杨丽燕 王黎明 韩星程 武国强 王鸿儒 马 文
（1.中北大学信息探测与处理山西省重点实验室 太原 030051）（2.太原重工股份有限公司 太原 030051）（3.山西太重数智科技股份有限公司 太原 030051）
随着海洋的重要性为世界各国所知，针对海洋研制的舰船越来越多，与此同时，反舰武器也应运而生，比如水雷、潜艇、鱼雷等［1］。鱼雷在水中爆炸的危险性主要表现在冲击波。冲击波的传递媒介是水和空气，由于水的密度是空气密度的上千倍，所以炸药在水下爆炸时冲击波得到更好的传递，产生的破坏力也更大。在水下，只需少量炸药就能对目标造成巨大的破坏［2］。鱼雷攻击靶船的位置是评定舰船抗爆炸冲击能力以及武器毁伤能力的一个关键判据［3］。因此，对水下震源位置进行定位显得尤为重要。
传统水下爆炸试验中常用的定位方法有机械定位法、冲击波零时法、水声定位法、水声GPS联测法、最小误差逼近法、匹配场定位法等。机械定位法通过刚性固定水下震源与目标的位置来确定爆距，这种方法并不适用于舰船的抗冲击试验。冲击波零时法通过声信号在目标和传感器节点之间的传输时间进行测距，测距精度高，但是需要目标和传感器节点之间保持时钟同步［4］。张姝红等提出一种最小误差逼近的遍历搜索定位方法来实现水下震源定位，该方法在目标舰艇上安装爆炸载荷压力测量传感器，获取冲击波传播的时间信息和冲击波压力峰值，从而实现震源炸点定位计算［3］。但当震源距离较远时，冲击波零时法对传感器的精度提出更高的要求，并不适用于远距离的水下震源定位。杨家庚等介绍长基线水声定位的原理，提出一种适用于悬浮震源的长基线水声定位测量方法，并给出定位计算的震源坐标显式解［5］。但该方法并未考虑建设成本与组织实验等要求。匹配场定位法（Matched Field Processing，MFP）是基于声音的传播规律，需要获得声场模型才能准确定位。然而，海洋环境复杂多变，海洋参数也随时-空变化［6］。准确的环境参数的获取几乎是不可能的，导致MFP算法在实际应用中出现由环境失配引起的定位误差问题［7］。因此需要一种鲁棒性更强、泛化能力更高的算法。
近年来，深度学习的理论和技术发展迅猛，一些将深度学习用于水声被动定位的方法也开始涌现［8］。本文提出一种基于多任务神经网络的震源定位方法，通过仿真浅海声场数据集，建立深度学习网络模型进行训练，对比了MTL-CNN 网络模型与MTL-Attention-UNet模型的平均绝对误差，仿真结果表明：使用MTL-Attention-UNet模型对震源进行定位的平均绝对误差比MTL-CNN 网络模型小，定位性能更好，计算速度更快。
海洋环境的失配会造成匹配场定位性能的下降，应用MTL-CNN 定位方法可以通过学习不同环境的声场特征，改善深海环境失配的情况，从而提高鲁棒性［9］。但MTL-CNN 未压缩网络的输入，会导致仿真计算速度较慢。而UNet网络每一层下采样都与后面每一次采样对应，能够保证特征更加精细。Attention UNet在原始UNet基础添加注意力门控单元，注意力得分能够使得图像分割时聚焦到目标区域［10］。本文将MTL-CNN 与Attention-UNet 网络结合起来，建立MTL-Attention-UNet模型对水下震源进行定位。
2.1 MTL-Attention-UNet网络
MTL-Attention-UNet 网络包含输入流程、中间流程、输出流程三部分。输出流程分为对水下震源的距离与深度两个参数的输出，单任务只能完成一个任务，多任务可以同时训练距离与深度，训练效率得到提高。Attention-UNet结构被大量应用在分割领域，它先对输入特征进行压缩，作为特征提取模块，通过输入层时进行4 次特征压缩，每次压缩通过卷积核为3×3 的卷积、激活函数ReLU 和池化核2×2 步长2 的Maxpool 函数。在输出层得到距离和深度的估计值，如图1所示。
图1 MTL-Attention-UNet的数据传输过程
2.2 定位原理
首先根据声速剖面等环境信息和声场建模理论，仿真数据集，包括神经网络训练集、验证集和测试集；
其次，将训练集和验证集输入MTL-Attention-UNet 网络中进行训练；
网络训练误差曲线收敛后，保存网络训练的权重，并使用测试集对训练好的网络进行测试，得到定位结果。流程如图2 所示。
图2 基于MTL-Attention-UNet的定位流程图
3.1 浅海声场环境模型
水下震源定位中，实测数据获取成本较高，一般使用声传播模型仿真的大量声场数据作为神经网络训练集［11］。常用的声场模型包括简正波模型（Nomal Modes）、抛物方程模型（Parabolic Equation）、射线模型（Ray Methods）、波数积分模型（Wavenumber Integration Techniques）［12］。简正波模型适用于水平不变环境、低频原场条件的声场仿真，本文使用Kraken简正波模型仿真。
海洋环境为水平不变竖直分层的典型浅海波导，海水、沉积层、流体半空间层的声速剖面如图3所示。声源的频率为100Hz～200Hz，增量为1Hz。仿真中使用的声源环境与参数如表1所示［11］。
表1 仿真数据集环境参数
图3 仿真环境参数设置
3.2 数据可视化
根据表1 验证集参数仿真数据，得到的数据集图像为图4。声源深度变化的数据集灰度图呈现为波浪状，声源距离变化的数据集灰度图呈现条纹状。
图4 数据集图像
3.3 灵敏度分析
作为输入特征的物理原理是模式之间的干涉图谱，与干涉模式相关的波导不变量被应用于声源定位上。物理上说，干涉结构取决于声源的位置和不同灵敏度的波导参数。均方根误差（MSE）被用于评估参数的灵敏度，如式（1）。
图5 展示了十个参数的MSE，由图可知，声源距离、声源深度、海水深度、沉积层厚度、沉积层声速相对于其它参数的MSE 变化更大，也就是说参数更加敏感，因此对输入特征的贡献更大。基于灵敏度分析，生成训练集时应尽可能改变灵敏度大的参数，这样才能保证网络具有很好的稳健性。
图5 参数灵敏度分析
3.4 训练和验证误差
为了保证最终选择的模型在不同的环境下的泛化能力，验证集被用于训练过程中监测损失。采用平均绝对误差（MAE）作为评价定位结果的标准：
其中，yi是真实值，i是估计值。训练10 个周期时，网络估计距离的平均绝对误差为0.83km，深度的平均绝对误差为2.6m。
分别使用MTL-CNN 网络和使用本文提出的MTL-Attention-UNet 网络模型对水下震源进行定位的结果如图6 所示，其中实线表示MTL-CNN，虚线表示MTL-Attention-UNet。由图可以看出，MTL-Attention-UNet 的距离与深度平均相对误差都小于MTL-CNN 模型，MTL-Attention-UNet 模型可以获得更好的定位结果。
图6 测试结果
本文构建了浅海声场数据集，使用多任务神经网络MTL-Attention-UNet 对水下震源定位进行训练，并使用测试集比较MTL-CNN 模型和多任务神经网络算法MTL-Attention-UNet 的定位效果。仿真结果表明，用MTL-Attention-UNet模型对水下震源进行定位的平均绝对误差比MTL-CNN 网络模型小，定位性能更好，计算速度更快。
猜你喜欢 声场声源震源 虚拟声源定位的等效源近场声全息算法舰船科学技术(2022年11期)2022-07-15基于深度学习的中尺度涡检测技术及其在声场中的应用海洋信息技术与应用(2020年1期)2020-06-11基于BIM的铁路车站声场仿真分析研究铁道通信信号(2020年12期)2020-03-29基于GCC-nearest时延估计的室内声源定位电子制作(2019年23期)2019-02-23探寻360°全声场发声门道家庭影院技术(2018年11期)2019-01-21震源的高返利起步知识经济·中国直销(2017年11期)2017-11-28运用内积相关性结合迭代相减识别两点声源噪声与振动控制(2016年5期)2016-11-09可控震源地震在张掖盆地南缘逆冲断裂构造勘探中的应用华北地质(2015年3期)2015-12-04同步可控震源地震采集技术新进展物探化探计算技术(2015年2期)2015-02-28力-声互易在水下声源强度测量中的应用舰船科学技术(2015年8期)2015-02-27