CN111307266A - 声速获取方法及基于该方法的全球海洋声速场构建方法 - Google Patents

声速获取方法及基于该方法的全球海洋声速场构建方法 Download PDF

Info

Publication number
CN111307266A
CN111307266A CN202010106233.5A CN202010106233A CN111307266A CN 111307266 A CN111307266 A CN 111307266A CN 202010106233 A CN202010106233 A CN 202010106233A CN 111307266 A CN111307266 A CN 111307266A
Authority
CN
China
Prior art keywords
sound velocity
seawater
sound
historical
salinity
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010106233.5A
Other languages
English (en)
Other versions
CN111307266B (zh
Inventor
徐天河
王君婷
禹小康
江楠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University
Original Assignee
Shandong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong University filed Critical Shandong University
Priority to CN202010106233.5A priority Critical patent/CN111307266B/zh
Publication of CN111307266A publication Critical patent/CN111307266A/zh
Application granted granted Critical
Publication of CN111307266B publication Critical patent/CN111307266B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H5/00—Measuring propagation velocity of ultrasonic, sonic or infrasonic waves, e.g. of pressure waves
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明适用海洋声速场构建技术领域，提供了一种声速获取方法及基于该方法的全球海洋声速场构建方法，该方法包括：获取海洋多个区域中的多个位置的海水的性质及位置的坐标，根据海水的性质和声速获取算法，获取海水中的声速，并获取构建位置与已知声速位置之间的距离，进而分析声速与距离的相关系数，并选取相关系数较强的位置的海水的性质及历史性质，利用第一BP网络神经算法来获取构建位置的温度场和盐度场，以及利用第二BP网络神经算法来获取构建位置的声速，进而根据海洋的多个区域中的构建位置的声速构建全球海洋声速场；实现有选择的进行数据选取，提高了声速场构建的精度和可靠性，提高了用户体验。

Description

声速获取方法及基于该方法的全球海洋声速场构建方法
技术领域
本发明属于海洋声速场构建技术领域，尤其涉及一种声速获取方法及基于该方法的全球海洋声速场构建方法。
背景技术
海洋环境条件如海水的温度、盐度，海面起伏，海底深度，海底地质结构都会对海洋中传播的声信号产生影响，声速是影响水下声学精确定位的重要参数；为了研究海洋中的声传播特性，人们己经发展了多种声场的分析计算方法，海洋声速可以通过声速剖面仪、温盐压仪直接测量，由于海洋环境随时间和空间常常会发生比较明显的变化，直接逐点进行测量往往比较费时费力，通过温盐压仪来获得海洋环境参数结合经验模型计算得到的声速会出现模型不适用的问题；
因此人们大多数都使用匹配波束处理（MBI）的浅水声速剖面反演方案，该方案通过并行遗传算法提出了声速剖面的匹配场反演，以获得准实时反演结果，将EOF与遗传模拟退火算法结合起来用于浅水声速的反演，通过历史声速剖面的经验正交分解获得经验正交函数和经验正交系数，以建立南，北海的声速场；利用BP神经网络的自适应能力和自学习能力，以历史数据为样本训练模型，并预测声速剖面的反演；但是，传统的EOF重构声速剖面阶次的选取对声速场的构建影响较大，特别是在声速变化较大的季节跃变层和主跃层算法的构建精度明显下降，将智能算法与声速剖面模型结合并未考虑海洋环境参数，精度无法较高的要求。
发明内容
本发明的目的在于提供一种声速获取方法及基于该方法的全球海洋声速场构建方法，旨在解决由于现有技术无法提供一种精度高的全球海洋声速场构建方法，导致可靠性较低、用户体验不佳的问题。
一方面，本发明提供了一种声速获取方法，所述方法包括下述步骤：
获取海洋多个区域中的多个位置的海水的性质及所述位置的坐标，根据所述海水的性质和声速获取算法，获取海水中的声速。
优选地，所述海水的性质包括海水的温度和盐度以及深度；所述声速获取算法的根据公式为：
Figure 464118DEST_PATH_IMAGE001
，其中，C为所述声速，T为所述温度，S为所述盐度，h为所述深度。
另一方面，本发明提供了一种全球海洋声速场构建方法，所述方法包括下述步骤：
根据公式：
Figure 880056DEST_PATH_IMAGE002
获取构建位置与已知声速位置之间的距离，其中，
Figure 615931DEST_PATH_IMAGE003
为所述距离，x、y、z为构建位置的坐标，xi、yi、zi为已知声速位置的坐标。
优选地，根据公式：
Figure 408307DEST_PATH_IMAGE004
获取所述声速与所述距离的相关系数，其中，D表示方差，COV表示协方差，ρc、d（x、y、z）表示所述相关系数。
优选地，获取所述海洋的某区域中多个位置中的所述相关系数较强的位置的所述海水的性质和历史性质，并根据所述相关系数较强的位置的所述海水的性质和历史性质获取所述构建位置的声速；
所述海水的历史性质包括海水的历史温度和历史盐度以及历史声速。
进一步优选地，在获取所述构建位置的声速之前还包括：根据所述相关系数较强的位置的海水的性质和历史性质获取所述构建位置的温度和所述构建位置的盐度。
优选地，所述构建位置的温度和盐度根据第一BP神经网络算法获取；其中，所述第一BP神经网络算法的输入层包括所述历史温度、所述历史盐度和深度以及所述相关系数较强的位置的水平坐标；所述第一BP神经网络算法的输出层包括所述构建位置的温度和所述构建位置的盐度。
优选地，所述构建位置的声速根据第二BP神经网络算法获取，其中，所述第二BP神经网络算法的输入层包括所述历史声速、所述构建位置的温度、所述构建位置的盐度和所述相关系数较强的位置的水平坐标以及深度；所述第二BP神经网络算法的输出层包括构建位置的声速。
优选地，所述第二BP神经网络算法的网络逼近函数是tansig函数或和trainlm函数或和learninggdm函数、或所述第二BP神经网络算法的网络逼近函数是tansig函数或trainlm函数或learninggdm函数。
优选地，根据所述海洋的多个区域中的所述构建位置的声速构建全球海洋声速场。
本发明基于海水的性质获取声速，并获取构建位置与已知声速位置之间的距离，进而分析声速与距离的相关系数，并获取相关系数较强的位置的海水的性质及历史性质，利用第一BP网络神经算法来获取构建位置的温度场和盐度场，以及利用第二BP网络神经算法来获取构建位置的声速，进而根据海洋的多个区域中的构建位置的声速构建全球海洋声速场；实现有选择的进行数据选取，提高了声速场构建的精度和可靠性，进而提高了用户体验。
附图说明
图1是本发明实施例一提供的声速获取方法的实现流程图；
图2是本发明实施例二提供的全球海洋声速场构建方法的实现流程图；
图3是本发明实施例二提供的全球海洋声速场构建方法的第一BP网络神经算法的示意图；
图4是本发明实施例二提供的全球海洋声速场构建方法的第二BP网络神经算法的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
以下结合具体实施例对本发明的具体实现进行详细描述：
实施例一：
图1示出了本发明实施例一提供的声速获取方法方法的实现流程，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
在步骤S101中，获取海洋多个区域中的多个位置的海水的性质及位置的坐标；
在本发明的实施例中：海水的性质包括海水的温度和盐度以及深度；优选地，从Argo实时资料中心下载海洋多个区域（例如：太平洋、大西洋、印度洋、北冰洋）中的多个位置的浮标所测得的海水的温度、盐度和深度以及位置（即：该浮标所采集的海水的位置）；其中，获取海洋多个区域中的多个位置的海水的性质及位置的坐标不仅仅限于实时数据，还包括历史数据。
在步骤S102中，根据海水的性质和声速获取算法获取海水中的声速；
在本发明的实施例中：声速获取算法的公式为：
Figure 342765DEST_PATH_IMAGE001
，其中，C为声速，T为温度，S为盐度，h为深度。
实施例二：
图2示出了本发明实施例二提供的全球海洋声速场构建方法的实现流程，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
在步骤S201中，获取构建位置与已知声速位置之间的距离；
在本发明的实施例中：根据公式：
Figure 804970DEST_PATH_IMAGE005
获取构建位置与已知声速位置之间的距离，其中，
Figure 155704DEST_PATH_IMAGE003
为距离（即：构建位置与已知声速位置之间的距离），x、y、z为构建位置的坐标（对应的为x轴、y轴、Z轴的坐标值），xi、yi、zi为已知声速位置的坐标（对应的为x轴、y轴、Z轴的坐标值）。
在步骤S202中，获取声速与距离的相关系数；
在本发明的实施例中：根据公式：
Figure 95978DEST_PATH_IMAGE004
获取声速与距离（即：构建位置与已知声速位置之间的距离）的相关系数，其中，D表示方差，COV表示协方差，ρc、d（x、y、z）表示相关系数；在通过多个相关系数分析后，得出：相关系数与距离成反比，在表层和深水层随距离增大相关系数强度（即：相关系数的值）下降的程度远小于中间层。
在步骤S203中，获取海洋的某区域中多个位置中的相关系数较强的位置的海水的性质和历史性质；
在本发明的实施例中：海水的历史性质包括海水的历史温度和历史盐度以及历史声速；同时为了进一步提高算法的构建精度，在保证算法学习数据量的基础上选择相关系数较强的数据进行声速场构建（在本发明的实施例中选取相关系数为0.5-1的位置的海水的性质和历史性质数据进行声速场构建）；进而解决了传统算法中对中间层的预测精度较低的问题。
在步骤S204中，根据相关系数较强的位置的海水的性质和历史性质获取构建位置的温度和构建位置的盐度；
在本发明的实施例中，根据第一BP神经网络算法获取构建位置的温度和构建位置的盐度，如图3所示，第一BP神经网络算法的输入层包括历史温度
Figure 884943DEST_PATH_IMAGE006
、历史盐度
Figure 908263DEST_PATH_IMAGE007
和深度
Figure 618730DEST_PATH_IMAGE008
以及相关系数较强的位置的水平坐标
Figure 221749DEST_PATH_IMAGE009
（x轴坐标或Y轴坐标）；第一BP神经网络算法的输出层包括构建位置的温度和构建位置的盐度；优选地，第一BP神经网络算法的输入层包括多个历史温度
Figure 334062DEST_PATH_IMAGE006
、多个历史盐度
Figure 934807DEST_PATH_IMAGE007
和多个深度
Figure 257204DEST_PATH_IMAGE010
以及相关系数较强的位置的多个水平坐标
Figure 804860DEST_PATH_IMAGE009
（x轴坐标或Y轴坐标）；其中，相关系数较强的位置的水平坐标
Figure 630734DEST_PATH_IMAGE009
（x轴坐标或Y轴坐标）以及深度
Figure 667960DEST_PATH_IMAGE010
不仅仅限于实时数据或为历史数据。
在步骤S205中，根据相关系数较强的位置的海水的性质、历史性质和构建位置的温度以及构建位置的盐度获取构建位置的声速；
在本发明的实施例中：根据第二BP神经网络算法获取构建位置的声速；如图4所示，第二BP神经网络算法的输入层包括历史声速
Figure 87440DEST_PATH_IMAGE011
、构建位置的温度
Figure 297842DEST_PATH_IMAGE012
、构建位置的盐度
Figure 119167DEST_PATH_IMAGE013
和相关系数较强的位置的水平坐标
Figure 655191DEST_PATH_IMAGE009
（x轴坐标或Y轴坐标）以及深度
Figure 358704DEST_PATH_IMAGE010
；第二BP神经网络算法的输出层包括构建位置的声速；优选地，第二BP神经网络算法的网络逼近函数是tansig函数或和trainlm函数或和learninggdm函数、或第二BP神经网络算法的网络逼近函数是tansig函数或trainlm函数或learninggdm函数；进一步优选地，第二BP神经网络算法的输入层包括多个历史声速
Figure 982584DEST_PATH_IMAGE014
、多个构建位置的温度
Figure 48629DEST_PATH_IMAGE012
、多个构建位置的盐度
Figure 427657DEST_PATH_IMAGE015
和相关系数较强的位置的多个水平坐标
Figure 821730DEST_PATH_IMAGE009
（x轴坐标或Y轴坐标）以及多个深度
Figure 394442DEST_PATH_IMAGE010
，其中，相关系数较强的位置的水平坐标
Figure 924780DEST_PATH_IMAGE009
（x轴坐标或Y轴坐标）以及深度
Figure 474710DEST_PATH_IMAGE010
不仅仅限于实时数据或为历史数据。
在步骤S206中，根据海洋的多个区域中的构建位置的声速构建全球海洋声速场。
本发明实施例中：第二BP神经网络算法或和第一BP神经网络算法所采用的迭代次数为300，学习率为0.5，目标为0.0004。
本发明在基于海水的性质获取声速，并获取构建位置与已知声速位置之间的距离，进而分析声速与距离的相关系数，并获取相关系数较强的位置的海水的性质及历史性质，利用第一BP网络神经算法来获取构建位置的温度场和盐度场，以及利用第二BP网络神经算法来获取构建位置的声速，进而根据海洋的多个区域中的构建位置的声速构建全球海洋声速场；实现有选择的进行数据选取，提高了声速场构建的精度和可靠性，进而提高了用户体验。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种声速获取方法，其特征在于，所述方法包括下述步骤：
获取海洋多个区域中的多个位置的海水的性质及所述位置的坐标，根据所述海水的性质和声速获取算法，获取海水中的声速。
2.如权利要求1所述的方法，其特征在于，所述海水的性质包括海水的温度和盐度以及深度；所述声速获取算法的根据公式为：
Figure 140835DEST_PATH_IMAGE001
，其中，C为所述声速，T为所述温度，S为所述盐度，h为所述深度。
3.一种全球海洋声速场的构建方法，其特征在于，所述方法包括：
根据公式：
Figure 261238DEST_PATH_IMAGE002
获取构建位置与已知声速位置之间的距离，其中，
Figure 634450DEST_PATH_IMAGE003
为所述距离，x、y、z为构建位置的坐标，xi、yi、zi为已知声速位置的坐标。
4.如权利要求3所述的方法，其特征在于，所述方法还包括：
根据公式：
Figure 295239DEST_PATH_IMAGE004
获取所述声速与所述距离的相关系数，其中，D表示方差，COV表示协方差，ρc、d（x、y、z）表示所述相关系数。
5.如权利要求4所述的方法，其特征在于，所述方法还包括：
获取所述海洋的某区域中多个位置中的所述相关系数较强的位置的所述海水的性质和历史性质，并根据所述相关系数较强的位置的所述海水的性质和历史性质获取所述构建位置的声速；
所述海水的历史性质包括海水的历史温度和历史盐度以及历史声速。
6.如权利要求5所述的方法，其特征在于，在获取所述构建位置的声速之前还包括：根据所述相关系数较强的位置的海水的性质和历史性质获取所述构建位置的温度和所述构建位置的盐度。
7.如权利要求6所述的方法，其特征在于，所述构建位置的温度和盐度根据第一BP神经网络算法获取；其中，所述第一BP神经网络算法的输入层包括所述历史温度、所述历史盐度和深度以及所述相关系数较强的位置的水平坐标；所述第一BP神经网络算法的输出层包括所述构建位置的温度和所述构建位置的盐度。
8.如权利要求7所述的方法，其特征在于，所述构建位置的声速根据第二BP神经网络算法获取，其中，所述第二BP神经网络算法的输入层包括所述历史声速、所述构建位置的温度、所述构建位置的盐度和所述相关系数较强的位置的水平坐标以及深度；所述第二BP神经网络算法的输出层包括构建位置的声速。
9.如权利要求8所述的方法，其特征在于，所述第二BP神经网络算法的网络逼近函数是tansig函数或和trainlm函数或和learninggdm函数、或所述第二BP神经网络算法的网络逼近函数是tansig函数或trainlm函数或learninggdm函数。
10.如权利要求8所述的方法，其特征在于，所述方法包括：
根据所述海洋的多个区域中的所述构建位置的声速构建全球海洋声速场。
CN202010106233.5A 2020-02-21 2020-02-21 声速获取方法及基于该方法的全球海洋声速场构建方法 Active CN111307266B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010106233.5A CN111307266B (zh) 2020-02-21 2020-02-21 声速获取方法及基于该方法的全球海洋声速场构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010106233.5A CN111307266B (zh) 2020-02-21 2020-02-21 声速获取方法及基于该方法的全球海洋声速场构建方法

Publications (2)

Publication Number Publication Date
CN111307266A true CN111307266A (zh) 2020-06-19
CN111307266B CN111307266B (zh) 2021-06-29

Family

ID=71158462

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010106233.5A Active CN111307266B (zh) 2020-02-21 2020-02-21 声速获取方法及基于该方法的全球海洋声速场构建方法

Country Status (1)

Country Link
CN (1) CN111307266B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112348280A (zh) * 2020-11-23 2021-02-09 山东科技大学 一种利用改进型Argo浮标数据进行EOF分析的方法
CN112446170A (zh) * 2020-11-06 2021-03-05 山东大学 一种区域海洋底温热红外遥感监测预报模型的建立方法
CN112598113A (zh) * 2020-12-15 2021-04-02 广东海洋大学 一种基于自组织竞争型神经网络的海洋声速剖面获取方法
CN114943189A (zh) * 2022-07-26 2022-08-26 广东海洋大学 一种基于XGboost的声速剖面反演方法及系统
CN115204317A (zh) * 2022-09-15 2022-10-18 山东大学 基于正交经验函数分解的声速剖面延拓方法及系统
CN115694664A (zh) * 2022-08-25 2023-02-03 天津大学 一种基于温度序列的时变水声信道状态信息预测方法
CN117291110A (zh) * 2023-11-24 2023-12-26 中国海洋大学 一种基于卷积神经网络的声速剖面估计方法
WO2024065888A1 (zh) * 2022-09-29 2024-04-04 中国科学院声学研究所 一种基于定深数据的全海深温度剖面反演方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10221444A (ja) * 1997-01-31 1998-08-21 Nec Corp 海底音響特性測定方法及び測定装置
CN109443516A (zh) * 2018-12-25 2019-03-08 西北工业大学 一种基于噪声场垂直振速信号的海底声速被动获取方法
CN109725053A (zh) * 2019-01-22 2019-05-07 中国人民解放军国防科技大学 基于高分辨率海洋再分析产品获取水声场特性数据的方法
CN109858523A (zh) * 2019-01-03 2019-06-07 武汉大学 一种神经网络和射线理论的浅海声速剖面反演方法
CN110794409A (zh) * 2019-10-21 2020-02-14 哈尔滨工程大学 一种可估计未知有效声速的水下单信标定位方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10221444A (ja) * 1997-01-31 1998-08-21 Nec Corp 海底音響特性測定方法及び測定装置
CN109443516A (zh) * 2018-12-25 2019-03-08 西北工业大学 一种基于噪声场垂直振速信号的海底声速被动获取方法
CN109858523A (zh) * 2019-01-03 2019-06-07 武汉大学 一种神经网络和射线理论的浅海声速剖面反演方法
CN109725053A (zh) * 2019-01-22 2019-05-07 中国人民解放军国防科技大学 基于高分辨率海洋再分析产品获取水声场特性数据的方法
CN110794409A (zh) * 2019-10-21 2020-02-14 哈尔滨工程大学 一种可估计未知有效声速的水下单信标定位方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
桑金: "水深测量中的声速改正问题研究", 《海洋测绘》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112446170A (zh) * 2020-11-06 2021-03-05 山东大学 一种区域海洋底温热红外遥感监测预报模型的建立方法
CN112348280A (zh) * 2020-11-23 2021-02-09 山东科技大学 一种利用改进型Argo浮标数据进行EOF分析的方法
CN112598113A (zh) * 2020-12-15 2021-04-02 广东海洋大学 一种基于自组织竞争型神经网络的海洋声速剖面获取方法
CN114943189A (zh) * 2022-07-26 2022-08-26 广东海洋大学 一种基于XGboost的声速剖面反演方法及系统
CN114943189B (zh) * 2022-07-26 2023-04-07 广东海洋大学 一种基于XGboost的声速剖面反演方法及系统
CN115694664A (zh) * 2022-08-25 2023-02-03 天津大学 一种基于温度序列的时变水声信道状态信息预测方法
CN115204317A (zh) * 2022-09-15 2022-10-18 山东大学 基于正交经验函数分解的声速剖面延拓方法及系统
CN115204317B (zh) * 2022-09-15 2022-11-25 山东大学 基于正交经验函数分解的声速剖面延拓方法及系统
WO2024065888A1 (zh) * 2022-09-29 2024-04-04 中国科学院声学研究所 一种基于定深数据的全海深温度剖面反演方法及系统
CN117291110A (zh) * 2023-11-24 2023-12-26 中国海洋大学 一种基于卷积神经网络的声速剖面估计方法
CN117291110B (zh) * 2023-11-24 2024-05-07 中国海洋大学 一种基于卷积神经网络的声速剖面估计方法

Also Published As

Publication number Publication date
CN111307266B (zh) 2021-06-29

Similar Documents

Publication Publication Date Title
CN111307266B (zh) 声速获取方法及基于该方法的全球海洋声速场构建方法
CN110146895B (zh) 基于倒置式多波束回声仪的声速剖面反演方法
CN103176210B (zh) 估计沿拖曳的声学线天线布置的节点之间节点间距离的方法和装置
Lermusiaux et al. Coupled ocean–acoustic prediction of transmission loss in a continental shelfbreak region: Predictive skill, uncertainty quantification, and dynamical sensitivities
CN113486574B (zh) 基于历史数据以及机器学习的声速剖面补全方法及装置
RU2603724C2 (ru) Способ и устройство для управления акустическими характеристиками сети акустических узлов, расположенных вдоль буксируемых акустических линейных антенн
CN112598113A (zh) 一种基于自组织竞争型神经网络的海洋声速剖面获取方法
CN117198330B (zh) 一种声源识别方法、系统及电子设备
CN112348280B (zh) 一种利用改进型Argo浮标数据进行EOF分析的方法
CN116660996B (zh) 一种基于深度学习的漂流式浅海局部地声参数预测方法
CN109579850A (zh) 基于对水速度辅助惯导的深水智能导航方法
Rogers et al. A study of dissipation of wind-waves by mud at Cassino Beach, Brazil: Prediction and inversion
CN116840786A (zh) 一种面向长基线水下定位系统的声线修正方法
Ding et al. Self-optimized vibration localization based on distributed acoustic sensing and existing underground optical cables
Cronin et al. Modelling estuarine morphodynamics on the south coast of Ireland
CN117784250A (zh) 一种基于模型无关元学习算法的海底声学参数反演方法
Rahman et al. The analysis of temperature, depth, salinity effect on acoustic speed for a vertical water column
Kularia et al. Analysis of acoustic channel characteristics for underwater wireless sensor networks
CN115963448A (zh) 适用于深海可靠声路径环境的多传感器宽带声源定位方法
Guo et al. Tracking-positioning of sound speed profiles and moving acoustic source in shallow water
CN113221651A (zh) 利用声传播数据和无监督机器学习的海底沉积分类方法
Huang et al. Underwater Sound Speed Profile Construction: A Review
Li et al. Comprehensive Study of Inversion Methods for Sound Speed Profiles in the South China Sea
CN118169695B (zh) 一种深海环境下的海底异构声纳探测系统阵位优化方法
CN114089411B (zh) 一种改进的气枪阵列声波传输建模方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant