CN111563233B - 基于非线性贝叶斯理论的水声信号频散特征被动反演方法 - Google Patents
基于非线性贝叶斯理论的水声信号频散特征被动反演方法 Download PDFInfo
- Publication number
- CN111563233B CN111563233B CN202010282721.1A CN202010282721A CN111563233B CN 111563233 B CN111563233 B CN 111563233B CN 202010282721 A CN202010282721 A CN 202010282721A CN 111563233 B CN111563233 B CN 111563233B
- Authority
- CN
- China
- Prior art keywords
- function
- cross
- inversion
- noise
- frequency
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种基于非线性贝叶斯理论的简正波频散曲线被动反演方法,从统计角度定性和定量的分析反演结果的不确定性,为反演结果的可信度提供参考。首先利用噪声干涉仪技术与简正波分离技术,被动提取各阶水声信号的频散特征,然后利用自适应单纯形法模拟退火算法开展海底参数的反演,给出各个反演参数的边缘概率分布,为反演结果的准确性提供评判参考。
Description
技术领域
本发明属于水声信号频散特征被动反演方法,涉及一种基于非线性贝叶斯理论的水声信号频散特征被动反演方法,将贝叶斯理论应用于水声信号频散特征提取并被动反演中,从而为被动反演结果的准确性提供评判依据。
背景技术
文献《Characterizing the seabed by using noise interferometry and timewarping》给出了一种基于海洋环境噪声信号的水声信号频散特征被动提取方法,并将其应用于地声参数反演中。首先利用海洋环境噪声信号提取两点之间的时空互相关函数,通过对互相关函数做warping变换分离不同阶模态信号,进而得到水声信号各阶简正波的频散特征,最后利用频散特征对地声参数进行了反演。论文虽然给出了海底参数反演结果,但是反演的基底参数不理想,与主动反演结果差异较大,此外,该论文没有对参数的不确定性进行分析,无法评价反演结果的可信度。
发明内容
要解决的技术问题
为了避免现有技术的不足之处,本发明提出一种基于非线性贝叶斯理论的水声信号频散特征被动反演方法。
技术方案
一种基于非线性贝叶斯理论的水声信号频散特征被动反演方法,其特征在于步骤如下:
步骤1、利用噪声干涉仪技术与简正波分离技术,被动提取各阶水声信号的频散特征:
根据噪声干涉仪技术,空间两点噪声场互相关函数的导数用两点之间的因果格林函数与反因果格林函数之和表征:
其中C(τ,r1,r2),G(τ,r1,r2)和G(-τ,r1,r2)分别为r1,r2两点间噪声场时空互相关函数、因果格林函数与反因果格林函数,τ为时延;
通过对互谱密度函数C(ω,r1,r2)做反傅里叶变换得到噪声场时空互相关函数C(τ,r1,r2):
通过对两个水听器接收的声压信号求数学期望得到互谱密度函数:
C(ω,r1,r2)=E[P(ω,r1)P*(ω,r2)]
其中P(ω,r1)和P*(ω,r2)分别为第一个水听器在角频率ω处的复声压以及第二个水听器在角频率ω处的复声压共轭,采用Warping变换来进行简正波分离,Warping变换之后的噪声场时空互相关函数W(τ,r1,r2)为:
tR为信号起始时间,tR=R/c,R和c分别为两水听器间距以及水中声速;
步骤2、利用自适应单纯形法模拟退火算法开展海底参数的反演,给出各个反演参数的边缘概率分布:
随机变量d和m分别表示观测数据向量和模型参数向量,N和M则分别表示向量d和m的变量个数;根据贝叶斯定理,d和m的关系表示为:
其中,P(m|d)为后验概率密度;P(d|m)为条件概率。P(m)和P(d)为模型参数向量和观测数据向量的先验概率;
其中dk为第k阶模态的实测频散曲线,dk(m)为参数向量下第k阶模态的理论频散曲线,Nk为第k阶模态频散曲线上取样的数量;
结合先验概率的代价函数φ(m)为:
φ(m)=E(m)-logeP(m)
P(mi|d)=∫δ(mi-m′i)P(m′|d)dm′
所述互谱密度函数:对两个水听器接收的噪声信号做傅里叶变换得到各个频率点的声压值,第一个水听器处的声压值与第二个水听器处的声压值的复共轭二者相乘即得到两点间互谱密度:
其中pj(ω,r1)和pj(ω,r2)分别为第一个和第二个水听器接收的第j个快拍信号的频域声压解,J为快拍的总数,pj(ω,r1)可以通过对第j个快拍信号xj(t)做傅里叶变换得到。
有益效果
本发明提出的一种基于非线性贝叶斯理论的简正波频散曲线被动反演方法,从统计角度定性和定量的分析反演结果的不确定性,为反演结果的可信度提供参考。首先利用噪声干涉仪技术与简正波分离技术,被动提取各阶水声信号的频散特征,然后利用自适应单纯形法模拟退火算法开展海底参数的反演,给出各个反演参数的边缘概率分布,为反演结果的准确性提供评判参考。
附图说明
图1:基于非线性贝叶斯理论的水声信号频散特征被动反演实施方案图
图2:实验站点与实验期间海水声速
图3:(a)噪声场时空互相关函数及其(b)时频图
图4:(a)warping变换之后的噪声场时空互相关函数及其(b)时频图
(c)单阶噪声场互相关信号波形(d)实测数据提取的各阶模态频散曲线
图5:各个参数边缘概率分布
具体实施方式
现结合实施例、附图对本发明作进一步描述:
图1给出的是基于非线性贝叶斯理论的水声信号频散特征被动反演流程,具体实施如下:先对空间两点噪声信号做互相关得到两点间噪声场互谱密度函数,进而得到两点间时空互相关函数;再对时空互相关函数做warping变换分离不同阶模态信号,提取各阶模态的频散曲线;最后利用水声信号频散特征构建贝叶斯反演框架,对地声参数进行反演,最终给出反演的各参数的一维边缘概率分布,评价反演结果是否可信。
发明通过以下几个步骤完成:
(a)利用噪声干涉仪与简正波分离技术提取水声信号频散特征
根据噪声干涉仪技术可知,空间两点噪声场互相关函数的导数可以用两点之间的因果格林函数与反因果格林函数之和表征:
其中C(τ,r1,r2),G(τ,r1,r2)和G(-τ,r1,r2)分别为r1,r2两点间噪声场时空互相关函数、因果格林函数与反因果格林函数。事实上,通常空间两点的互相关函数比其导数能够更好的表征声场格林函数,所以通常更多采用两点噪声场互相关函数,而非其导数来近似声场格林函数。
噪声场时空互相关函数C(τ,r1,r2)可以通过对互谱密度函数C(ω,r1,r2)做反傅里叶变换得到:
C(ω,r1,r2)=E[P(ω,r1)P*(ω,r2)] (3)
P(ω,r1)和P*(ω,r2)分别为第一个水听器在角频率ω处的复声压以及第二个水听器在角频率ω处的复声压共轭。实际数据处理中,互谱密度函数可以通过如下步骤获得:对两个水听器接收的噪声信号做傅里叶变换得到各个频率点的声压值,第一个水听器处的声压值与第二个水听器处的声压值的复共轭二者相乘即可得到两点间互谱密度:
其中pj(ω,r1)和pj(ω,r2)分别为两个水听器接收的第j个快拍信号的在角频率ω处的复声压,pj(ω,r1)可以通过对第j个快拍信号做短时傅里叶变换得到,J为快拍的总数。
由于海洋波导中接收的信号是典型的多分量信号,如果传播距离不够远的话不同阶模态在时频域会混叠,无法直接对其分离。所以需要借助信号处理手段将不同阶模态分离,这里采用Warping变换来进行简正波分离。
Warping变换之后的噪声场时空互相关函数W(τ,r1,r2)为:
其中warping算子h(t)为:
tR为信号起始时间,tR=R/c,R和c分别为两水听器间距以及水中声速。Warping变换后的各阶简正波变成了以该阶简正波的截止频率为信号频率的单频信号,信号转换成了若干先后到达的单频信号的组合。对W(τ,r1,r2)做时频分析,利用窄带滤波即可得到噪声场时空互相关信号各单模分量Wm(τ,r1,r2)。Warping是一种可逆变换,对Wm(τ,r1,r2)做逆变换即可恢复噪声时空互相关函数单阶信号Cm(τ,r1,r2)。
其中warping逆变换的算子为:
对Cm(τ,r1,r2)做时频分析处理,即可得到第m阶简正波的频散特征。
(b)基于贝叶斯理论的水声信号频散特征被动反演
反演结果的不确定性是评价反演结果可信度的重要指标。假设随机变量d和m分别表示观测数据向量和模型参数向量,N和M则分别表示向量d和m的变量个数。根据贝叶斯定理,d和m的关系可表示为:
其中,P(m\d)为后验概率密度;P(d\m)为条件概率。P(m)和P(d)为模型参数向量和观测数据向量的先验概率。最大似然函数L(d|m)与代价函数E(m)之间的关系为L(d|m)∝exp(-E(m)),本发明采用如下形式的代价函数:
其中dk为第k阶模态的实测频散特征,dk(m)为参数向量下第k阶模态的理论频散特征。Nk为第k阶模态频散特征上取样的数量。更一般的结合先验概率的代价函数φ(m)定义为:
φ(m)=E(m)-logeP(m) (11)
P(mi|d)=∫δ(mi-m′i)P(m′|d)dm′ (13)
本发明利用实测的海洋环境噪声数据验证算法的性能。实验站点以及实验期间的海水声速剖面见图2,水听器布放站点处海深为100m,海底地形变换缓慢,可近似认为海底是水平不变的。两个接收水听器都布放在95m深度处,两个水听器水平间距为5km。需要说明的是:考虑到水听器在布放时下沉的过程中位置会有所改变,所以利用GPS数据估计的水听器间距可能存在一定的误差,所以这里将水听器间距也作为未知量来反演。待反演的参数集为Ω=[R,H,Cs,ρs,Cb,ρb,Δt],其中各参数的含义分别为两水听器间水平距离、沉积层厚度、沉积层纵波声速、沉积层密度、基底纵波声速和基底密度,以及相对时间漂移量。
图3(a)给出的是实测数据提取的噪声场互相关函数正半轴部分,图3(b)给出的是噪声场互相关函数的时频图,从图中可以看到有四阶模态存在,但是彼此在时频域上有重叠,很难直接提取到各阶模态的频散特征。图4(a)和(b)分别给出的是warped变换之后的噪声场互相关函数及其时频图。从图中图4(b)可以看到warped变换之后的各阶噪声互相关信号在时频域上彼此不重叠,通过窄带滤波就能很容易地得到单阶模态信号。图4(c)给出的是1-4阶模态时域波形。对单阶模态信号做时频分析就能很容易获得各阶模态的频散曲线。为了获得最高分辨率的时频图,本发明采用Wigner-Ville Distribution来对各阶模态时域信号做时频分析,图4(d)中四条白色实线即为提取的4阶简正波的频散曲线。
表1各参数搜索区间以及反演得到的最优值
表1给出的是各个反演参数的搜索区间以及反演得到的最优值,并与ZangXiaoQin的博士论文《Acoustic Green's Function Extraction in the Ocean》给出的反演结果进行了对比,可以看到二者吻合的非常好,证明了反演结果的准确性。图5给出的是被反演的各个参数的一维边缘概率分布。其中竖线对应的是反演得到的最优值,曲线对应的被反演参数在反演区间范围内的概率分布。从图中可以看到:时间漂移量、水听器间距、沉积层厚度以及沉积层声速对简正波频散特征很敏感,反演得到的最优值基本都出现在边缘概率分布的最大值附近,证明上述几个参数反演的结果可信度很高。相对于上述几个参数,沉积层密度和基底密度对简正波频散特性敏感度相对较弱,但是这两个参数反演过程中出现在最优值的概率仍然相对较高,证明这两个参数的反演结果具有一定的可信度。基底声速对反演敏感度较差,相对于其他参数,反演得到的该参数可信度最低。
Claims (2)
1.一种基于非线性贝叶斯理论的水声信号频散特征被动反演方法,其特征在于步骤如下:
步骤1、利用噪声干涉仪技术与简正波分离技术,被动提取各阶水声信号的频散特征:
根据噪声干涉仪技术,空间两点噪声场互相关函数的导数用两点之间的因果格林函数与反因果格林函数之和表征:
其中C(τ,r1,r2),G(τ,r1,r2)和G(-τ,r1,r2)分别为r1,r2两点间噪声场时空互相关函数、因果格林函数与反因果格林函数,τ为时延;
通过对互谱密度函数C(ω,r1,r2)做反傅里叶变换得到噪声场时空互相关函数C(τ,r1,r2):
通过对两个水听器接收的声压信号求数学期望得到互谱密度函数:
C(ω,r1,r2)=E[P(ω,r1)P*(ω,r2)]
其中P(ω,r1)和P*(ω,r2)分别为第一个水听器在角频率ω处的复声压以及第二个水听器在角频率ω处的复声压共轭,采用Warping变换来进行简正波分离,Warping变换之后的噪声场时空互相关函数W(τ,r1,r2)为:
tR为信号起始时间,tR=R/c,R和c分别为两水听器间距以及水中声速;
步骤2、利用自适应单纯形法模拟退火算法开展海底参数的反演,给出各个反演参数的边缘概率分布:
随机变量d和m分别表示观测数据向量和模型参数向量,N和M则分别表示向量d和m的变量个数;根据贝叶斯定理,d和m的关系表示为:
其中,P(m|d)为后验概率密度;P(d|m)为条件概率。P(m)和P(d)为模型参数向量和观测数据向量的先验概率;
其中dk为第k阶模态的实测频散曲线,dk(m)为参数向量下第k阶模态的理论频散曲线,Nk为第k阶模态频散曲线上取样的数量;
结合先验概率的代价函数φ(m)为:
φ(m)=E(m)-loge P(m)
P(mi|d)=∫δ(mi-m′i)P(m′|d)dm′
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010282721.1A CN111563233B (zh) | 2020-04-12 | 2020-04-12 | 基于非线性贝叶斯理论的水声信号频散特征被动反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010282721.1A CN111563233B (zh) | 2020-04-12 | 2020-04-12 | 基于非线性贝叶斯理论的水声信号频散特征被动反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111563233A CN111563233A (zh) | 2020-08-21 |
CN111563233B true CN111563233B (zh) | 2023-03-24 |
Family
ID=72071648
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010282721.1A Active CN111563233B (zh) | 2020-04-12 | 2020-04-12 | 基于非线性贝叶斯理论的水声信号频散特征被动反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111563233B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163378A (zh) * | 2020-10-28 | 2021-01-01 | 浙江海洋大学 | 根据非线性贝叶斯理论的浅海多层海底地声参数反演方法 |
WO2022226856A1 (zh) * | 2021-04-29 | 2022-11-03 | 浙江海洋大学 | 浅海多层海底地声参数反演方法、装置、计算机设备及存储介质 |
CN113191307B (zh) * | 2021-05-17 | 2023-09-29 | 江苏科技大学 | 一种基于贝叶斯估计的浅海波导简正波阶数判定方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631194A (zh) * | 2015-12-20 | 2016-06-01 | 西北工业大学 | 一种利用模态频散曲线能量差反演海底衰减系数的方法 |
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 |
CN109815942A (zh) * | 2019-03-18 | 2019-05-28 | 西北工业大学 | 基于海洋环境噪声信号的简正波特征提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10138727B2 (en) * | 2014-01-31 | 2018-11-27 | Schlumberger Technology Corporation | Acoustic multi-modality inversion for cement integrity analysis |
-
2020
- 2020-04-12 CN CN202010282721.1A patent/CN111563233B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631194A (zh) * | 2015-12-20 | 2016-06-01 | 西北工业大学 | 一种利用模态频散曲线能量差反演海底衰减系数的方法 |
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 |
CN109815942A (zh) * | 2019-03-18 | 2019-05-28 | 西北工业大学 | 基于海洋环境噪声信号的简正波特征提取方法 |
Non-Patent Citations (2)
Title |
---|
消频散变换反演海底地声参数;姚玉玲等;《中国海洋大学学报(自然科学版)》;20110515;全文 * |
界面波数值模拟及其在海底浅层结构中的应用;李翠琳等;《地球物理学进展》;20131215(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111563233A (zh) | 2020-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111563233B (zh) | 基于非线性贝叶斯理论的水声信号频散特征被动反演方法 | |
Harley et al. | Data-driven matched field processing for Lamb wave structural health monitoring | |
CN109815942B (zh) | 基于海洋环境噪声信号的简正波特征提取方法 | |
CN107179535A (zh) | 一种基于畸变拖曳阵的保真增强波束形成的方法 | |
CN104820218B (zh) | 一种基于频域自相关的浅海海底单参数反演方法 | |
Byun et al. | Sparse underwater acoustic channel parameter estimation using a wideband receiver array | |
CN109669160B (zh) | 一种水下瞬态声信号的检测方法 | |
CN102333052B (zh) | 一种适用于浅海低频条件的水声信号盲解卷方法 | |
Josso et al. | Source motion detection, estimation, and compensation for underwater acoustics inversion by wideband ambiguity lag-Doppler filtering | |
CN113472390B (zh) | 一种基于深度学习的跳频信号参数估计方法 | |
CN106842173A (zh) | 频散特性提取方法、装置及系统 | |
CN116068493A (zh) | 一种深海大深度垂直分布式水听器被动声源定位方法 | |
Guarino et al. | Bottom attenuation coefficient inversion based on the modal phase difference between pressure and vertical velocity from a single vector sensor | |
Niu et al. | Mode separation with one hydrophone in shallow water: A sparse Bayesian learning approach based on phase speed | |
CN101825722B (zh) | 一种鲁棒的地震信号瞬时频率的估计方法 | |
Broadhead et al. | Performance of some sparseness criterion blind deconvolution methods in the presence of noise | |
CN110780340B (zh) | 一种浅海弹性软沉积层横波声速或厚度的反演方法 | |
Andrew et al. | Low-frequency pulse propagation over 510 km in the Philippine Sea: A comparison of observed and theoretical pulse spreading | |
CN112784412B (zh) | 一种基于压缩感知的单水听器简正波模态分离方法及系统 | |
CN112684437B (zh) | 一种基于时域warping变换的被动测距方法 | |
CN105652264B (zh) | 基于高阶累积量的多路径传播声信号分离方法 | |
CN113126029B (zh) | 适用于深海可靠声路径环境的多传感器脉冲声源定位方法 | |
Zamanizadeh et al. | Source localization from time-differences of arrival using high-frequency communication signals | |
Li et al. | Sparse Bayesian learning for horizontal wavenumber retrieval in underwater acoustical signal processing | |
CN113640806A (zh) | 一种基于多声纳设备的沉积层声特性获取方法及系统 |
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 |