CN116561562A - 一种基于波导奇异点的声源深度最优化获取方法 - Google Patents

Abstract

本发明涉及数据处理技术领域，具体涉及一种基于波导奇异点的声源深度最优化获取方法。获取波导环境对应的主成分特征向量、代价分布向量和环境特征向量，分析不同波导环境之间的最大差异程度和最小差异程度，根据差异情况获得波导环境的匹配组，通过匹配组对孪生网络预训练，提高孪生网络对波导环境的特征识别效果。根据波导环境之间的差异筛选正常波导环境，根据正常波导环境的主成分特征向量进行孪生网络的二次训练预测声源深度值；通过分类器对待分析波导环境分类，并通过孪生网络获得待分析波导环境的声源深度预测值。本发明对波导环境的特征进行分析并改进神经网络进行特征学习，提高声源深度获取的效率与准确性。

Description

一种基于波导奇异点的声源深度最优化获取方法

技术领域

本发明涉及数据处理技术领域，具体涉及一种基于波导奇异点的声源深度最优化获取方法。

背景技术

对于海洋资源的调查以及水下声源探测等一系列海洋活动都需要获取目标的深度信息，故水下声源深度探测是获取深度数据的重要一步。因水声环境复杂，水下声音的传播会受温度、波导深度和盐度等各种因素的影响，不同水域又各有差异，所以声源深度探测需要众多的优化步骤。

理想浅海波导中声场奇异点与声源深度的关系的公开文件中，公开了一种利用声场奇异点与声源深度之间的关系构建反演代价函数，根据反演代价函数通过模拟退火算法迭代获得最优声源深度的方法；但该公开文件中通过模拟退火算法的迭代计算周期过长且能耗过高，并且在海上环境的部分情况中需要及时获取声源深度，该公开文件中的优化步骤影响了声源深度探测的效率，不利于声源深度的快速获取。

发明内容

为了解决上述通过模拟退火算法迭代获取最优声源深度的过程中，影响了声源深度获取效率的技术问题，本发明的目的在于提供一种基于波导奇异点的声源深度最优化获取方法，所采用的技术方案具体如下：

建立浅海的不同波导环境的数据集，根据波导环境的声场势函数通过奇异值分解获得最大作用干涉模态组和主成分特征向量，获得最大作用干涉模态组对应的奇异点位置，根据奇异点位置获得代价函数；根据代价函数通过模拟退火算法获得最优声源深度、代价分布向量和最小代价值；

将代价分布向量和对应的主成分特征向量融合构建波导特征描述子；根据最优声源深度、最小代价值和奇异点位置构建环境特征向量；根据环境特征向量、主成分特征向量和代价分布向量，获得对应波导特征描述子之间的最大差异程度和最小差异程度；根据最大差异程度和最小差异程度将不同的波导特征描述子进行匹配获得匹配组，根据匹配组对不同波导环境的波导特征描述子添加标签；将添加标签的波导特征描述子通过孪生网络进行训练，获得训练完成的孪生网络；

根据不同波导环境的主成分特征向量的差异特征获得离群度，根据离群度筛选正常波导环境；将正常波导环境对应的主成分特征向量投入训练完成的孪生网络并改进结构进行二次训练，获得二次训练完成的孪生网络；根据主成分特征向量训练分类器，将待分析波导环境的主成分特征向量投入训练完成的分类器获得识别结果；根据识别结果和二次训练完成的孪生网络获得待分析波导环境的声源深度预测值。

进一步地，所述获得对应波导特征描述子之间的最大差异程度和最小差异程度的步骤包括：

对于波导环境的数据集中任意两个波导环境，计算所述环境特征向量之间的欧氏距离，获得环境特征差异值；计算所述主成分特征向量之间的相似度，获得主成分相似度；计算所述代价分布向量之间的相似度，获得代价分布相似度；

计算所述主成分相似度与所述代价分布相似度的乘积，获得相似度表征值，计算所述环境特征差异值和预设常数的和值，计算所述相似度表征值与所述环境特征差异值和预设常数的和值的比值，获得对应波导特征描述子之间的最大差异程度；计算所述相似度表征值与预设常数的和值，计算所述环境特征差异值与所述相似度表征值与预设常数的和值的比值，获得对应波导特征描述子之间的最小差异程度。

进一步地，所述根据最大差异程度和最小差异程度将不同的波导特征描述子进行匹配获得匹配组的步骤包括：

所述匹配组包括最大差异匹配组和最小差异匹配组；对于波导环境的数据集，根据所述最大差异程度通过K-M匹配算法进行波导环境对应的波导特征描述子的匹配，获得最大差异匹配组；根据所述最小差异程度通过K-M匹配算法进行波导环境对应的波导特征描述子的匹配，获得最小差异匹配组。

进一步地，所述根据匹配组对不同波导环境的波导特征描述子添加标签的步骤包括：

将所述最大差异匹配组的两个波导特征描述子添加对应的不同环境的标签；将所述最小差异匹配组的两个波导特征描述子添加对应的相似环境的标签。

进一步地，所述根据离群度筛选正常波导环境的步骤包括：

计算波导环境的数据集对应的任意两个主成分特征向量之间的余弦相似度，作为主成分特征向量之间的距离度量函数；

对于波导环境的数据集中任意一个波导环境对应的主成分特征向量，根据所述距离度量函数获得所述主成分特征向量的预设邻域范围内的其他主成分特征向量，计算所述主成分特征向量与预设邻域范围内的其他主成分特征向量的局部可达密度；根据所述局部可达密度通过局部离群因子算法计算所述主成分特征向量的局部离群因子值，获得所述主成分特征向量的离群度；

根据所述离群度从大到小将所述主成分特征向量对应的波导环境进行排列获得序列，从所述序列第一位开始剔除预设异常数量个波导环境，所述序列剩余的波导环境作为正常波导环境。

进一步地，所述获得二次训练完成的孪生网络的步骤包括：

将训练完成的孪生网络中结构的输出层改进为聚合节点，输出层输出声源深度预测值，获得改进孪生网络；将正常波导环境对应的主成分特征向量投入到改进孪生网络进行二次训练；改进孪生网络中的损失函数为声源深度预测值与对应的正常波导环境的最优声源深度的差值，训练完成后，获得二次训练完成的孪生网络。

进一步地，所述将待分析波导环境的主成分特征向量投入训练完成的分类器获得识别结果的步骤包括：

将所述序列中的正常波导环境对应的所述主成分特征向量作为可预测样本投入到Adaboost分类器中进行训练，将所述序列中剔除的波导环境对应的所述主成分特征向量作为不可预测样本投入到Adaboost分类器中进行训练；获得训练完成的Adaboost分类器；

将待分析波导环境的主成分特征向量投入到训练好的Adaboost分类器，当输出结果为可预测样本，识别所述待分析波导环境能够预测；当输出结果为不可预测样本，识别所述待分析波导环境不可预测。

进一步地，所述根据识别结果和二次训练完成的孪生网络获得待分析波导环境的声源深度预测值的步骤包括：

当待分析波导环境识别为不可预测时，待分析波导环境不进行预测；

当待分析波导环境识别为能够预测时，将待分析波导环境的主成分特征向量投入到二次训练完成的孪生网络中，获得待分析波导环境的声源深度预测值。

进一步地，所述代价分布向量的获取步骤包括：

在模拟退火算法的迭代过程中，统计迭代结束前每迭代次的代价函数值，根据代价函数值的大小分布以及预设区间数量构建代价函数的分布直方图，所述分布直方图的横轴为不同代价函数值的区间，纵轴为不同区间的代价函数值的数量；根据所有纵轴的代价函数值的数量构建向量，获得所述代价分布向量。

进一步地，所述主成分特征向量的获取步骤包括：

将奇异值分解获得的前预设第一数量个奇异值进行组合，获得所述主成分特征向量。

本发明具有如下有益效果：

在本发明实施例中，获取的主成分特征向量、代价分布向量和环境特征向量能够表征波导环境的特征，便于后续对不同波导环境的区分；波导环境之间的最大差异程度和最小差异程度能够反映不同波导环境之间的差异情况和相似情况，可以对不同的波导环境进行匹配，提高匹配准确性，同时能够根据匹配结果对波导环境添加不同的标签。根据添加标签的波导特征描述子通过孪生网络进行训练，使得孪生网络能够学习与区分不同波导环境的特征，提高了孪生网络对不同波导环境的特征区分的准确性。因存在部分波导环境不常见的情况，对于不常见的波导特征会影响声源深度获取的准确性，故通过计算离群度筛选正常波导环境，进而通过正常波导环境对训练完成的孪生网络改进并进行二次训练，使得能够获得声源深度预测值，同时提高获取结果的准确性。因待分析波导环境不能确定是否为正常波导环境，为避免影响声源深度预测准确性，故通过训练好的分类器对待分析波导环境进行识别，根据识别结果通过二次训练完成的孪生网络获得声源深度预测值，提高了声源深度获取的效率与准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例所提供的一种基于波导奇异点的声源深度最优化获取方法流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于波导奇异点的声源深度最优化获取方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于波导奇异点的声源深度最优化获取方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于波导奇异点的声源深度最优化获取方法流程图，该方法包括以下步骤：

步骤S1，建立浅海的不同波导环境的数据集，根据波导环境的声场势函数通过奇异值分解获得最大作用干涉模态组和主成分特征向量，获得最大作用干涉模态组对应的奇异点位置，根据奇异点位置获得代价函数；根据代价函数通过模拟退火算法获得最优声源深度、代价分布向量和最小代价值。

在本发明实施例中，实施场景为浅海中声源深度的快速获取。首先对于步骤S1中不同数据的获取，可通过现有公开文件理想浅海波导中声场奇异点与声源深度的关系中进行获取；该公开文件中设置了一种浅海的波导环境并进行最优声源深度的计算，对于该公开文件中不同参数的获取过程不再赘述。在本发明实施例中对于主成分特征向量的获取，在公开文件中提取模态的过程中用到了奇异值分解的现有技术，通过奇异值分解确定了最大作用干涉模态组，该模态是指波导中声波的传播方式，每个模态都可以由一组离散的水平波矢和垂直波矢描述，最大作用干涉模态是指该对声波传播影响最大的模态；模态组是指两个影响最严重的阶数所对应的模态组合，可认为在一定条件下对声场影响最大的两个模态。主成分特征向量为奇异值分解的结果中前预设第一数量个奇异值的组合，奇异值能够描述分解的主成分；在本发明实施例中，预设第一数量为12，故通过前12个奇异值组合构成主成分特征向量，反映该波导环境的主要特征，实施者可根据实施场景自行确定预设第一数量。需要说明的是，奇异值分解属于现有技术，具体获取步骤不再赘述。

对于代价分布向量的获取，在公开文件中通过模拟退火算法根据代价函数的变化进行最优声源深度的计算，在模拟退火算法的每次迭代过程中会得到一个代价函数值，代价函数值能够体现该算法的收敛特性，可一定程度上表征波导环境的特征；故获得代价分布向量的具体步骤包括：在模拟退火算法的迭代过程中，统计迭代结束前每迭代次的代价函数值，根据代价函数值的大小分布以及预设区间数量构建代价函数的分布直方图，分布直方图的横轴为不同代价函数值的区间，纵轴为不同区间的代价函数值的数量；根据所有纵轴的代价函数值的数量构建向量，获得代价分布向量。对于最小代价值，即为模拟退火算法迭代完成时最后一个代价函数值。奇异点位置的获取在公开文件中已经说明，不再赘述。

至此，根据公开文件理想浅海波导中声场奇异点与声源深度的关系，以及对公开文件中奇异值分解和模拟退火算法的过程数据进行提取处理，最终获得了主成分特征向量、奇异点位置的坐标、最优声源深度、代价分布向量和最小代价值。通过主成分特征向量表征对应的波导环境特征；代价分布向量表征模拟退火算法的收敛特性，能够在一定程度上表征波导环境的特征。建立多种不同浅海的波导环境的数据集，根据公开文件的计算步骤，可获得多种不同的主成分特征向量、奇异点位置的坐标、最优声源深度、代价分布向量和最小代价值。

模拟退火算法是一种全局优化算法，通过模拟退火过程，在空间中搜索最优解，该算法在计算过程中需要大量地迭代运算，时间和功耗较大，不利于海上环境中对声源深度及时地获取，故需要降低对模拟退火算法获取最优声源深度的依赖，后续可根据步骤S1中获取的不同特征进行分析，提高声源深度获取效率。

步骤S2，将代价分布向量和对应的主成分特征向量融合构建波导特征描述子；根据最优声源深度、最小代价值和奇异点位置构建环境特征向量；根据环境特征向量、主成分特征向量和代价分布向量，获得对应波导特征描述子之间的最大差异程度和最小差异程度；根据最大差异程度和最小差异程度将不同的波导特征描述子进行匹配获得匹配组，根据匹配组对不同波导环境的波导特征描述子添加标签；将添加标签的波导特征描述子通过孪生网络进行训练，获得训练完成的孪生网络。

为了能够便于孪生网络的学习和训练，故将代价分布向量和对应的主成分特征向量融合成高维向量构建波导特征描述子，通过波导特征描述子表征波导环境的特征。进一步地，不同的波导环境最终获取的声源深度都不相同，因此需要根据多方面参数表征波导环境，提高声源深度结果的准确率，故根据最优声源深度、最小代价值和奇异点位置构建环境特征向量；根据公开文件可知，奇异点位置推导出了最优声源深度，最小代价值反映了实际声源深度和最优声源深度的差异，故构建环境特征向量能够辅助表征不同波导环境的特征，提高后续计算的准确性。

获得了环境特征向量后，则需要区分数据集中不同波导环境的差异情况，便于后续对孪生网络的学习与训练，故根据环境特征向量、主成分特征向量和代价分布向量获得不同波导环境之间的最大差异程度和最小差异程度，具体包括：对于波导环境的数据集中任意两个波导环境，计算环境特征向量之间的欧氏距离，获得环境特征差异值；计算主成分特征向量之间的相似度，获得主成分相似度；计算代价分布向量之间的相似度，获得代价分布相似度；计算主成分相似度与代价分布相似度的乘积，获得相似度表征值，计算环境特征差异值和预设常数的和值，计算相似度表征值与环境特征差异值和预设常数的和值的比值，获得最大差异程度；计算相似度表征值与预设常数的和值，计算环境特征差异值与相似度表征值与预设常数的和值的比值，获得最小差异程度；其中最大差异程度的获取公式具体包括：

式中，表示第个波导环境和第个波导环境的最大差异程度，表示第 个波导环境的代价分布向量，表示第个波导环境的代价分布向量；表示第个波导环 境的主成分特征向量，表示第个波导环境的主成分特征向量；表示第个波导环境的 环境特征向量，表示第个波导环境的环境特征向量；表示余弦相似度，表示 欧氏距离。表示代价分布相似度，表示主成分相似度， 表示环境特征差异值，表示相似度表征值。表示预设常数，避免 分母为零的情况，在本发明实施例中预设常数为1。

最小差异程度的获取公式与最大差异程度的获取公式相似，不再赘述。

对于最大差异程度和最小差异程度的获取，当两个波导环境的代价分布向量和主成分特征向量都越相似，意味着两个波导环境差异越小；当两个波导环境的代价分布向量和主成分特征向量都越不相似，意味着两个波导环境差异越大。当两个波导环境的环境特征向量的欧氏距离越大，意味着两个波导环境差异越大；当两个波导环境的环境特征向量的欧氏距离越小，意味着两个波导环境差异越小。因此，当两个波导环境的最大差异程度的值越小，意味着两个波导环境的特征差异越大，越不相似，因为后续需要用到匹配算法，故最大差异程度值越小，表征两个波导环境的特征差异越大。当两个波导环境的最小差异程度的值越小，意味着两个波导环境的特征差异越小，越相似。至此，计算数据集中不同波导环境之间的最大差异程度和最小差异程度，根据最大差异程度和最小差异程度表征不同波导环境之间波导特征描述子的差异特征和相似特征。

进一步地，获得了不同波导环境之间的最大差异程度和最小差异程度之后，后续需要通过孪生网络学习区分不同波导环境之间的差异特征和相似特征。获得波导特征描述子后，因为孪生网络学习和训练过程中需要对输入的波导特征描述子进行判断是否为同类或是异类，故首先根据最大差异程度和最小差异程度将不同的波导特征描述子进行匹配获得匹配组，具体包括：匹配组包括最大差异匹配组和最小差异匹配组；对于波导环境的数据集，根据最大差异程度通过K-M匹配算法进行波导环境对应的波导特征描述子的匹配，获得最大差异匹配组；根据最小差异程度通过K-M匹配算法进行波导环境对应的波导特征描述子的匹配，获得最小差异匹配组。需要说明的是K-M算法为一种现有的最大权匹配算法，具体步骤不再赘述。通过K-M算法可以将不同波导环境之间的距离作为匹配权重，距离越短，权重越大；当两个波导环境之间的最大差异程度值最小，则意味着两个波导环境之间的特征差异最大；当两个波导环境之间的最小差异程度值最小，则意味着两个波导环境之间的特征最相似。因此基于波导环境之间的最大差异程度获得最大差异匹配组，在最大差异匹配组中每个匹配组的波导环境的特征差异最大；基于波导环境之间的最小差异程度获得最小差异匹配组，在最小差异匹配组中每个匹配组的波导环境的特征差异最小最相似。

获得了不同的匹配组之后，则可根据匹配结果对不同的波导环境添加标签，添加标签的目标是为了让孪生网络了解不同波导特征描述子是差异较大或较为相似的情况，提高孪生网络的区分准确性，提高最终声源深度获取的准确度；故根据匹配组对不同波导环境的波导特征描述子添加标签，具体包括：将最大差异匹配组的两个波导特征描述子添加对应的不同环境的标签；将最小差异匹配组的两个波导特征描述子添加对应的相似环境的标签。通过标签能够让孪生网络快速判断与学习不同波导特征描述子之间的关系。

对匹配组的波导特征描述子添加标签后，则可将添加标签的波导特征描述子通过孪生网络进行训练，获得训练完成的孪生网络，具体包括：将匹配组对应的波导特征描述子和特征描述子的标签投入到孪生网络中，通过不同环境的标签和相似环境的标签使孪生网络对不同的环境特征描述子进行学习，学习不同环境特征描述子之间的差异特征和相似特征，获得训练完成的孪生网络。需要说明的是，孪生网络是一种现有的神经网络，孪生网络由两个结构相同或任意两个神经网络拼接而成，通常具有深度结构，可由卷积神经网络、全连接神经网络等神经网络组成，其权重可以由能量函数或分类损失优化，具体结构不再赘述。在本发明实施例中孪生网络由两个全连接神经网络组成，需要说明的是，全连接神经网络是一种现有的神经网络，具体结构不再赘述。

在孪生网络训练的过程中，对于最大差异匹配组中的波导特征描述子以及不同环境的标签进行输入，可以用于训练孪生网络区分较大差异的波导环境的特征差异；对于最小差异匹配组中的波导特征描述子以及相似环境的标签进行输入，可以用于训练训练孪生网络学习相似的波导环境的特征关系。通过对匹配组添加不同的标签，能够为孪生网络提供有关同类和异类的训练数据，使用标签来学习和区分不同波导环境的特征，达到初始化网络权重与预训练的目的，使得训练完成的孪生网络可以识别区分不同的波导特征描述子，捕获更多的特征。

获得训练完成的孪生网络后，可以对不同的波导环境进行识别与区分，后续可以基于训练完成的孪生网络对波导环境对应的声源深度进行获取。

步骤S3，根据不同波导环境的主成分特征向量的差异特征获得离群度，根据离群度筛选正常波导环境；将正常波导环境对应的主成分特征向量投入训练完成的孪生网络并改进结构进行二次训练，获得二次训练完成的孪生网络；根据主成分特征向量训练分类器，将待分析波导环境的主成分特征向量投入训练完成的分类器获得识别结果；根据识别结果和二次训练完成的孪生网络获得待分析波导环境的声源深度预测值。

因为后续需要通过孪生网络获取声源深度，但有些波导环境是不常见的，样本数量较少不适于神经网络进行训练，不能够保证较高的准确性，因此需要分析适用于神经网络训练的波导环境。故根据不同波导环境的主成分特征向量的差异特征获得离群度，根据离群度筛选正常波导环境，具体包括：计算波导环境的数据集对应的任意两个主成分特征向量之间的余弦相似度，作为主成分特征向量之间的距离度量函数；对于波导环境的数据集中任意一个波导环境对应的主成分特征向量，根据距离度量函数获得主成分特征向量的预设邻域范围内的其他主成分特征向量，计算主成分特征向量与预设邻域范围内的其他主成分特征向量的局部可达密度；根据局部可达密度通过局部离群因子算法计算主成分特征向量的局部离群因子值，获得主成分特征向量的离群度；根据离群度从大到小将主成分特征向量对应的波导环境进行排列获得序列，从序列第一位开始剔除预设异常数量个波导环境，序列剩余的波导环境作为正常波导环境。

对于离群度和正常波导环境的获取，在本发明实施例中，预设邻域范围为10，预设异常数量为15，实施者可根据实施场景自行设定。其中通过余弦相似度作为波导环境之间的距离度量函数的原因是，余弦相似度可以体现波导特征描述子之间的方向性，便于计算样本之间的局部可达密度，当余弦相似度越大，意味着两个主成分特征向量之间越相似。需要说明的是，局部可达密度和局部离群因子算法属于现有技术，具体计算步骤不再赘述。当该波导环境的局部可达密度越大，意味着该波导环境的与预设邻域范围内的其他波导环境的距离越近，对应的主成分特征向量越相似；当该波导环境的局部离群因子越大，意味着该波导环境和其他波导环境的差异越大，对应的主成分特征向量越不相似，可认为该波导环境是不常见的，则需要进行剔除，对于获取的正常波导环境，可认为是常见的波导环境，能够通过孪生网络进行学习训练，对于后续孪生网络的训练和预测更有参考价值。

获得了正常波导环境后，则需要分析正常波导环境对应的声源深度，在步骤S2中获得了训练完成的孪生网络，该孪生网络可以分析区分不同的波导特征描述子之间相似特征和差异特征，为了能够获得正常波导环境对应的声源深度，需要对该孪生网络改进并二次训练。故将正常波导环境对应的主成分特征向量投入训练好的孪生网络并改进结构进行二次训练，获得二次训练完成的孪生网络，具体包括：将训练完成的孪生网络中结构的输出层改进为聚合节点，输出层输出声源深度预测值，获得改进孪生网络；将正常波导环境对应的主成分特征向量投入到改进孪生网络进行二次训练；改进孪生网络中的损失函数为声源深度预测值与对应的正常波导环境的最优声源深度的差值，训练完成后，获得二次训练完成的孪生网络。

在对训练完成的孪生网络进行二次训练的过程中，孪生网络的内部结构视为全连接神经网络；其中只输入主成分特征向量，而不输入波导特征描述子的原因是代价分布向量是通过模拟退火算法所获得，但模拟退火算法的迭代时间长，不能快速地获取声源深度，故需要通过孪生网络根据输入的主成分特征向量进行预测声源深度，主成分特征向量是基于波导环境进行模态分解的过程中所获得，能够表征波导环境的特征。因波导特征描述子由主成分特征向量和代价分布向量所组成，故在二次训练的孪生网络中能够识别所输入的主成分特征向量。至此，二次训练完成的孪生网络能够通过输入的主成分向量，输出声源深度预测值，且该声源深度预测值接近模拟退火算法中获得的最优声源深度值，二次训练完成的孪生网络在第一次的训练基础上能够提高对声源深度的预测准确能力。

获得了二次训练完成的孪生网络后，则可对待分析的波导环境通过二次训练完成的孪生网络进行声源深度的预测，在预测之前，需要判断待分析的波导环境能否通过孪生网络进行预测，若待分析波导环境属于不常见的波导环境，若直接通过二次训练完成的孪生网络获取声源深度预测值可能导致结果不准确。故根据主成分特征向量训练分类器，将待分析波导环境的主成分特征向量投入训练完成的分类器获得识别结果，具体包括：将序列中的正常波导环境对应的主成分特征向量作为可预测样本投入到Adaboost分类器中进行训练，将序列中剔除的波导环境对应的主成分特征向量作为不可预测样本投入到Adaboost分类器中进行训练；获得训练完成的Adaboost分类器；将待分析波导环境的主成分特征向量投入到训练好的Adaboost分类器，当输出结果为可预测样本，识别待分析波导环境能够预测；当输出结果为不可预测样本，识别待分析波导环境不可预测。需要说明的是，Adaboost分类器是一种现有的分类器，具体步骤不再赘述，其为一种迭代算法，是针对同一个主成分特征向量的训练集训练不同的弱分类器，经过不断的迭代调整权重，获得最终分类准确率高的强分类器。

待分析的波导环境经过分类器识别后，可根据识别结果和二次训练完成的孪生网络获得待分析波导环境的声源深度预测值，具体包括：当待分析波导环境识别为不可预测时，待分析波导环境不进行预测；当待分析波导环境识别为能够预测时，将待分析波导环境的主成分特征向量投入到二次训练完成的孪生网络中，获得待分析波导环境的声源深度预测值。待分析的波导环境经过孪生网络得到声源深度预测值，避免了模拟退火算法大量的迭代计算时长，且声源深度预测值接近最优声源深度，因此提高了声源深度的获取效率且保证了准确性。

综上所述，本发明实施例提供了一种基于波导奇异点的声源深度最优化获取方法，首先获取波导环境对应的主成分特征向量、代价分布向量和环境特征向量，并分析不同波导环境之间的最大差异程度和最小差异程度，根据差异情况和相似情况进行波导环境的匹配获得匹配组，通过匹配组对孪生网络进行预训练，提高孪生网络对波导环境的特征识别。根据波导环境之间的差异筛选正常波导环境，根据正常波导环境的主成分特征向量进行孪生网络的二次训练预测声源深度值；通过分类器对待分析的波导环境进行识别，根据识别结果和二次训练完成的孪生网络获得待分析波导环境的声源深度预测值，提高了声源深度获取的效率与准确性。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (10)

1.一种基于波导奇异点的声源深度最优化获取方法，其特征在于，所述方法包括以下步骤：

建立浅海的不同波导环境的数据集，根据波导环境的声场势函数通过奇异值分解获得最大作用干涉模态组和主成分特征向量，获得最大作用干涉模态组对应的奇异点位置，根据奇异点位置获得代价函数；根据代价函数通过模拟退火算法获得最优声源深度、代价分布向量和最小代价值；

将代价分布向量和对应的主成分特征向量融合构建波导特征描述子；根据最优声源深度、最小代价值和奇异点位置构建环境特征向量；根据环境特征向量、主成分特征向量和代价分布向量，获得对应波导特征描述子之间的最大差异程度和最小差异程度；根据最大差异程度和最小差异程度将不同的波导特征描述子进行匹配获得匹配组，根据匹配组对不同波导环境的波导特征描述子添加标签；将添加标签的波导特征描述子通过孪生网络进行训练，获得训练完成的孪生网络；

根据不同波导环境的主成分特征向量的差异特征获得离群度，根据离群度筛选正常波导环境；将正常波导环境对应的主成分特征向量投入训练完成的孪生网络并改进结构进行二次训练，获得二次训练完成的孪生网络；根据主成分特征向量训练分类器，将待分析波导环境的主成分特征向量投入训练完成的分类器获得识别结果；根据识别结果和二次训练完成的孪生网络获得待分析波导环境的声源深度预测值。

2.根据权利要求1所述的一种基于波导奇异点的声源深度最优化获取方法，其特征在于，所述获得对应波导特征描述子之间的最大差异程度和最小差异程度的步骤包括：

对于波导环境的数据集中任意两个波导环境，计算所述环境特征向量之间的欧氏距离，获得环境特征差异值；计算所述主成分特征向量之间的相似度，获得主成分相似度；计算所述代价分布向量之间的相似度，获得代价分布相似度；

计算所述主成分相似度与所述代价分布相似度的乘积，获得相似度表征值，计算所述环境特征差异值和预设常数的和值，计算所述相似度表征值与所述环境特征差异值和预设常数的和值的比值，获得对应波导特征描述子之间的最大差异程度；计算所述相似度表征值与预设常数的和值，计算所述环境特征差异值与所述相似度表征值与预设常数的和值的比值，获得对应波导特征描述子之间的最小差异程度。

3.根据权利要求1所述的一种基于波导奇异点的声源深度最优化获取方法，其特征在于，所述根据最大差异程度和最小差异程度将不同的波导特征描述子进行匹配获得匹配组的步骤包括：

所述匹配组包括最大差异匹配组和最小差异匹配组；对于波导环境的数据集，根据所述最大差异程度通过K-M匹配算法进行波导环境对应的波导特征描述子的匹配，获得最大差异匹配组；根据所述最小差异程度通过K-M匹配算法进行波导环境对应的波导特征描述子的匹配，获得最小差异匹配组。

4.根据权利要求3所述的一种基于波导奇异点的声源深度最优化获取方法，其特征在于，所述根据匹配组对不同波导环境的波导特征描述子添加标签的步骤包括：

将所述最大差异匹配组的两个波导特征描述子添加对应的不同环境的标签；将所述最小差异匹配组的两个波导特征描述子添加对应的相似环境的标签。

5.根据权利要求1所述的一种基于波导奇异点的声源深度最优化获取方法，其特征在于，所述根据离群度筛选正常波导环境的步骤包括：

计算波导环境的数据集对应的任意两个主成分特征向量之间的余弦相似度，作为主成分特征向量之间的距离度量函数；

对于波导环境的数据集中任意一个波导环境对应的主成分特征向量，根据所述距离度量函数获得所述主成分特征向量的预设邻域范围内的其他主成分特征向量，计算所述主成分特征向量与预设邻域范围内的其他主成分特征向量的局部可达密度；根据所述局部可达密度通过局部离群因子算法计算所述主成分特征向量的局部离群因子值，获得所述主成分特征向量的离群度；

根据所述离群度从大到小将所述主成分特征向量对应的波导环境进行排列获得序列，从所述序列第一位开始剔除预设异常数量个波导环境，所述序列剩余的波导环境作为正常波导环境。

6.根据权利要求1所述的一种基于波导奇异点的声源深度最优化获取方法，其特征在于，所述获得二次训练完成的孪生网络的步骤包括：

将训练完成的孪生网络中结构的输出层改进为聚合节点，输出层输出声源深度预测值，获得改进孪生网络；将正常波导环境对应的主成分特征向量投入到改进孪生网络进行二次训练；改进孪生网络中的损失函数为声源深度预测值与对应的正常波导环境的最优声源深度的差值，训练完成后，获得二次训练完成的孪生网络。

7.根据权利要求5所述的一种基于波导奇异点的声源深度最优化获取方法，其特征在于，所述将待分析波导环境的主成分特征向量投入训练完成的分类器获得识别结果的步骤包括：

将所述序列中的正常波导环境对应的所述主成分特征向量作为可预测样本投入到Adaboost分类器中进行训练，将所述序列中剔除的波导环境对应的所述主成分特征向量作为不可预测样本投入到Adaboost分类器中进行训练；获得训练完成的Adaboost分类器；

将待分析波导环境的主成分特征向量投入到训练好的Adaboost分类器，当输出结果为可预测样本，识别所述待分析波导环境能够预测；当输出结果为不可预测样本，识别所述待分析波导环境不可预测。

8.根据权利要求7所述的一种基于波导奇异点的声源深度最优化获取方法，其特征在于，所述根据识别结果和二次训练完成的孪生网络获得待分析波导环境的声源深度预测值的步骤包括：

当待分析波导环境识别为不可预测时，待分析波导环境不进行预测；

当待分析波导环境识别为能够预测时，将待分析波导环境的主成分特征向量投入到二次训练完成的孪生网络中，获得待分析波导环境的声源深度预测值。

9.根据权利要求1所述的一种基于波导奇异点的声源深度最优化获取方法，其特征在于，所述代价分布向量的获取步骤包括：

在模拟退火算法的迭代过程中，统计迭代结束前每迭代次的代价函数值，根据代价函数值的大小分布以及预设区间数量构建代价函数的分布直方图，所述分布直方图的横轴为不同代价函数值的区间，纵轴为不同区间的代价函数值的数量；根据所有纵轴的代价函数值的数量构建向量，获得所述代价分布向量。

10.根据权利要求1所述的一种基于波导奇异点的声源深度最优化获取方法，其特征在于，所述主成分特征向量的获取步骤包括：

将奇异值分解获得的前预设第一数量个奇异值进行组合，获得所述主成分特征向量。