CN116202611A - 一种基于元学习的小样本声速剖面反演方法 - Google Patents

一种基于元学习的小样本声速剖面反演方法 Download PDF

Info

Publication number
CN116202611A
CN116202611A CN202310497625.2A CN202310497625A CN116202611A CN 116202611 A CN116202611 A CN 116202611A CN 202310497625 A CN202310497625 A CN 202310497625A CN 116202611 A CN116202611 A CN 116202611A
Authority
CN
China
Prior art keywords
velocity profile
sound velocity
task
learner
training
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
CN202310497625.2A
Other languages
English (en)
Other versions
CN116202611B (zh
Inventor
黄威
徐天河
李德识
张�浩
邢翔
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.)
Ocean University of China
Original Assignee
Ocean University of China
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 Ocean University of China filed Critical Ocean University of China
Priority to CN202310497625.2A priority Critical patent/CN116202611B/zh
Publication of CN116202611A publication Critical patent/CN116202611A/zh
Application granted granted Critical
Publication of CN116202611B publication Critical patent/CN116202611B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (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 Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明提供了一种基于元学习的小样本声速剖面反演方法，属于无线电导航技术与海洋观测相结合的技术领域。本发明通过基础元学习器学习不同分布类型的声速剖面数据的公共特征，辅助任务学习器建立声场到声速分布的映射关系，使任务学习器在任务所属声速分布类型集合中只需要少量参考声速剖面样本，较少次数训练即可完成模型收敛，减小模型过拟合，提高小样本情况下声速剖面反演精度。本发明提出的方法相比于传统声速剖面反演方法，降低了参考声速剖面样本需求，小样本情况下反演精度更高，适用性更广。

Description

一种基于元学习的小样本声速剖面反演方法
技术领域
本发明属于无线电导航技术与海洋观测相结合的技术领域，具体地说，尤其涉及一种基于元学习的小样本声速剖面反演方法。
背景技术
目前对声速剖面反演方法进行了一定研究，其中：一种基于匹配场处理的声速剖面反演方法，该方法结合射线追踪理论与正交经函数分解，通过声场匹配处理技术，使其模拟的理论信号传播时间与实测值误差最小，能够较为精确的拟合实际声速剖面，但该方法匹配项搜索采用启发式算法实现，时间效率低。一种基于神经网络的声速剖面反演方法，将正交经验函数分解系数、海表温度等特征作为神经网络的输入，对海区垂直声速剖面进行反演，与基于匹配场处理的声速剖面反演方法相比，在保持同等精度量级的情况下能够有效减小声速反演估计的计算时间开销。一种联合射线理论和神经网络的声速剖面反演方法，该方法提出一种自编码特征映射神经网络结构，减小声场测量误差对于声速反演精度的影响，提高模型的鲁棒性。
总体来说，现有的声速剖面反演方法均在声速反演时利用历史参考声速剖面数据，建立声场、温度场或盐度场到声速剖面分布的映射关系，并在给定现场实测声场、温度场、盐度场数据时对区域声速剖面分布情况进行估计，可以获得目标区域较为精确的声速剖面分布估计，但是由于多数海洋区域历史参考声速剖面样本稀少，声速剖面反演模型容易陷入过拟合，泛化能力不足，降低了声速剖面反演精度。
发明内容
本发明的目的在于提供一种基于元学习的小样本声速剖面反演方法，以弥补现有技术的不足。
为达到上述目的，本发明是通过以下具体技术方案实现的：
一种基于元学习的小样本声速剖面反演方法，包括以下步骤：
S1：收集历史声速剖面数据及其采样时空信息，并对历史声速剖面数据进行聚类处理；
S2：基于所述历史声速剖面数据和设置的声速剖面反演任务执行时空信息进行声速剖面反演任务所属类型集合映射，得到声速剖面反演任务所属类型集合
Figure SMS_1
；
S3：根据声速剖面反演任务所在地区最大海深
Figure SMS_2
,截取声速剖面反演任务所属类型集合的平均声速剖面在0-/>
Figure SMS_3
米内的部分；截取子类别集合的平均声速剖面在0-/>
Figure SMS_4
米内的部分；计算两者之间的相关系数/>
Figure SMS_5
：遍历子类别集合/>
Figure SMS_6
，筛选出/>
Figure SMS_7
时的子类别集合，得到基元学习器训练声速剖面类型数据集/>
Figure SMS_8
；
S4：利用所述基元学习器训练声速剖面类型数据集对基元学习器进行训练，进行参数更新，得到基元学习器模型参数；以所述基元学习器模型参数为初始参数对各基元学习器的联合代价函数做最优化来更新全局学习器模型参数；
S5：训练任务学习器模型，参数初始化为S4得到的全局学习器模型参数，所述声速剖面反演任务所属类型集合作为训练数据，经过训练后得到收敛的任务学习器模型参数
Figure SMS_9
；
S6：利用S5训练好的任务学习器模型进行声速剖面反演，最终得到声速剖面。
进一步的，所述S1中，历史声速剖面数据构成集合
Figure SMS_12
,其中/>
Figure SMS_16
为第i个声速剖面样本，表示为/>
Figure SMS_21
，其历史声速剖面样本采样时空信息为/>
Figure SMS_11
,/>
Figure SMS_14
为时间信息，单位“天”，编码由每年1月1日开始为“1”，每日递增1个单位，12月31日为“365”，闰年2月29日与28日编码相同，为“59”，/>
Figure SMS_18
为原始经度坐标，/>
Figure SMS_20
为原始纬度坐标，单位“度”；集合中样本经过聚类后形成分布规律不同的子类别集合/>
Figure SMS_10
子类别集合中的样本/>
Figure SMS_17
，集合/>
Figure SMS_19
中样本均来自于集合，集合/>
Figure SMS_22
中平均声速剖面为/>
Figure SMS_13
=/>
Figure SMS_15
。
进一步的，所述S2具体为：
S2-1：设置声速剖面反演任务执行时空信息
Figure SMS_23
为/>
Figure SMS_24
，其中
Figure SMS_25
表示时间信息，/>
Figure SMS_26
表示位置经度信息，/>
Figure SMS_27
表示位置纬度信息；
S2-2：根据式(1)计算声速剖面反演任务的时空信息与历史声速剖面样本采样时空信息之间的欧式距离：
Figure SMS_28
(1)；
其中，
Figure SMS_29
是时间距离，/>
Figure SMS_30
是空间距离，其中tsk表示任务，i为历史声速剖面样本标号，α表示距离时间维度，β表示距离空间维度，/>
Figure SMS_31
为权重参数平衡时空信息占比；
其中，时间距离计算依据：
Figure SMS_32
(2)；
空间距离计算依据：
Figure SMS_33
(3)；
其中，
Figure SMS_34
为编码后经纬度坐标，当坐标位于北半球时，
Figure SMS_35
,位于南半球时，/>
Figure SMS_36
,其中/>
Figure SMS_37
为编码前纬度坐标,单位为度(°),经度编码方式定义为：
Figure SMS_38
(4)；
其中，
Figure SMS_39
为编码前经度坐标，单位为度(°)；
S2-3：根据
Figure SMS_40
由小到大排列，选择前K个最小时空距离对应的样本构成邻居样本集合/>
Figure SMS_41
,邻居样本集合/>
Figure SMS_42
中多数样本所属的子类别集合作为声速剖面反演任务所属类型集合/>
Figure SMS_43
。
进一步的，所述S3具体为：声速剖面在表面层表现为正梯度或负梯度，表面层深度随纬度变化而变化，通常在400米以内，在主跃层表现为负梯度，在深海等温层层表现为正梯度；截取声速剖面反演任务所属类型集合
Figure SMS_58
的平均声速剖面/>
Figure SMS_47
在0-/>
Figure SMS_52
米内的部分
Figure SMS_54
=/>
Figure SMS_57
,深度标号/>
Figure SMS_59
，
Figure SMS_60
为标号深度层的平均声速值，/>
Figure SMS_51
为标号深度层的实际深度值；截取子类别集合
Figure SMS_55
的平均声速剖面/>
Figure SMS_44
在0-/>
Figure SMS_48
米内的部分/>
Figure SMS_46
=/>
Figure SMS_50
，
Figure SMS_53
；计算/>
Figure SMS_56
与/>
Figure SMS_45
之间的相关系数/>
Figure SMS_49
：
Figure SMS_61
(5)；
其中，
Figure SMS_62
为声速剖面反演任务所属类型集合的平均声速剖面在表面层截取部分/>
Figure SMS_66
的平均声速值，/>
Figure SMS_70
是子类别集合/>
Figure SMS_65
的平均声速剖面在表面层截取部分/>
Figure SMS_69
的平均声速值；遍历子类别集合/>
Figure SMS_72
，筛选出/>
Figure SMS_74
时的子类别集合，用于后续基元学习器训练，并形成基元学习器训练声速剖面类型数据集
Figure SMS_63
,/>
Figure SMS_68
，其中/>
Figure SMS_71
表示用于基元学习器训练的第/>
Figure SMS_73
个声速剖面类型集合，/>
Figure SMS_64
为类型序列标号，共/>
Figure SMS_67
个类型。
进一步的，所述S4具体为：
S4-1：参数初始化：
全局学习器参数初始化为
Figure SMS_75
,模型训练过程以迭代方式完成，迭代次数为m，m=1,2,…,M，此过程为元模型训练阶段；在元模型训练阶段第m轮迭代过程中，基元学习器数量为/>
Figure SMS_76
，基元学习器的参数由全局学习器参数传递获得，即/>
Figure SMS_77
；
S4-2：基元学习器训练：
从基元学习器训练声速剖面类型数据集
Figure SMS_87
中,随机选择/>
Figure SMS_81
个声速剖面类型集合分别分配给/>
Figure SMS_84
个基元学习器，每个基元学习器对应一个声速剖面类型集合；对于基元学习器,从其分配的声速剖面类型集合中选择/>
Figure SMS_88
个声速剖面样本作为训练数据，1个声速剖面样本作为测试数据，样本按照相同准则进行降采样；已知信号传播时间测量模型结构如图4所示，海底基站固定，海面航行器延水平直线方向航行并与海底基站处于同一垂直平面内（构成垂直剖面），每间隔/>
Figure SMS_93
米测量一组信号传播时间数据，共测量/>
Figure SMS_94
组数据；用于训练基元学习器的第/>
Figure SMS_96
个声速剖面经过降采样后表示为
Figure SMS_86
,其中/>
Figure SMS_90
为降采样后深度标号, />
Figure SMS_78
为深度标号对应的深度值, />
Figure SMS_82
为深度标号对应的声速值,根据射线理论，计算信号由海底基站传播到每一个海面航行器所在位置时的模拟信号传播时间
Figure SMS_89
,/>
Figure SMS_92
,/>
Figure SMS_91
表示对于基元学习器的第/>
Figure SMS_95
个声速剖面情况，信号由海底基站传播第/>
Figure SMS_79
个海面航行器所在位置时的模拟信号传播时间；依次将/>
Figure SMS_85
个声速剖面训练数据对应的/>
Figure SMS_80
组模拟信号传播时间数据/>
Figure SMS_83
输入到神经网络，根据式(6)(7)计算隐含层神经元和输出层神经元对应的声速估计值：
Figure SMS_97
(6)；
Figure SMS_98
(7)；
其中，
Figure SMS_101
为深度标号对应的估计声速值，权重系数/>
Figure SMS_102
和/>
Figure SMS_104
共同组成模型参数/>
Figure SMS_100
，/>
Figure SMS_103
为输入层偏置神经元，/>
Figure SMS_105
为隐含层第q个神经元，/>
Figure SMS_106
为隐含层偏置神经元，
Figure SMS_99
为激活函数：
Figure SMS_107
(8)；
ω为固定系数参数，取值在0至1之间。得到
Figure SMS_108
组声速估计序列/>
Figure SMS_109
，基元学习器的代价函数为：
Figure SMS_110
(9)；
其中
Figure SMS_111
为正则化项目。基元学习器的优化目标函数为：
Figure SMS_112
(10)；
优化式(10)并采用后向传播算法（back propagation，BP）进行参数更新得模型参数
Figure SMS_113
：
Figure SMS_114
(11)；
其中，η为基元学习器参数学习速率。
利用所挑选的1个测试数据
Figure SMS_115
对基元学习器进行测试，测试数据对应的声速估计值为/>
Figure SMS_116
，代价函数为：
Figure SMS_117
(12)；
S4-3：全局学习器训练：
全局学习器参数更新以关于初始参数
Figure SMS_118
对各基元学习器的联合代价函数/>
Figure SMS_119
做最优化来实现，全局优化目标函数表示为：
Figure SMS_120
(13)；
根据式(14)更新全局学习器模型参数，更新后全局学习器模型参数为
Figure SMS_121
：
Figure SMS_122
(14)；
经过M轮迭代，全局模型参数更新为
Figure SMS_123
。
进一步的，所述S5中，任务学习器为神经网络模型，任务学习器模型参数初始化为
Figure SMS_125
，声速剖面反演任务所属类型集合/>
Figure SMS_130
作为训练数据；对任务学习器进行/>
Figure SMS_133
轮训练，/>
Figure SMS_127
为任务学习器训练总轮次数目参数，每轮训练从/>
Figure SMS_129
中随机提取一组声速剖面样本/>
Figure SMS_132
，根据射线理论计算信号由海底基站传播到每一个海面航行器所在位置时的模拟信号传播时间/>
Figure SMS_135
,
Figure SMS_124
,对声速剖面样本/>
Figure SMS_128
重采样得到/>
Figure SMS_131
作为任务学习期输入，得到估计声速值序列/>
Figure SMS_134
；第/>
Figure SMS_126
轮训练的代价函数为：
Figure SMS_136
(15)；
任务学习期参数更新的优化目标函数为：
Figure SMS_137
(16)；
优化式(16)并采用BP算法更新任务学习期参数：
Figure SMS_138
(17)；
经过
Figure SMS_139
轮训练后得到收敛的任务学习模型参数/>
Figure SMS_140
。
进一步的，所述S6具体为：获得实测信号传播时间序列
Figure SMS_151
,
Figure SMS_144
,其中/>
Figure SMS_147
表示声速反演任务中由海底基站传播到第/>
Figure SMS_155
个海面航行器所在位置时的实测信号传播时间,/>
Figure SMS_158
为位置标号,共有/>
Figure SMS_157
个位置,将/>
Figure SMS_159
输入到已训练收敛的任务学习器模型/>
Figure SMS_152
，得到任务学习器的声速估计序列/>
Figure SMS_156
,
Figure SMS_141
，其中/>
Figure SMS_148
为深度标号，对应深度值序列为/>
Figure SMS_149
,/>
Figure SMS_153
为任务学习器在深度标号对应的声速估计值,对/>
Figure SMS_150
按照深度索引进行插值，得到声速剖面
Figure SMS_154
，其中深度标号/>
Figure SMS_142
，/>
Figure SMS_145
为按照深度索引插值后的深度标号对应的深度值，/>
Figure SMS_143
为按照深度索引插值后的深度标号对应的声速估计值，/>
Figure SMS_146
为最终反演声速剖面。
与现有技术相比，本发明的优点和有益效果是：
本发明通过基础元学习器学习不同分布类型的声速剖面数据的公共特征，辅助任务学习器建立声场到声速分布的映射关系，使任务学习器在任务所属声速分布类型集合中只需要少量参考声速剖面样本，较少次数训练即可完成模型收敛，减小模型过拟合，提高小样本情况下声速剖面反演精度。本发明提出的方法相比于传统声速剖面反演方法，降低了参考声速剖面样本需求，小样本情况下反演精度更高，适用性更广。
附图说明
图1为本发明的整体流程示意图。
图2为本发明实施例中所用神经网络模型结构图。
图3为元学习模型训练与反演流程示意图。
图4为信号传播时间测量模型。
图5为实施例2的反演结果对比图。
具体实施方式
下面结合实施例对本发明所述的技术方案作进一步地描述说明。
实施例1
已知全部历史声速剖面数据构成集合
Figure SMS_161
,其中/>
Figure SMS_164
为第i个声速剖面样本，表示为/>
Figure SMS_168
，其采样时间空间信息为/>
Figure SMS_163
,/>
Figure SMS_166
为时间信息，单位“天”，编码由每年1月1日开始为“1”，每日递增1个单位，12月31日为“365”，闰年2月29日与28日编码相同，为“59”，/>
Figure SMS_170
为原始经度坐标，/>
Figure SMS_172
为原始纬度坐标，单位“度”。集合中样本经过聚类后形成分布规律不同的子类别集合
Figure SMS_160
子类别集合中的样本
Figure SMS_165
，集合/>
Figure SMS_167
中样本均来自于集合，集合
Figure SMS_171
中平均声速剖面为/>
Figure SMS_162
=/>
Figure SMS_169
。
一种基于跨时空声速剖面聚类的声速分布快速估计方法如图1所示，具体步骤如下：
步骤1：声速剖面反演任务所属类型集合映射
声速剖面反演任务执行时空信息
Figure SMS_173
为/>
Figure SMS_174
, 其中/>
Figure SMS_175
表示时间信息，/>
Figure SMS_176
表示位置经度信息，/>
Figure SMS_177
表示位置纬度信息，根据式(1)计算声速剖面反演任务的时空信息与各历史声速剖面样本采样时空信息之间的欧式距离：
Figure SMS_178
(1)；
其中
Figure SMS_179
是时间距离，/>
Figure SMS_180
是空间距离，其中tsk表示任务，i为历史声速剖面样本标号，α表示距离时间维度，β表示距离空间维度，/>
Figure SMS_181
为权重参数平衡时空信息占比。时间距离计算依据：
Figure SMS_182
(2)；
空间距离计算依据：
Figure SMS_183
(3)；
其中
Figure SMS_184
为编码后经纬度坐标，当坐标位于北半球时，
Figure SMS_185
,位于南半球时，/>
Figure SMS_186
, 其中
Figure SMS_187
为编码前纬度坐标,单位为度(°),经度编码方式定义为：
Figure SMS_188
(4)；
其中
Figure SMS_189
为编码前经度坐标，单位为度(°)。
根据
Figure SMS_190
由小到大排列，选择前K个最小时空距离对应的样本构成邻居样本集合/>
Figure SMS_191
,邻居样本集合中多数样本所属的子类别集合作为声速剖面反演任务所属类型集合/>
Figure SMS_192
。
步骤2：声速分类集合筛选
声速剖面在表面层表现为正梯度或负梯度，表面层深度随纬度变化而变化，通常在400米以内，在主跃层表现为负梯度，在深海等温层层表现为正梯度，截取声速剖面反演任务所属类型集合
Figure SMS_194
的平均声速剖面/>
Figure SMS_199
在0-/>
Figure SMS_203
米内的部分/>
Figure SMS_193
=
Figure SMS_197
,深度标号/>
Figure SMS_201
，/>
Figure SMS_204
为标号深度层的平均声速值，/>
Figure SMS_196
为标号深度层的实际深度值；截取各子类别集合/>
Figure SMS_200
的平均声速剖面/>
Figure SMS_205
在0-/>
Figure SMS_206
米内的部分/>
Figure SMS_195
=/>
Figure SMS_198
，
Figure SMS_202
。
计算
Figure SMS_207
与/>
Figure SMS_208
之间的相关系数/>
Figure SMS_209
：
Figure SMS_210
(5)；
其中，
Figure SMS_213
为声速剖面反演任务所属类型集合的平均声速剖面在表面层截取部分/>
Figure SMS_218
的平均声速值，/>
Figure SMS_221
是子类别集合/>
Figure SMS_212
的平均声速剖面在表面层截取部分/>
Figure SMS_219
的平均声速值。遍历子类别集合/>
Figure SMS_222
，筛选出/>
Figure SMS_223
时的子类别集合，用于后续基元学习器训练，并形成基元学习器训练声速剖面类型数据集
Figure SMS_214
,/>
Figure SMS_216
，其中/>
Figure SMS_217
表示用于基元学习器训练的第/>
Figure SMS_220
个声速剖面类型集合，/>
Figure SMS_211
为类型序列标号，共/>
Figure SMS_215
个类型。
步骤3：基元学习器训练与全局学习器训练
（1）参数初始化
基元学习器训练与全局学习器为同结构神经网络模型如图2所示，全局学习器参数初始化为
Figure SMS_224
,模型训练过程以迭代方式完成，迭代次数为m，m=1,2,…,M，此过程为元模型训练阶段，如图3所示。在元模型训练阶段第m轮迭代过程中，基元学习器数量为/>
Figure SMS_225
，基元学习器n z 的参数由全局学习器参数传递获得，即/>
Figure SMS_226
。
（2）基元学习器训练
从基元学习器训练声速剖面类型数据集
Figure SMS_237
中,随机选择/>
Figure SMS_230
个声速剖面类型集合分别分配给/>
Figure SMS_233
个基元学习器，每个基元学习器对应一个声速剖面类型集合。对于基元学习器,从其分配的声速剖面类型集合中选择/>
Figure SMS_241
个声速剖面样本作为训练数据，1个声速剖面样本作为测试数据，样本按照相同准则进行降采样。已知信号传播时间测量模型结构如图4所示，海底基站固定，海面航行器延水平直线方向航行并与海底基站处于同一垂直平面内（构成垂直剖面），每间隔/>
Figure SMS_245
米测量一组信号传播时间数据，共测量/>
Figure SMS_243
组数据。用于训练基元学习器的第/>
Figure SMS_244
个声速剖面经过降采样后表示为
Figure SMS_235
,其中/>
Figure SMS_239
为降采样后深度标号, />
Figure SMS_227
为深度标号对应的深度值, />
Figure SMS_231
为深度标号对应的声速值,根据射线理论，计算信号由海底基站传播到每一个海面航行器所在位置时的模拟信号传播时间
Figure SMS_236
,/>
Figure SMS_240
,/>
Figure SMS_238
表示对于基元学习器的第/>
Figure SMS_242
个声速剖面情况，信号由海底基站传播第/>
Figure SMS_228
个海面航行器所在位置时的模拟信号传播时间。依次将/>
Figure SMS_232
个声速剖面训练数据对应的/>
Figure SMS_229
组模拟信号传播时间数据/>
Figure SMS_234
输入到神经网络，根据式(6)(7)计算隐含层神经元和输出层神经元对应的声速估计值：
Figure SMS_246
(6)；/>
Figure SMS_247
(7)；
其中，
Figure SMS_248
为深度标号对应的估计声速值，权重系数/>
Figure SMS_249
和/>
Figure SMS_250
共同组成模型参数/>
Figure SMS_251
，/>
Figure SMS_252
为激活函数：
Figure SMS_253
(8)；
其中，ω为固定系数参数，取值在0至1之间。得到
Figure SMS_254
组声速估计序列/>
Figure SMS_255
，基元学习器的代价函数为：
Figure SMS_256
(9)；
其中，
Figure SMS_257
为正则化项目。基元学习器的优化目标函数为：
Figure SMS_258
(10)；
优化式(10)并采用后向传播算法（back propagation，BP）进行参数更新得模型参数
Figure SMS_259
:
Figure SMS_260
(11)；
其中，η为基元学习器参数学习速率。
利用所挑选的1个测试数据
Figure SMS_261
对基元学习器进行测试，测试数据对应的声速估计值为/>
Figure SMS_262
，代价函数为：
Figure SMS_263
(12)；
（3）全局学习器训练
本轮全局学习器参数更新以关于初始参数
Figure SMS_264
对各基元学习器的联合代价函数/>
Figure SMS_265
做最优化来实现，全局优化目标函数表示为：
Figure SMS_266
(13)；
根据式(14)更新全局学习器模型参数，更新后全局学习器模型参数为
Figure SMS_267
:
Figure SMS_268
(14)；
经过M轮迭代，全局模型参数更新为
Figure SMS_269
。
步骤4：任务学习器训练
任务学习器为神经网络模型，结构如图2所示，任务学习器模型参数初始化为
Figure SMS_271
，声速剖面反演任务所属类型集合/>
Figure SMS_275
作为训练数据。对任务学习器进行/>
Figure SMS_278
轮训练，/>
Figure SMS_270
为任务学习器训练总轮次数目参数，每轮训练从/>
Figure SMS_274
中随机提取一组声速剖面样本/>
Figure SMS_277
，根据射线理论计算信号由海底基站传播到每一个海面航行器所在位置时的模拟信号传播时间/>
Figure SMS_280
,/>
Figure SMS_273
,对声速剖面样本/>
Figure SMS_276
重采样得到/>
Figure SMS_279
作为任务学习期输入，得到估计声速值序列/>
Figure SMS_281
。第/>
Figure SMS_272
轮训练的代价函数为：/>
Figure SMS_282
(15)；
任务学习期参数更新的优化目标函数为：
Figure SMS_283
(16)；
优化式(16)并采用BP算法更新任务学习期参数：
Figure SMS_284
(17)；
经过
Figure SMS_285
轮训练后得到收敛的任务学习模型参数/>
Figure SMS_286
。
步骤5：任务学习器声速剖面反演
采用图4所示测量模型获得实测信号传播时间序列
Figure SMS_297
,
Figure SMS_288
,其中/>
Figure SMS_293
表示声速反演任务中由海底基站传播到第/>
Figure SMS_301
个海面航行器所在位置时的实测信号传播时间,/>
Figure SMS_305
为位置标号,共有/>
Figure SMS_303
个位置,将/>
Figure SMS_306
输入到已训练收敛的任务学习器模型/>
Figure SMS_295
，得到任务学习器的声速估计序列/>
Figure SMS_299
,
Figure SMS_290
,其中/>
Figure SMS_291
为深度标号，对应深度值序列为/>
Figure SMS_287
,/>
Figure SMS_294
,
Figure SMS_298
为任务学习器在深度标号对应的声速估计值,对/>
Figure SMS_302
按照深度索引进行插值，得到声速剖面/>
Figure SMS_292
，其中深度标号/>
Figure SMS_296
，/>
Figure SMS_300
为按照深度索引插值后的深度标号对应的深度值，/>
Figure SMS_304
为按照深度索引插值后的深度标号对应的声速估计值，/>
Figure SMS_289
为最终反演声速剖面。
实施例2：
本实施例以实施例1提供的反演方法为基础，将400组深度为400米的历史声速剖面数据进行聚类处理，得到22个不同声速分布类型集合；采用3组基元学习器进行40轮训练，获得全局学习器参数；随机选择一个声速剖面样本为声速剖面反演任务测试数据，声速剖面反演任务所属的声速剖面类型中共有20个历史声速剖面样本，将全局学习器参数传递给任务学习器，并利用20个历史声速剖面样本进行20轮训练，每轮训练利用随机抽取的3个历史样本进行任务学习器参数更新；任务学习器经过20轮训练后，根据图4方式获得的实测信号传播时间序列信号作为输入数据，对声速剖面进行反演，得到的反演结果，如图5所示。经过100次试验测试，元学习反演声速剖面与测试声速剖面的平均均方根误差为1.036(m/s)，匹配场处理反演声速剖面与测试声速剖面的平均均方根误差为1.211(m/s)。
本发明利用多个基础元学习器分别对具有不同分布类型的声速剖面参考样本进行学习，提取声速剖面分布的公共特征作为声速剖面反演任务学习器的初始化参数，使任务学习器在任务所属声速分布类型集合中只需要少量参考声速剖面样本，较少次数训练即可完成模型收敛，减小模型过拟合，增强其泛化能力，提高小样本情况下声速剖面反演精度。
本发明解决了水下声速剖面参考样本稀少导致传统声速剖面反演方法容易过拟合而降低声速剖面反演精度的问题，减小由于声速分布导致的水声测距误差，提高水下定位、导航系统精度，属于海洋参数估计的范畴。随着水下声速场构建技术的发展，它可以广泛应用到水下通信、定位、导航、探测等以声波作为信号载体的应用系统中。
在上述实施例的基础上，本发明继续对其中涉及到的技术特征及该技术特征在本发明中所起到的功能、作用进行详细的描述，以帮助本领域的技术人员充分理解本发明的技术方案并且予以重现。
最后，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (6)

1.一种基于元学习的小样本声速剖面反演方法，其特征在于，包括以下步骤：
S1：收集历史声速剖面数据及其采样时空信息，并对历史声速剖面数据进行聚类处理；
S2：基于所述历史声速剖面数据和设置的声速剖面反演任务执行时空信息进行声速剖面反演任务所属类型集合映射，得到声速剖面反演任务所属类型集合
Figure QLYQS_1
；
S3：根据声速剖面反演任务所在地区最大海深
Figure QLYQS_2
,截取声速剖面反演任务所属类型集合的平均声速剖面在0-/>
Figure QLYQS_3
米内的部分；截取子类别集合的平均声速剖面在0-/>
Figure QLYQS_4
米内的部分；计算两者之间的相关系数/>
Figure QLYQS_5
：遍历子类别集合/>
Figure QLYQS_6
，筛选出/>
Figure QLYQS_7
时的子类别集合，得到基元学习器训练声速剖面类型数据集/>
Figure QLYQS_8
；
S4：利用所述基元学习器训练声速剖面类型数据集对基元学习器进行训练，进行参数更新，得到基元学习器模型参数；以所述基元学习器模型参数为初始参数对各基元学习器的联合代价函数做最优化来更新全局学习器模型参数；
S5：训练任务学习器模型，参数初始化为S4得到的全局学习器模型参数，所述声速剖面反演任务所属类型集合作为训练数据，经过训练后得到收敛的任务学习器模型参数
Figure QLYQS_9
；
S6：利用S5训练好的任务学习器模型进行声速剖面反演，最终得到声速剖面。
2.如权利要求1所述的小样本声速剖面反演方法，其特征在于，所述S1中，历史声速剖面数据构成集合
Figure QLYQS_10
,其中/>
Figure QLYQS_15
为第i个声速剖面样本，表示为
Figure QLYQS_16
，其历史声速剖面样本采样时空信息为/>
Figure QLYQS_13
, />
Figure QLYQS_18
为时间信息，单位“天”，编码由每年1月1日开始为“1”，每日递增1个单位，12月31日为“365”，闰年2月29日与28日编码相同，为“59”，/>
Figure QLYQS_20
为原始经度坐标，/>
Figure QLYQS_22
为原始纬度坐标，单位“度”；集合中样本经过聚类后形成分布规律不同的子类别集合
Figure QLYQS_11
子类别集合中的样本
Figure QLYQS_17
，集合/>
Figure QLYQS_19
中样本均来自于集合，集合
Figure QLYQS_21
中平均声速剖面为/>
Figure QLYQS_12
=/>
Figure QLYQS_14
。
3.如权利要求1所述的小样本声速剖面反演方法，其特征在于，所述S2具体为：
S2-1：设置声速剖面反演任务执行时空信息
Figure QLYQS_23
为/>
Figure QLYQS_24
，其中/>
Figure QLYQS_25
表示时间信息，/>
Figure QLYQS_26
表示位置经度信息，/>
Figure QLYQS_27
表示位置纬度信息；
S2-2：根据式(1)计算声速剖面反演任务的时空信息与历史声速剖面样本采样时空信息之间的欧式距离：
Figure QLYQS_28
(1)；
其中
Figure QLYQS_29
是时间距离，/>
Figure QLYQS_30
是空间距离，其中tsk表示任务，i为历史声速剖面样本标号，α表示距离时间维度，β表示距离空间维度，/>
Figure QLYQS_31
为权重参数平衡时空信息占比；
其中，时间距离计算依据：
Figure QLYQS_32
(2)；
空间距离计算依据：
Figure QLYQS_33
(3)；
其中
Figure QLYQS_34
为编码后经纬度坐标，当坐标位于北半球时，/>
Figure QLYQS_35
,位于南半球时，/>
Figure QLYQS_36
,其中/>
Figure QLYQS_37
为编码前纬度坐标,单位为度,经度编码方式定义为：
Figure QLYQS_38
(4)；
其中
Figure QLYQS_39
为编码前经度坐标，单位为度；
S2-3：根据
Figure QLYQS_40
由小到大排列，选择前K个最小时空距离对应的样本构成邻居样本集合/>
Figure QLYQS_41
,邻居样本集合/>
Figure QLYQS_42
中多数样本所属的子类别集合作为声速剖面反演任务所属类型集合/>
Figure QLYQS_43
。
4.如权利要求1所述的小样本声速剖面反演方法，其特征在于，所述S3具体为：声速剖面在表面层表现为正梯度或负梯度，表面层深度随纬度变化而变化，通常在400米以内，在主跃层表现为负梯度，在深海等温层表现为正梯度；截取声速剖面反演任务所属类型集合
Figure QLYQS_53
的平均声速剖面/>
Figure QLYQS_46
在0-/>
Figure QLYQS_50
米内的部分/>
Figure QLYQS_57
=/>
Figure QLYQS_59
,深度标号/>
Figure QLYQS_58
，/>
Figure QLYQS_60
为标号深度层的平均声速值，/>
Figure QLYQS_52
为标号深度层的实际深度值；截取子类别集合/>
Figure QLYQS_55
的平均声速剖面/>
Figure QLYQS_47
在0-/>
Figure QLYQS_48
米内的部分/>
Figure QLYQS_44
=
Figure QLYQS_49
，/>
Figure QLYQS_54
；计算/>
Figure QLYQS_56
与/>
Figure QLYQS_45
之间的相关系数
Figure QLYQS_51
：
Figure QLYQS_61
(5)；
其中
Figure QLYQS_63
为声速剖面反演任务所属类型集合的平均声速剖面在表面层截取部分/>
Figure QLYQS_67
的平均声速值，/>
Figure QLYQS_71
是子类别集合/>
Figure QLYQS_65
的平均声速剖面在表面层截取部分/>
Figure QLYQS_69
的平均声速值；遍历子类别集合/>
Figure QLYQS_72
，筛选出/>
Figure QLYQS_74
时的子类别集合，用于后续基元学习器训练，并形成基元学习器训练声速剖面类型数据集
Figure QLYQS_62
,/>
Figure QLYQS_66
，其中/>
Figure QLYQS_70
表示用于基元学习器训练的第/>
Figure QLYQS_73
个声速剖面类型集合，/>
Figure QLYQS_64
为类型序列标号，共/>
Figure QLYQS_68
个类型。
5.如权利要求1所述的小样本声速剖面反演方法，其特征在于，所述S5中，任务学习器为神经网络模型，任务学习器模型参数初始化为
Figure QLYQS_75
，声速剖面反演任务所属类型集合/>
Figure QLYQS_79
作为训练数据；对任务学习器进行/>
Figure QLYQS_83
轮训练，/>
Figure QLYQS_78
为任务学习器训练总轮次数目参数，每轮训练从/>
Figure QLYQS_81
中随机提取一组声速剖面样本/>
Figure QLYQS_84
，根据射线理论计算信号由海底基站传播到每一个海面航行器所在位置时的模拟信号传播时间/>
Figure QLYQS_86
,/>
Figure QLYQS_76
,对声速剖面样本/>
Figure QLYQS_80
重采样得到/>
Figure QLYQS_82
作为任务学习期输入，得到估计声速值序列/>
Figure QLYQS_85
；第/>
Figure QLYQS_77
轮训练的代价函数为：/>
Figure QLYQS_87
(15)；
任务学习期参数更新的优化目标函数为：
Figure QLYQS_88
(16)；
优化式(16)并采用BP算法更新任务学习期参数：
Figure QLYQS_89
(17)；
经过
Figure QLYQS_90
轮训练后得到收敛的任务学习模型参数/>
Figure QLYQS_91
。
6.如权利要求5所述的小样本声速剖面反演方法，其特征在于，所述S6具体为：获得实测信号传播时间序列
Figure QLYQS_104
,/>
Figure QLYQS_95
,其中/>
Figure QLYQS_98
表示声速反演任务中由海底基站传播到第/>
Figure QLYQS_101
个海面航行器所在位置时的实测信号传播时间,
Figure QLYQS_105
为位置标号,共有/>
Figure QLYQS_102
个位置,将/>
Figure QLYQS_107
输入到已训练收敛的任务学习器模型/>
Figure QLYQS_100
，得到任务学习器的声速估计序列/>
Figure QLYQS_103
,/>
Figure QLYQS_92
，其中/>
Figure QLYQS_96
为深度标号，对应深度值序列为/>
Figure QLYQS_106
,/>
Figure QLYQS_109
为任务学习器在深度标号对应的声速估计值,对/>
Figure QLYQS_108
按照深度索引进行插值，得到声速剖面/>
Figure QLYQS_110
，其中深度标号/>
Figure QLYQS_93
，/>
Figure QLYQS_97
为按照深度索引插值后的深度标号对应的深度值，/>
Figure QLYQS_94
为按照深度索引插值后的深度标号对应的声速估计值，/>
Figure QLYQS_99
为最终反演声速剖面。/>
CN202310497625.2A 2023-05-06 2023-05-06 一种基于元学习的小样本声速剖面反演方法 Active CN116202611B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310497625.2A CN116202611B (zh) 2023-05-06 2023-05-06 一种基于元学习的小样本声速剖面反演方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310497625.2A CN116202611B (zh) 2023-05-06 2023-05-06 一种基于元学习的小样本声速剖面反演方法

Publications (2)

Publication Number Publication Date
CN116202611A true CN116202611A (zh) 2023-06-02
CN116202611B CN116202611B (zh) 2023-07-14

Family

ID=86517704

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310497625.2A Active CN116202611B (zh) 2023-05-06 2023-05-06 一种基于元学习的小样本声速剖面反演方法

Country Status (1)

Country Link
CN (1) CN116202611B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117892096A (zh) * 2024-03-14 2024-04-16 中国海洋大学 一种基于迁移学习的小样本海洋声速剖面预报方法

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102353515A (zh) * 2011-06-22 2012-02-15 中国海洋大学 一种浅海非线性内波声学监测方法及系统
CN104820765A (zh) * 2015-05-26 2015-08-05 中国科学院声学研究所东海研究站 一种海底声学特性的单参数模型的建立方法
CN105911551A (zh) * 2016-05-09 2016-08-31 浙江大学 一种基于加权集合卡尔曼滤波算法的声速剖面反演方法
WO2020228547A1 (zh) * 2019-05-16 2020-11-19 浙江大学 基于倒置式多波束回声仪的声速剖面反演方法
CN111983619A (zh) * 2020-08-07 2020-11-24 西北工业大学 一种基于迁移学习的水声目标前向散射声扰动定位方法
CN112463898A (zh) * 2020-10-21 2021-03-09 中山大学 一种结合速度与噪声监测数据的噪声地图更新方法
US10956129B1 (en) * 2019-12-06 2021-03-23 Natural Computation LLC Using genetic programming to create generic building blocks
CN113191087A (zh) * 2021-02-02 2021-07-30 中国人民解放军海军大连舰艇学院 联合历史剖面声速与实测表层声速的航渡式测深数据剖面声速改正方法
CN113218493A (zh) * 2021-04-08 2021-08-06 中国人民解放军国防科技大学 一种基于经验正交函数法的声速剖面反演方法
CN113486574A (zh) * 2021-06-21 2021-10-08 广东海洋大学 基于历史数据以及机器学习的声速剖面补全方法及装置
CN113591733A (zh) * 2021-08-04 2021-11-02 中国人民解放军国防科技大学 基于集成神经网络模型的水声通信调制模式分类识别方法
CN114492581A (zh) * 2021-12-27 2022-05-13 中国矿业大学 基于迁移学习和注意力机制元学习应用在小样本图片分类的方法
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
CN115307714A (zh) * 2022-10-12 2022-11-08 中国海洋大学 基于跨时空声速剖面聚类的声速分布快速估计方法
US20230097859A1 (en) * 2021-09-30 2023-03-30 Saudi Arabian Oil Company Method and system for determining coarsened grid models using machine-learning models and fracture models

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102353515A (zh) * 2011-06-22 2012-02-15 中国海洋大学 一种浅海非线性内波声学监测方法及系统
CN104820765A (zh) * 2015-05-26 2015-08-05 中国科学院声学研究所东海研究站 一种海底声学特性的单参数模型的建立方法
CN105911551A (zh) * 2016-05-09 2016-08-31 浙江大学 一种基于加权集合卡尔曼滤波算法的声速剖面反演方法
WO2020228547A1 (zh) * 2019-05-16 2020-11-19 浙江大学 基于倒置式多波束回声仪的声速剖面反演方法
US10956129B1 (en) * 2019-12-06 2021-03-23 Natural Computation LLC Using genetic programming to create generic building blocks
CN111983619A (zh) * 2020-08-07 2020-11-24 西北工业大学 一种基于迁移学习的水声目标前向散射声扰动定位方法
CN112463898A (zh) * 2020-10-21 2021-03-09 中山大学 一种结合速度与噪声监测数据的噪声地图更新方法
CN113191087A (zh) * 2021-02-02 2021-07-30 中国人民解放军海军大连舰艇学院 联合历史剖面声速与实测表层声速的航渡式测深数据剖面声速改正方法
CN113218493A (zh) * 2021-04-08 2021-08-06 中国人民解放军国防科技大学 一种基于经验正交函数法的声速剖面反演方法
CN113486574A (zh) * 2021-06-21 2021-10-08 广东海洋大学 基于历史数据以及机器学习的声速剖面补全方法及装置
CN113591733A (zh) * 2021-08-04 2021-11-02 中国人民解放军国防科技大学 基于集成神经网络模型的水声通信调制模式分类识别方法
US20230097859A1 (en) * 2021-09-30 2023-03-30 Saudi Arabian Oil Company Method and system for determining coarsened grid models using machine-learning models and fracture models
CN114492581A (zh) * 2021-12-27 2022-05-13 中国矿业大学 基于迁移学习和注意力机制元学习应用在小样本图片分类的方法
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
CN115307714A (zh) * 2022-10-12 2022-11-08 中国海洋大学 基于跨时空声速剖面聚类的声速分布快速估计方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
HUANG, WEI: "Collaborating Ray Tracing and AI Model for AUV-Assisted 3-D Underwater Sound-Speed Inversion", IEEE JOURNAL OF OCEANIC ENGINEERING *
MURTY, A. S. N.: "Velocity Structure of the West-Bengal Sedimentary Basin, India along the Palashi-Kandi Profile Using a Travel-time Inversion of Wide-angle Seismic data and Gravity Modeling - An Update", PURE AND APPLIED GEOPHYSICS *
徐天河: "基于GNSS-A的海洋声速变化估计及其对定位的影响", 地球物理学报 *
胡军;肖业伟;张东波;冷龙龙;: "声速剖面反演预测方法", 海洋科学进展, no. 02 *
谢龙: "基于字典学习的声速剖面重构和反演", 海洋技术学报 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117892096A (zh) * 2024-03-14 2024-04-16 中国海洋大学 一种基于迁移学习的小样本海洋声速剖面预报方法
CN117892096B (zh) * 2024-03-14 2024-05-14 中国海洋大学 一种基于迁移学习的小样本海洋声速剖面预报方法

Also Published As

Publication number Publication date
CN116202611B (zh) 2023-07-14

Similar Documents

Publication Publication Date Title
US11488069B2 (en) Method for predicting air quality with aid of machine learning models
CN114280696A (zh) 一种海雾等级智能预报方法及系统
CN116202611B (zh) 一种基于元学习的小样本声速剖面反演方法
CN115307714B (zh) 基于跨时空声速剖面聚类的声速分布快速估计方法
CN102682335B (zh) 精确确定区域对流层延迟的神经网络方法
CN112215393B (zh) 基于自适应时空尺度选择的降水数值预报后处理订正方法
CN113139329B (zh) 一种基于水文相似性和人工神经网络的新安江模型参数率定方法
Dang et al. A convolutional neural network for coastal classification based on ALOS and NOAA satellite data
CN109858523A (zh) 一种神经网络和射线理论的浅海声速剖面反演方法
CN111259522A (zh) 一种水文模型在地理空间上多流域并行率定的方法
CN112733447A (zh) 一种基于域自适应网络的水下声源定位方法及系统
CN112180369B (zh) 基于深度学习的一维综合孔径辐射计海面风速反演方法
CN112884014A (zh) 一种基于路段拓扑结构分类的交通速度短时预测方法
CN114861840A (zh) 一种多源降水数据融合方法
CN115758074A (zh) 基于多源数据的高空间分辨率海水二氧化碳分压重构方法
CN115049013A (zh) 一种联合线性和svm的短时降雨预警模型融合方法
CN117076893B (zh) 一种基于长短期记忆神经网络的声速分布预报方法
de Paula et al. The impact of ocean data assimilation on the simulation of mesoscale eddies at São Paulo plateau (Brazil) using the regional ocean modeling system
Liu et al. Sea level anomaly intelligent inversion model based on LSTM-RBF network
CN115345245A (zh) 一种基于随机森林和迁移学习的热带气旋快速加强预报方法
Mai et al. A new short-term prediction method for estimation of the evaporation duct height
Ma et al. A Method for Establishing Tropospheric Atmospheric Refractivity Profile Model Based on Multiquadric RBF and k-means Clustering
Wang et al. Xihe: A data-driven model for global ocean eddy-resolving forecasting
CN117892096B (zh) 一种基于迁移学习的小样本海洋声速剖面预报方法
Majdzadeh Moghadam Neural network-based approach for identification of meteorological factors affecting regional sea-level anomalies

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