CN113221651B - 利用声传播数据和无监督机器学习的海底沉积分类方法 - Google Patents

利用声传播数据和无监督机器学习的海底沉积分类方法 Download PDF

Info

Publication number
CN113221651B
CN113221651B CN202110381846.4A CN202110381846A CN113221651B CN 113221651 B CN113221651 B CN 113221651B CN 202110381846 A CN202110381846 A CN 202110381846A CN 113221651 B CN113221651 B CN 113221651B
Authority
CN
China
Prior art keywords
classification
machine learning
deposition
sound field
field distribution
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
Application number
CN202110381846.4A
Other languages
English (en)
Other versions
CN113221651A (zh
Inventor
屈科
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.)
Guangdong Ocean University
Original Assignee
Guangdong Ocean 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 Guangdong Ocean University filed Critical Guangdong Ocean University
Priority to CN202110381846.4A priority Critical patent/CN113221651B/zh
Publication of CN113221651A publication Critical patent/CN113221651A/zh
Application granted granted Critical
Publication of CN113221651B publication Critical patent/CN113221651B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

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

Abstract

本发明公开了一种利用声传播数据和无监督机器学习的海底沉积分类方法，涉及海底沉积分类技术领域，其技术方案要点是：包括以下步骤：步骤1：基于物理机制生成声场分布值；步骤2：生成训练数据集；步骤3：非监督机器学习分类，以获得不同沉积类型神经元；步骤4：获取最匹配神经元，求解声场分布的实测值与输出层的神经元间的Euclidean距离，将距离最小的输出层神经元确定为最匹配神经元，而最匹配神经元对应的沉积类型值即为对应的分类结果。本发明通过声学方法可以实现大面积即时的海底沉积分类，采用声传播数据，通过引入声传播的物理机制，解决了特定海洋环境下机器学习样本缺乏的问题，通过机器学习的应用提升了海底沉积物类型判断的精确度。

Description

利用声传播数据和无监督机器学习的海底沉积分类方法
技术领域
本发明涉及海底沉积分类技术领域，更具体地说，它涉及一种利用声传播数据和无监督机器学习的海底沉积分类方法。
背景技术
海底沉积物类型是海洋工程作业重要的环境信息，对于水下声学探测尤其重要，是目标识别、声源定位、水下通讯等水声学应用必要的信息。对于沉积物分类的研究是海洋研究的基础课题，涉及地震学、沉积学、地质史、地貌学等多个学科。
获得海洋沉积物类别的直接方法是通过海底采样，然后在实验室进行测试。海底采样通常采用的是重力取样，费时费力，当海底很硬时不容易获取样本。同时，样本在海水中受到冲刷容易失去原貌，也丧失了原来的压力温度条件，与实际有出入。最后，这种方法只能获得离散点位的资料，无法满足大范围连续海底资料的需求。
声波作为唯一能在水下远距离传播的能量形式，基于声波的海底沉积分类方法具有不改变沉积原貌，可以连续大范围测量的特点，成为海底沉积探测的重要手段。通常情况下，声学类的海底沉积分类方法都是对声学回波的图像进行，而图像包含的是海深、地形、粗糙度、海底分层等多种信息，从中分离出海底的类型信息是非常困难的。近年来，机器学习被引入了海底沉积分类的应用，相关的方法被证实可以有效提升分类的效果，但是由于机器学习需要依赖大量样本进行训练，要获取各类沉积物在各类不同海况下的大量声学性质样本基本是不可能的，这降低了相关方法的有效性。
现有技术中的方法主要包括以下三种：
(一)海底直接采样方法。通常采用重力柱采样，但是缺点非常明显：首先，采样过程费时费力，当海底很硬时不容易获取样本；其次，样本在海水中受到冲刷容易失去原貌，也丧失了原来的压力温度条件，与实际有出入；最后，这种方法只能获得离散点位的资料，无法满足大范围连续海底资料的需求。
(二)基于声学回波图像的图像处理方法。声学图像包含的是海深、地形、沉积粗糙度、海底分层等多种信息，从中分离出海底的类型信息是非常困难的，这类方法的结果极易受到其他因素的影响。
(三)采用机器学习对声学回波图像进行处理。因为机器学习是需要大量的样本，而每次海上作业的海洋环境千差万别，要想针对作业海况获得大量的各类沉积数据的样本是非常困难的，这直接降低了这类方法的有效性。
因此，本发明旨在设计一种利用声传播数据和无监督机器学习的海底沉积分类方法，以解决上述问题。
发明内容
本发明的目的是提供一种利用声传播数据和无监督机器学习的海底沉积分类方法，本发明通过声学方法可以实现大面积即时的海底沉积分类，采用声传播数据，通过引入声传播的物理机制，能够解决特定海洋环境下机器学习样本缺乏的问题，并通过机器学习的应用提升了海底沉积物类型判断的精确度。
本发明的上述技术目的是通过以下技术方案得以实现的：一种利用声传播数据和无监督机器学习的海底沉积分类方法，具体包括以下步骤：
步骤1：基于物理机制生成声场分布值，将作业海域的环境波导参数和典型沉积分类的声学参数输入计算模型，从而输出声场分布值，具体方法为：将所述的环境波导参数和典型沉积分类的声学参数输入简正波声场计算程序KRAKENC中，计算水听器接收到的声压分布，对应生成沉积物样本共900组的声场分布值；
步骤2：生成训练数据集，在步骤1生成的900组声场分布值的样本基础上，加入零均值高斯白噪声，随机生成1000组叠加，此时的样本为900个沉积物样本，1000组白噪声，共生成900000组声场分布样本值；
步骤3：非监督机器学习分类，利用自组织竞争型神经网络对步骤2中的声场分布样本值进行训练，生成神经网络拓扑结构，以获得不同沉积类型神经元；
步骤4：获取最匹配神经元，求解声场分布的实测值与输出层的神经元间的Euclidean距离，将距离最小的输出层神经元确定为最匹配神经元，而最匹配神经元对应的沉积类型值即为对应的分类结果。
进一步地，步骤1中所述的作业海域的环境波导参数为声传播所需要的除海底参数外的所有参数，且所述环境波导参数包括声速剖面、声源频率、源级、声源深度、传播距离和接收阵列的深度。
进一步地，步骤1中所述的典型沉积分类的声学参数采用经典的Hamilton分类标准，且所述的典型沉积分类的声学参数包括9种沉积物的密度、声速和吸收系数。
进一步地，步骤S3中所述的神经网络拓扑结构的输入层中将声压分布值、沉积厚度、沉积种类为一组向量Xn，共900000组向量，且所述神经网络拓扑结构的输出层设置为1000000个神经元。
进一步地，步骤S4中声场分布的实测值存在多组现场声场分布实测数据时，通过计算对应的分类结果的比例，即为当前沉积对应类型沉积类型的概率。
综上所述，本发明具有以下有益效果：
本发明的优点：
(1)本发明的方法中采用了声学方法，可以实现大面积即时的海底沉积分类，与现有技术中的采样方法相对比，本发明的方法便捷度高；
(2)本发明的方法中采用声传播数据进行分类，通过引入声传播的物理机制，便于解决特定海洋环境下机器学习样本缺乏的问题，通过机器学习的应用提升了海底沉积物类型判断的效率和精度；
(3)本发明的方法中，采用了无监督的机器学习的方法，运用自组织竞争型神经网络，便于发掘现场实测声传播数据与沉积类型间的内在联系，从而便于提升分类精度；
(4)此外，在本发明的方法中，对声场的测量硬性要求不高，仅需通过获取足够信息量即可，因此本发明的方法的实施较为灵活。
附图说明
图1是本发明实施例中的流程图；
图2是本发明实施例中的波导参数图；
图3是本发明实施例中自组织竞争性神经网络的结构示意图。
具体实施方式
以下结合附图1-3对本发明作进一步详细说明。
实施例：一种利用声传播数据和无监督机器学习的海底沉积分类方法，如图1所示，具体包括以下步骤：
步骤1：基于物理机制生成声场分布值，将作业海域的环境波导参数和典型沉积分类的声学参数输入计算模型，从而输出声场分布值，具体方法为：将所述的环境波导参数和典型沉积分类的声学参数输入简正波声场计算程序KRAKENC中，计算水听器接收到的声压分布，对应生成沉积物样本共900组的声场分布值；
步骤2：生成训练数据集，在步骤1生成的900组声场分布值的样本基础上，加入零均值高斯白噪声，随机生成1000组叠加，此时的样本为900个沉积物样本，1000组白噪声，共生成900000组声场分布样本值；
步骤3：非监督机器学习分类，利用自组织竞争型神经网络对步骤2中的声场分布样本值进行训练，生成神经网络拓扑结构，以获得不同沉积类型神经元；
步骤4：获取最匹配神经元，求解声场分布的实测值与输出层的神经元间的Euclidean距离，将距离最小的输出层神经元确定为最匹配神经元，而最匹配神经元对应的沉积类型值即为对应的分类结果。
其中，步骤1中所述的作业海域的环境波导参数为声传播所需要的除海底参数外的所有参数，且所述环境波导参数包括声速剖面、声源频率、源级、声源深度、传播距离和接收阵列的深度。
其中，步骤1中所述的典型沉积分类的声学参数采用经典的Hamilton分类标准，且所述的典型沉积分类的声学参数包括9种沉积物的密度、声速和吸收系数，如下表1所示。
表1九种典型沉积的声学参数
Figure BDA0003013273110000061
为了对沉积的深度进行估计，设置沉积厚度范围为1到100米，间隔为1米。在沉积物环境中，共9种沉积物，100种沉积厚度，共900个样本。
其中，在本实施例中，如图3所示，步骤S3中所述的神经网络拓扑结构的输入层中将声压分布值、沉积厚度、沉积种类为一组向量Xn，共900000组向量，且所述神经网络拓扑结构的输出层设置为1000000个神经元。
其中，步骤S4中声场分布的实测值存在多组现场声场分布实测数据时，通过计算对应的分类结果的比例，即为当前沉积对应类型沉积类型的概率。
在本发明的上述实施例中，由于当前海底沉积的分类标准各异，包含有Hamilton、谢帕德和福克碎屑沉积物分类方法等多种标准。因此，可以通过修改步骤S1中典型沉积类型参数，即可运用于不同标准的沉积分类。对于步骤S3，无监督机器学习方法有多种成熟的算法，可以将现有技术中的其他的无监督机器学习方法与本发明采用的自组织竞争型神经网络算法相互替换。
通过本发明的上述实施例，其理由声学方法，能够实现大面积即时的海底沉积分类；同时，本发明中采用声传播数据，通过引入声传播的物理机制，能够解决特定海洋环境下机器学习样本缺乏的问题，此外，通过机器学习的应用能够提升海底沉积物类型判断的精确度。
本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。

Claims (4)

1.一种利用声传播数据和无监督机器学习的海底沉积分类方法，其特征是：具体包括以下步骤：
步骤1：基于物理机制生成声场分布值，将作业海域的环境波导参数和典型沉积分类的声学参数输入计算模型，从而输出声场分布值，具体方法为：将所述的环境波导参数和典型沉积分类的声学参数输入简正波声场计算程序KRAKENC中，计算水听器接收到的声压分布，对应生成沉积物样本共900组的声场分布值；
步骤2：生成训练数据集，在步骤1生成的900组声场分布值的样本基础上，加入零均值高斯白噪声，随机生成1000组叠加，此时的样本为900个沉积物样本，1000组白噪声，共生成900000组声场分布样本值；
步骤3：非监督机器学习分类，利用自组织竞争型神经网络对步骤2中的声场分布样本值进行训练，生成神经网络拓扑结构，以获得不同沉积类型神经元；
步骤4：获取最匹配神经元，求解声场分布的实测值与输出层的神经元间的Euclidean距离，将距离最小的输出层神经元确定为最匹配神经元，而最匹配神经元对应的沉积类型值即为对应的分类结果；
步骤3中所述的神经网络拓扑结构的输入层中将声压分布值、沉积厚度、沉积种类为一组向量Xn，共900000组向量，且所述神经网络拓扑结构的输出层设置为1000000个神经元。
2.根据权利要求1所述的一种利用声传播数据和无监督机器学习的海底沉积分类方法，其特征是：步骤1中所述的作业海域的环境波导参数为声传播所需要的除海底参数外的所有参数，且所述环境波导参数包括声速剖面、声源频率、源级、声源深度、传播距离和接收阵列的深度。
3.根据权利要求1所述的一种利用声传播数据和无监督机器学习的海底沉积分类方法，其特征是：步骤1中所述的典型沉积分类的声学参数采用经典的Hamilton分类标准，且所述的典型沉积分类的声学参数包括9种沉积物的密度、声速和吸收系数。
4.根据权利要求1所述的一种利用声传播数据和无监督机器学习的海底沉积分类方法，其特征是：步骤4中声场分布的实测值存在多组现场声场分布实测数据时，通过计算对应的分类结果的比例，即为当前沉积对应类型沉积类型的概率。
CN202110381846.4A 2021-04-09 2021-04-09 利用声传播数据和无监督机器学习的海底沉积分类方法 Active CN113221651B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110381846.4A CN113221651B (zh) 2021-04-09 2021-04-09 利用声传播数据和无监督机器学习的海底沉积分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110381846.4A CN113221651B (zh) 2021-04-09 2021-04-09 利用声传播数据和无监督机器学习的海底沉积分类方法

Publications (2)

Publication Number Publication Date
CN113221651A CN113221651A (zh) 2021-08-06
CN113221651B true CN113221651B (zh) 2023-06-02

Family

ID=77086817

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110381846.4A Active CN113221651B (zh) 2021-04-09 2021-04-09 利用声传播数据和无监督机器学习的海底沉积分类方法

Country Status (1)

Country Link
CN (1) CN113221651B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117151198B (zh) * 2023-09-06 2024-04-09 广东海洋大学 基于自组织竞争型神经网络的水声被动定位方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7480411B1 (en) * 2008-03-03 2009-01-20 International Business Machines Corporation Adaptive OCR for books
CN104749568A (zh) * 2013-12-26 2015-07-01 中国科学院声学研究所 一种基于水听器阵列的浅海目标深度的分类方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8090538B2 (en) * 2008-05-01 2012-01-03 Chevron U.S.A. Inc System and method for interpretation of well data
CN102109495A (zh) * 2009-12-28 2011-06-29 唐秋华 基于多波束声纳技术的海底混合底质类型分类方法
JP2012122727A (ja) * 2010-12-06 2012-06-28 Furuno Electric Co Ltd 底質判別装置、超音波探知機、パラメータ設定方法及びパラメータ設定プログラム
CN103077408B (zh) * 2012-11-13 2015-02-25 国家海洋局第二海洋研究所 基于小波神经网络的海底声纳图像转换为声学底质类别方法
CN104808246A (zh) * 2015-05-26 2015-07-29 中国科学院声学研究所东海研究站 海底沉积物类型的识别方法
US10710119B2 (en) * 2016-07-18 2020-07-14 UHV Technologies, Inc. Material sorting using a vision system
CN106897687A (zh) * 2017-02-21 2017-06-27 中海石油环保服务（天津）有限公司 一种基于声纳技术的含油沉积物自动识别方法及系统
US10552663B2 (en) * 2017-05-02 2020-02-04 Techcyte, Inc. Machine learning classification and training for digital microscopy cytology images

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7480411B1 (en) * 2008-03-03 2009-01-20 International Business Machines Corporation Adaptive OCR for books
CN104749568A (zh) * 2013-12-26 2015-07-01 中国科学院声学研究所 一种基于水听器阵列的浅海目标深度的分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于模糊聚类神经网络的煤炭资源等级划分方法——以内蒙古煤炭资源预测区为例;严群 等;《中国煤炭地质》;第26卷(第5期);第30-33、57页 *

Also Published As

Publication number Publication date
CN113221651A (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
Dosso et al. Uncertainty estimation in simultaneous Bayesian tracking and environmental inversion
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
CN117198330B (zh) 一种声源识别方法、系统及电子设备
CN112883564A (zh) 一种基于随机森林的水体温度预测方法及预测系统
CN107016159A (zh) 本征值确定方法及装置
CN115841076A (zh) 基于bp神经网络模型的浅海分层海底地声参数反演方法
CN113221651B (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
Heaney et al. Validation of genetic algorithm-based optimal sampling for ocean data assimilation
CN116187168A (zh) 基于神经网络-重力信息小波分解提高水深反演精度方法
Yoon et al. Deep learning-based high-frequency source depth estimation using a single sensor
CN115951361A (zh) 基于大数据平台的海上风电桩的智能地形扫测方法
CN114841062A (zh) 一种基于反馈神经网络模型的浅海地声参数反演方法
CN115859116A (zh) 一种基于径向基函数回归插值法的海洋环境场重建方法
CN114065630A (zh) 基于遗传算法的不确定参数聚焦匹配场声源功率估计方法
Yang et al. Underwater acoustic research trends with machine learning: Ocean parameter inversion applications
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
CN116840786A (zh) 一种面向长基线水下定位系统的声线修正方法
CN112305502A (zh) 一种基于阵列不变量的水面水下声源二元判别方法
CN109188527B (zh) 滩浅海地区快速建立三维近海底速度模型的方法
CN116861955A (zh) 一种基于地形单元分区使用机器学习反演海底地形的方法
CN115047408B (zh) 一种基于单层大卷积核神经网络的水下多声源定位方法
TANG et al. Application of LVQ neural network combined with the genetic algorithm in acoustic seafloor classification
CN114974298A (zh) 一种基于深度学习的海洋声源定位及海洋参数反演方法
CN111965601A (zh) 一种基于核极限学习机的水下声源被动定位方法
CN117151198B (zh) 基于自组织竞争型神经网络的水声被动定位方法及装置

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