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

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。本发明专利技术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。能提高快速海底特性分析能力。能提高快速海底特性分析能力。

【技术实现步骤摘要】
一种基于机器学习的快速匹配场海底声学参数反演方法


[0001]本专利技术涉及水声探测
，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。

技术介绍

[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模型生成的接收声场与测量声场，利用优化算法在高维参数空间搜索匹配度最高的海底声学参数。声学传播模型是描述水下声信号传播特性的数值计算模型，其生成的接收声场通常又被称为拷贝声场。在地声反演问题中，待反演的参数较多，搜索空间较大较复杂且随着参数的增加呈几何式上升，使得匹配场反演需要多次调用计算耗时的声学传播模型，经过较长时间才能获得全局最优解，反演效率较低。当海底声学参数与距离有关时，需要根据走航获取的测量声场实时估计，进而实现快速准确的海洋环境建模，用于进一步的水声应用。在此类对地声反演有实时性要求的情况下，解决匹配场反演耗时较长的问题尤为重要。

技术实现思路

[0004]本专利技术要克服传统匹配场反演中耗时较大的缺点，提供一种基于机器学习的快速匹配场海底声学参数反演方法。
[0005]本专利技术在传统匹配场反演中引入基于机器学习的预筛选处理，大幅度降低反演耗时的同时不影响反演准确性。包含以下步骤：
[0006]S1、获取数据集；
[0007]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，在不同的海底声学参数下计算拷贝声场，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；
[0008]S2、训练与测试机器学习模型；
[0009]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；
[0010]S3、将机器学习模型引入传统匹配场反演；
[0011]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
[0012][0013]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
[0014][0015]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；
[0016]S4、估计海底声学参数；
[0017]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。
[0018]优选地，在匹配场反演中，步骤S2所述的目标函数通常选择阵元相干(phone
‑
coherent)目标函数或频率相干(frequency
‑
coherent)目标函数，以衡量拷贝声场与测量声场的匹配度。当发射信号频谱未知时，通常使用阵元相干目标函数：
[0019][0020]或者，当阵元位置不确定性较大时，步骤S2所述的目标函数通常使用对阵列形状失配不敏感的频率相干目标函数：
[0021][0022]其中，m＝[m
1 m
2 ... m
K
]T
表示K个海底声学参数组成的参数向量，(
·
)T和(
·
)
H
分别表示转置和共轭转置。N
F
和N
H
分别是接收声场频率数和接收阵阵元数。令d
n
(f
i
)表示第n个阵元处频率为f
i
的测量声压值，是N
H
个阵元在频率f
i
处的测量声压向量，是第n个阵元在N
F
个频率处的测量声压向量。令g
n
(f
i
，m)表示给定参数向量m，第n个阵元处频率为f
i
的拷贝声压值，是给定参数向量m，N
H
个阵元在频率f
i
处的拷贝声压向量，是给定参数向量m，第n个阵元在N
F
个频率处的拷贝声压向量。
[0023]本专利技术在传统匹配场反演过程中，利用机器学习拟合基于声学传播模型的目标函数用于快速的参数预筛选，减少参数更新时声学传播模型的调用次数，在不影响反演准确性的情况下，大幅度降低反演耗时，提高快速海底特性分析能力。
[0024]与传统匹配场反演方法相比，本专利技术的特点是：
[0025]1)利用机器学习模型加速匹配场反演。传统匹配场反演的耗时主要源于多次调用声学传播模型。针对多组海底声学参数，声学传播模型需要依次计算目标函数值且每次计算都较为耗时。加速计算目标函数值能有效减少反演耗时。由于海底声学参数到目标函数值的正向映射满足唯一性，且易于从仿真环境获取大量数据集，机器学习模型适用于拟合该映射关系。机器学习模型计算高效且支持多组参数并行输入，还能通过图形处理器(Graphics Processing Unit，GPU)进一步加速，能快速计算目标函数值，用于加速匹配场反演。
[0026]2)将机器学习模型用于预筛选处理减少对反演准确性的影响。传统匹配场反演计算耗时，若使用机器学习模型代替公式(1)的声学传播模型计算目标函数值，反演速度提升，但目标函数值的计算误差会影响反演准确性。为了实现加速反演的同时不影响反演准确性，本专利技术在匹配场反演的参数更新过程先使用机器学习模型快速计算扰动前后参数的目标函数值，若两者之差满足接受条件则使用公式(1)更新参数，否则参数保持不变，具体如公式(2)所示。新的参数更新过程中，第一步称为基于机器学习的预筛选处理，能快速拒绝无效的参数扰动，若通过预筛选则视为有效扰动，只有有效扰动才需要调用声学传播模型计算目标函数值用于判断接受或拒绝。基于机器学习的预筛选处理降低了声学传播模型的调用次数，进而降低反演耗时，声学传播模型的进一步判断保障了反演准确性。
附图说明
[0027]图1是本专利技术方法的整体流程图。
[0028]图2是实验环境示意图。
[0029]图3是机器学习模型结构示意图。本文档来自技高网...

【技术保护点】

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：张婷，陈鸿楠，徐文，梁婧瑶，
申请(专利权)人：浙江大学，
类型：发明
国别省市：