集上的測試結果表明，基於深度學習模型的聲源定位演算法性能優異，可適用於不確知環境參數下的聲源定位。海試實驗數據顯示，對於單水聽器接收到的80個氣槍信號，88.8%的距離估計誤差在1.5 km以下，83.8%的深度估計誤差在10 m以內，進一步驗證了演算法在不確知環境下的定位性能。

圖1. 聲源定位演算法（圖/中科院聲學所）

圖2. 深度學習方法和聚焦匹配場方法的對比：(a) 距離估計結果；(b) 深度估計結果（圖/中科院聲學所）

來源：中國科學院聲學研究所，語音合成技術由科大訊飛提供

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！