一种基于机器学习的快速匹配场海底声学参数反演方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114280586A(43)申请公布日2022.04.05(21)申请号202111539273.X(22)申请日2021.12.15(71)申请人浙江大学地址310027浙江省杭州市西湖区余杭塘路866号(72)发明人张婷陈鸿楠徐文梁婧瑶(74)专利代理机构杭州天正专利事务所有限公司33201代理人王兵(51)Int.Cl.G01S7/539(2006.01)G06N20/00(2019.01)权利要求书2页说明书5页附图3页(54)发明名称一种基于机器学习的快速匹配场海底声学参数反演方法(57)摘要一种基于机器学习的快速匹配场海底声学参数反演方法，首先根据实验海域的环境先验信息和收发配置，选择声学传播模型建立仿真环境；然后在不同的海底声学参数下结合测量声场计算目标函数值，基于该正向映射建立数据集，用于训练与测试机器学习模型；最后在匹配场反演的参数更新过程中，针对扰动前后的参数，先利用机器学习模型快速筛选有效扰动，再利用声学传播模型判断接受或者拒绝，经过多轮参数更新后收敛至全局最优。本发明在传统匹配场反演过程中引入基于机器学习的预筛选处理，减少声学传播模型的调用次数，进而降低反演耗时，而声学传播模型的进一步判断保障了反演准确性，能提高快速海底特性分析能力。CN114280586ACN114280586A权利要求书1/2页1.一种基于机器学习的快速匹配场海底声学参数反演方法，包含以下步骤：S1、获取数据集；根据实验先验信息，选择声学传播模型建立仿真环境，在不同的海底声学参数下计算接收声场，通常又被称为拷贝声场，以前者为机器学习模型输入量，记为特征，后者为模型预测参考量，记为标签，建立数据集；S2、训练与测试机器学习模型；构建目标函数衡量拷贝声场与测量声场的匹配度，将数据集的标签转换为目标函数值，利用新的数据集，建立机器学习模型进行训练与测试；S3、将机器学习模型引入传统匹配场反演在传统匹配场反演过程中，使用优化算法在高维参数空间搜索全局最优，参数更新过程为其中，接受条件由优化算法决定。m和m′表示扰动前后的海底声学参数，基于声学传播模型计算扰动前后的目标函数值f和f′，若Δf＝f′‑f满足接受条件则更新为扰动后的参数，否则参数保持不变；引入机器学习模型后参数更新过程变为其中，针对扰动前后的海底声学参数m和m′，先基于机器学习模型快速计算扰动前后的目标函数值F和F′，根据ΔF＝F′‑F和接受条件进行预筛选，若通过预筛选则进一步基于声学传播模型准确计算扰动前后的目标函数值f和f′，若Δf＝f′‑f满足接受条件则更新为扰动后的参数，否则参数保持不变；S4、估计海底声学参数；根据测量声场和参数搜索区间，使用基于机器学习的快速匹配场海底声学参数反演方法估计全局最优参数。2.根据权利要求1所述的一种基于机器学习的快速匹配场海底声学参数反演方法，其特征在于：当发射信号频谱未知时，步骤S2所述的目标函数使用阵元相干(phone‑coherent)目标函数，以衡量拷贝声场与测量声场的匹配度：TTH其中，m＝[m1m2...mK]表示K个海底声学参数组成的参数向量，(·)和(·)分别表示转置和共轭转置，NF和NH分别是接收声场频率数和接收阵阵元数，令dn(fi)表示第n个阵元处频率为fi的测量声压值，是NH个阵元在频率fi处的测量声压向量，令gn(fi,m)表示给定参数向量m，第n个阵元处频率为fi的拷贝声压值，是给定参数向量m，NH个阵元在频率fi处的拷贝2CN114280586A权利要求书2/2页声压向量。3.根据权利要求1所述的一种基于机器学习的快速匹配场海底声学参数反演方法，其特征在于：当阵元位置不确定性较大时，步骤S2所述的目标函数使用对阵列形状失配不敏感的频率相干(frequency‑coherent)目标函数，以衡量拷贝声场与测量声场的匹配度：其中，是第n个阵元在NF个频率处的测量声压向量，是给定参数向量m，第n个阵元在NF个频率处的拷贝声压向量。3CN114280586A说明书1/5页一种基于机器学习的快速匹配场海底声学参数反演方法技术领域[0001]本发明涉及水声探测技术领域，具体涉及一种基于机器学习的快速匹配场海底声学参数反演方法。背景技术[0002]在浅海环境中，水下声源发射的部分声线在水体和海底交界处发生反射，会携带海底信息。海底声学参数反演方法，简称地声反演方法，通过信号处理算法获取接收声场中的海底信息。其主要原理为根据测量声场，基于水下声信号传播特性，使用反演方法估计海底声学参数，如沉积层声速、密度、衰减系数等。这些参数对声传播损失的预测和声呐性能的评估起着非常重要的作用。[0003]匹配场反演是最常用的地声反演方法，其基本原理为匹配声学传播