CN116660996A - 一种基于深度学习的漂流式浅海局部地声参数预测方法 - Google Patents
一种基于深度学习的漂流式浅海局部地声参数预测方法 Download PDFInfo
- Publication number
- CN116660996A CN116660996A CN202310904340.6A CN202310904340A CN116660996A CN 116660996 A CN116660996 A CN 116660996A CN 202310904340 A CN202310904340 A CN 202310904340A CN 116660996 A CN116660996 A CN 116660996A
- Authority
- CN
- China
- Prior art keywords
- layer
- sound
- data
- sound source
- tensor
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 125
- 238000013135 deep learning Methods 0.000 title claims abstract description 28
- 230000007246 mechanism Effects 0.000 claims abstract description 68
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000011426 transformation method Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 76
- 239000011159 matrix material Substances 0.000 claims description 36
- 230000008569 process Effects 0.000 claims description 26
- 239000013598 vector Substances 0.000 claims description 25
- 238000006073 displacement reaction Methods 0.000 claims description 20
- 230000009466 transformation Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 13
- 241000209094 Oryza Species 0.000 claims description 12
- 235000007164 Oryza sativa Nutrition 0.000 claims description 12
- 238000010892 electric spark Methods 0.000 claims description 12
- 235000009566 rice Nutrition 0.000 claims description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 11
- 125000003275 alpha amino acid group Chemical group 0.000 claims description 9
- 150000001875 compounds Chemical class 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 7
- 238000011835 investigation Methods 0.000 claims description 6
- 238000011144 upstream manufacturing Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 5
- 230000005284 excitation Effects 0.000 claims description 5
- 238000002474 experimental method Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 4
- 210000000582 semen Anatomy 0.000 claims description 4
- 230000005236 sound signal Effects 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 description 10
- 239000013049 sediment Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 239000012456 homogeneous solution Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000013535 sea water Substances 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000005483 Hooke's law Effects 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/38—Seismology; Seismic or acoustic prospecting or detecting specially adapted for water-covered areas
-
- 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
- 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
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Acoustics & Sound (AREA)
- Geology (AREA)
- Geophysics (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Oceanography (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明提供了一种基于深度学习的漂流式浅海局部地声参数预测方法,属于浅海局部地声参数的数据处理技术领域,具体包括如下步骤:采用漂流方式获取海底反射数据;对采集到的原始海底反射数据进行预处理;再基于几何声波传播模型根据信号到达时间区分反射波和直接到达波,获取实际的海底反射信息;基于积分变换法和待定系数法构建二维海底反射信息数据集;在数据集上训练多通道自相关度机制神经网络,网络输出即是海底反射信息对应的海底地声参数。本发明克服现有技术中在预测浅海局部地声参数时,不能实现局部宽掠射角范围内的声学数据采集、浅海局部声场建模复杂、模型训练效率较低问题。
Description
技术领域
本发明涉及浅海局部地声参数的数据处理技术领域,具体涉及一种基于深度学习的漂流式浅海局部地声参数预测方法。
背景技术
浅海海底沉积物的地声参数作为描述海底特性的重要内容,逐渐成为海洋声学探测领域的研究重点。由于海底的作用,浅海声学比深海声学更为复杂,存在严重的多途传播和频散效应。海底沉积物的声速、密度、声衰减系数等地声参数是进行海底资源考察和科学研究所必需的基础信息,这些因素对声场的准确预测、声纳的作用距离估计以及声源的定位精度等方面产生影响。因此,获取浅海沉积物地声参数对于合理开发和利用海洋具有重要意义。
常规地声参数预测方法多基于远距离的声传播数据实现,当海底底质在水平方向上变化较大时,其难以准确地反映局部海底地声参数。基于海底反射信息随掠射角变化关系的预测方法是获取局部海底地声参数的有效手段,但由于不同的地声参数对掠射角敏感性存在差异,利用小掠射角范围的数据进行地声参数预测时难以得到准确的结果。同时因水深较浅,常规浅海声学数据采集过程中宽掠射角范围的信息获取存在困难。因此,有必要提出有效可靠的试验方案,实现局部宽掠射角范围内的声学数据采集。
在地声参数预测中常采用简正波模型进行声场建模,将声波等效为一系列简正波模态的叠加,但其忽略割线积分的影响,对近场问题高频模态会产生截止误差,无法满足局部声场精确模拟的需要。且计算中常采用球面波或柱面波解的计算方式较为繁琐,不利于将问题简化。因此需要一种简便、准确的可适用于近场问题的计算方法,从而实现快速精确的局部声场建模。
在采集到实测数据后,还需要对原始数据进行预处理并提取出有效反射信息,为地声参数预测提供依据。预测过程常采用的方法包含两类:(1)基于经验公式拟合,该方法依据流体理论、弹性理论和多孔弹性理论等,由包含沉积物地声参数的经验公式进行地声参数预测,通过实测数据对比得到测量地区的地声参数。然而该方法效率较低且精度较差,也不适合迁移应用到其他区域。(2)基于机器学习的匹配场预测方法,该方法先通过声场建模得到目标海域的理论声场,再通过遗传算法、模拟退火算法、随机森林算法等机器学习算法进行参数寻优,从而训练机器学习模型。再将实测的数据输入到训练好模型中,从而实现目标区域地声参数的预测。该方法精度较高,但由于实际需要获取较多耦合的参数,模型相对复杂、训练效率较低。
因此,现需要一种能够实现局部宽掠射角范围内的声学数据采集,快速、精确地进行局部声场建模,并且模型相对简单、训练效率较高的基于深度学习的漂流式浅海局部地声参数预测方法。
发明内容
本发明的主要目的在于提供一种基于深度学习的漂流式浅海局部地声参数预测方法,以解决现有技术中在预测浅海局部地声参数时,不能实现局部宽掠射角范围内的声学数据采集、浅海局部声场建模复杂、模型训练效率较低问题。
一种基于深度学习的漂流式浅海局部地声参数预测方法,具体包括如下步骤:
S1,采用漂流方式获取海底反射数据;
S2,对由步骤S1采集到的原始海底反射数据进行预处理;采用基于深度学习的时域滤波方法去除噪声信号,基于多通道自相关度机制神经网络提取有效信号,再基于几何声波传播模型根据信号到达时间区分反射波和直接到达波,获取实际的海底反射信息;
S3,基于积分变换法和待定系数法构建二维海底反射信息数据集;
S4,在步骤S3中建立的二维海底反射信息数据集上训练多通道自相关度机制神经网络;再将步骤S2中提取的实际海底反射信息输入收敛后的多通道自相关度机制神经网络,网络输出即是海底反射信息对应的海底地声参数。
步骤S1具体包括如下步骤:
S1.1,采用电火花声源和球形声源作为激发声源,以获得频带范围为1-10 kHz的声源信号;
S1.2,将船只航行到目标实验站位,连接并调试数据采集设备,在船舷处将倾斜接收阵放入水中,并使用GPS测量仪记录此时的位置,然后利用声速剖面仪进行声速剖面数据测量;将电火花声源沉放到深度,由船只拖动声源完成水平方向上的移动,使船只行进至倾斜接收阵附近,关闭发动机;
S1.3,声源在船漂流时连续发射尖脉冲信号,间隔秒,声源与倾斜接收阵水平距离为/>米,/>,/>是测量水平距离的次数,第/>个接收器阵元的深度为/>米,/>是接收器阵元的个数,/>;当/>和/>一定时,通过搭载声源的调查船在海流作用下的移动,使声源在不同水平位置上激发,改变声源与倾斜接收阵距离/>,并用倾斜接收阵进行接收;持续/>分钟后,关闭声源并开启船只发动机,使声源回到倾斜接收阵附近,再次关闭发动机;进行电火花声源的宽掠射角海底声反射数据的采集,回收电火花声源,船只开机返回倾斜接收阵处;更换声源为球形声源,进行球形声源的宽掠射角海底声反射数据的采集,回收球形声源,船只开机返回倾斜接收阵处;利用声学释放器释放倾斜接收阵和采集设备,待其浮至水面后,打捞至船上,并导出实验数据。
步骤S2具体包括如下步骤:
S2.1,对采集到的原始数据进行预处理,将数据二进制化再将数据切割并过滤掉无效信号,保留有效信号;
S2.2,对单一通道的实验数据进行处理,由空间几何关系计算确定第个接收器阵元的深度/>;/>是声源的深度,/>是根据GPS坐标计算的声源与倾斜接收阵水平距离,设声源与第/>个接收器阵元的直线距离为/>米,设点/>到声源和第/>个接收器阵元的直线距离分别是/>和/>,声源和第/>个接收器阵元到海底的竖直距离分别为/>和/>,由几何关系可以得到以下公式:
(1);
(2);
(3);
由公式(1)、公式(2)和公式(3),分别建立和/>的关系,再根据直接到达波和反射波的到达时间和传播距离,得到如下关系:
(4);
其中,是声速,/>是直达波传播用时,/>是反射波传播用时。
步骤S2具体包括如下步骤:
S2.3,以调查船和倾斜接收阵的GPS定位信息计算的为中心点,以/>米的值初始化/>的取值范围,在此范围内遍历/>的值,使(4)式成立,得到满足所需精度要求的值,然后利用三角关系计算得到对应的掠射角;
S2.4,对含噪声的海底反射声信号数据和纯净信号数据进行预处理;采用随机划分的方法,将数据划分为训练集、验证集以及用于预测地声参数的测试集;
S2.5,采用多通道自相关度机制神经网络模型结构;每个多通道自相关度机制编码器由多个多通道自相关度机制模块和完全线性层组成,使用最小均方误差函数作为损失函数,采用动量法的梯度下降优化器进行网络的训练;
S2.6,将训练数据送入网络进行训练,根据损失函数的反馈更新网络的权重;
S2.7,使用测试集对优化收敛后的网络模型进行测试;
S2.8,对于接收点深度为米、水平距离为/>米处的水听器,利用几何声波传播模型计算的声线轨迹及响应时间;计算反射系数/>;
(5);
式(5)中,表示海底反射波强度,/>表示直接到达波强度,/>表示反射波路径长度,/>表示直接到达波路径长度。
步骤S3具体包括如下步骤:
S3.1,经过声源建立柱坐标系,则包含声源的第/>层中含/>的声场可以用位移函数表示,其中/>是以自然常数/>为底的指数函数,/>是虚数单位,/>是声源频率,/>代表时间,位移函数/>满足以下微分方程:
(6);
式(6)中分别表示柱坐标系下水平方向和竖直方向的位移,/>是拉普拉斯算子,/>是狄拉克函数,/>表示声源函数,/>表示第/>层的介质波数,即:
(7);
式(7)中表示深度为/>处的声速,在无声源的水平层中,声场满足齐次条件,令式(6)中声源函数恒等于零;
将特殊函数正变换应用于方程(6)得到深度分离的波动方程:
(8);
其中,为介质总波数,/>是深度分离的声源函数;式(10)的特解/>与齐次方程的解/>和/>的线性组合构成了通解,水平分层的声场通解为:
;
(9);
方程(9)中和/>是每一个水平层对应的待定系数,由该水平层上下界面的边界条件决定;
如果在层内没有声源,总声场就由特殊函数逆变换直接得出,即为:
(10);
其中,总声场分解为水平波数为的上行锥形波/>和下行锥形波/>,/>为上行锥形波的待定系数,/>为下行锥形波的待定系数,/>代表水平分层的零阶贝塞尔函数;
如果层中有声源, 相应的声源对总声场的贡献仍然由式特殊函数变换得出:
(11);
如果在层内有更多的声源,则直接根据每个声源的贡献进行叠加,即:
(12);
(13);
式(12)中,表示垂直位移,/>表示应力,/>表示单位阶跃函数。
步骤S3具体包括如下步骤:
S3.2,采用待定系数法求解水平分层的声场,将第层中反射波幅度/>和入射波幅度/>集合成一个局部自由度向量/>,即为:
(14);
其中为水平波数,如果包含在边界条件中的声场参数的核函数表示成以下向量形式:
(15);
上式中和/>分别表示位移和应力,则对于第/>层中解的齐次部分,可以得到以下矩阵关系:
(16);
局部系数矩阵是水平波数/>和深度/>的函数;
将声场函数与水平分层的解相加,则声场参数在第/>个界面上的连续性表示为:
(17);
其中,表示第m层上界面水平分层的解,/>表示第m层上界面水平分层的声场函数,/>表示第m层下界面水平分层的解,/>表示第m层下界面水平分层的声场函数;
全局有源声场间断特性向量:
(18);
式(19)与式(20)要实现全局相互抵消,必须满足以下线性方程组:
(19);
式中是全局系数矩阵,即:
(20);
其中拓扑矩阵和/>是矩阵元素全部为0或1的稀疏矩阵。
步骤S3具体包括如下步骤:
S3.3,计算入射平面波的复幅度和反射平面波的复幅度,其中/>为介质总波数,/>为入射波与水平方向的夹角即掠射角,求出平面波反射系数/>:
(21);
根据求得的反射系数,计算得到海底的反射信息/>;
(22);
生成不同地声参数条件下的掠射角和反射信息的曲线,对曲线进行求导得到海底反射曲线的导函数/>和二阶导函数/>,分别计算/>和/>的互相关矩阵/>和/>;建立关于/>和的等效二维图像,图像的横轴和纵轴均为/>,且/>范围/>。
步骤S4具体包括如下步骤:
S4.1,对于由步骤S3建立的二维海底反射信息数据集,将训练集中的二维海底反射数据输入嵌入层模块,对输入数据做初始化处理;
S4.2,通过卷积算子对二维数据进行分块特征提取;
S4.3,将降维处理后的数据与特征/>向量进行拼接,对拼接后的数据进行位置编码;将经过拼接和位置编码的序列输入一个含有丢弃层的网络结构,其丢弃概率为/>;通过丢弃层,得到维度为/>的/>向量。
步骤S4具体包括如下步骤:
S4.4,将向量组成的序列作为张量/>输入多通道自相关度机制编码层,自相关度的通道数为/>,每一个自相关通道的维度;单个自相关通道的规范化参数为;将输入的张量/>均分为/>个子张量,每个子张量的维度均为/>;
S4.5,将均分后的子张量并行输入第一层多通道自相关度机制编码层,首先进入一个维度为/>的完全线性网络层,分别计算其查询值张量/>、关键值张量/>、真实值张量/>:
;
;
(23);
式(23)中,代表查询值变换张量,/>代表关键值变换张量,/>代表真实值变换张量;计算得到的/>按照自相关度的通道数划分为/>个,即;然后对/>, />…分别计算其自相关度张量/>:
(24);
其中是张量/>和/>的列数。
步骤S4具体包括如下步骤:
S4.6,采用跃层连接,将第一层多通道自相关度机制编码层的输入张量和输出张量/>相结合,然后再进行基于行标准的规范化,将张量各行结果转化为一个均值为0方差为1的序列,转化后的结果为张量/>;
S4.7,将张量 输入多层线性网络模块,该模块包含两层完全线性网络结构,首先输入第一层完全线性网络结构,输入的维度/>与张量/>的维度相同,输出的维度/>,/>为待设定的参数;该层的丢弃概率为/>,采用/>函数提高模型的非线性拟合能力:
(25);
是/>函数的输入变量,/>是归一化的标准高斯随机变量;整个多层线性网络模块对应的公式如下:
(26);
和/>是两个不同的权重张量,/>和/>是两个不同的偏置张量,整个多层线性网络模块输出结果的维度与维度/>一致,对结合后的张量进行基于行标准的规范化,得到多层线性网络模块的输出张量/>;
S4.8,在第层,其中 /> = 2, 3, … , L多通道自相关度机制编码层中,首先对第层的输出/>进行规范化,再输入多通道自相关度机制编码层;采用跃层连接,进行基于行标准的规范化后,输入多层线性网络模块;将多层线性网络模块的输出结果通过丢弃层,采用跃层连接,得到第/>层多通道自相关度机制编码层的输出,并将其作为第/>层多通道自相关度机制编码层的输入;重复上述第/>层多通道自相关度机制编码层中的步骤,最终得到第/>层多通道自相关度机制编码层的输出张量/>;
S4.9,对第层多通道自相关度机制编码层的输出结果/>进行基于行的标准化,再将特征/>向量的输出结果导入一个完全线性网络层,通过完全线性网络层的输出结果即是二维海底反射数据经过多通道自相关度机制神经网络处理后的高维抽象特征;
S4.10,使用抽象特征和地声参数匹配网络模块,模块的输入为高维抽象特征,输出为预测的地声参数;通过正向传播过程计算权重张量并更新网络参数,再通过反向传播过程计算梯度,重复正向传播和反向传播过程,完成神经网络的训练过程;
S4.11,将由步骤S2实际采集到的局部海底反射数据输入步骤S4.10中的神经网络,预测浅海局部海底地声参数。
本发明具有如下有益效果:1、本发明提出了的方法,使用不同种类的声源激发信号,以获得宽频带的声源信号。在使用倾斜接收阵进行数据采集的过程中,关闭船只的发动机,采用漂流的方式获取宽掠射角范围的海底反射数据,减少了发动机噪声对数据采集的影响。声源激发的声信号经过海底反射后会携带海底地声参数信息,因此本发明方法采集的宽掠射角宽频带的海底反射数据为海底地声参数预测提供了丰富的原始数据,有利于更精确地预测地声参数。
2、本发明首先对采集到的宽掠射角宽频带的原始海底反射数据进行预处理,包括数据导出、解编和切割;然后采用基于深度学习的时域滤波方法去除噪声信号,基于多通道自相关度机制神经网络实现高效的有效信号提取。再依据几何声波传播模型区分反射波和直接到达波,从而快速精确地获取实际的海底反射信息。
3、本发明基于积分变换法和待定系数法构建二维海底反射信息数据集,使用积分变换法计算海洋声场,求得与深度有关的方程。再利用待定系数法对深度分层的声场积分表达式进行数值计算求解海底反射信息,进而得到海底反射信息与掠射角的理论关系,然后通过计算海底反射信息及其导数的互相关矩阵,构建二维海底反射信息数据集。相比传统的海洋声场建模方法,本发明的方法能更准确地模拟局部近场的声传播过程,减少声场建模的误差。使用海底反射信息及其导数的互相关矩阵完成二维海底反射信息数据集的构建,由于数据集中增加了反射信息曲线的导数和二阶导数,能够更充分地反映海底反射信息的特征,提高地声参数预测的精度。此外,使用互相关矩阵有助于网络模型的特征提取,可以加速网络的训练过程,并且为神经网络的训练提供了更丰富的特征信息,有利于进一步减少地声参数预测的误差。
4、本发明提出的方法,在二维海底反射信息数据集上训练多通道自相关度机制神经网络,通过训练神经网络建立宽掠射角宽频带海底反射信息与海底地声参数之间的非线性映射关系;相比传统的目标函数迭代寻优方法,基于多通道自相关度机制神经网络的深度学习方法能更充分、更精确地学习海底反射信息与地声参数之间的关系,相比遗传算法等传统机器学习方法具有更高的计算效率,并且拥有较强的泛化能力,可以通过迁移学习的方法应用于更大范围海域的地声参数预测。
综上所述,本发明提出的一种基于深度学习的漂流式浅海局部地声参数预测方法,相比现有的地声参数预测方法表现出更高的预测精度和计算效率,具有较高的实际应用价值,能够快速、精确地预测浅海沉积物的地声参数,为海底资源的开发、水下工程选址、港口建设以及日常维护等提供直观的信息参考,有利于浅海环境中对于声传播衰减的预测和声纳性能的评估,维护水下国门安全。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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他的附图。
图1为根据本发明的一种基于深度学习的漂流式浅海局部地声参数预测方法的进行海上实验装置布放示意图。
图2为不同发射和接收距离对应的掠射角范围示意图。
图3为利用本发明提供的方法中步骤S2的基于几何声波传播模型计算的几何声线的声速与深度的关系图。
图4为利用本发明提供的方法中步骤S2的基于几何声波传播模型计算的几何声线的反射波范围与深度的关系图。
图5为利用本发明提供的方法中步骤S2的基于几何声波传播模型计算信号响应时间示意图。
图6为利用本发明提供的方法中的步骤S4的多通道自相关度机制神经网络结构示意图。
图7为利用本发明提供的方法预测的反射信息与实际的反射信息对比示意图。
图8为声速的后验概率分布图。
图9为纵波衰减的后验概率分布图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本次实验海域选择在某海域。底质类型为黏土质砂,实验区水深大约为40~50m,由西北向东南稍微变深,地势相对比较平坦。在测量海底反射数据之前,对测量站位的海底沉积物进行取样,对海水中的声速剖面进行测量。
如图1所示的一种基于深度学习的漂流式浅海局部地声参数预测方法,具体包括如下步骤:S1,采用漂流方式获取海底反射数据:在海底反射数据的采集过程中关闭船只的发动机,采用漂流方式获取宽掠射角范围的海底反射数据;使用不同种类的声源激发信号,以获得宽频带范围(频带范围为1-10kHz)的声源信号,宽频带声信号经过海底反射后携带了海底地声参数信息,再利用多个阵元的倾斜接收阵获取宽掠射角宽频带的海底反射数据,反射数据的掠射角范围是9°~ 61°。
步骤S1具体包括如下步骤:S1.1,船只上安装有GPS定位装置,声源利用吊机悬挂
于船只下方的水中,采用电火花声源和球形声源作为激发声源,以获得不同频带范围的声
源信号,声源信号经过声传播过程和海底反射过程携带了海底地声参数的信息;选择包含96个灵敏水听器的倾斜接收阵接收海底声反射信号,阵元间隔为18厘米,整个
倾斜接收阵长度为=17.1米,倾斜接收阵由浮标、浮球架、采集站、充油缆、释放器、重块组
成,重块固定在倾斜接收线缆的下方,为线缆提供较大的向下拉力,浮球架固定在倾斜接收
线缆的上方,由于其完全浸没在海水中,可以为线缆提供较大的向上浮力,线缆同时还受到
水平方向海流的推力,上述作用力使得倾斜线缆沿着合力方向被拉直,从而控制倾斜线缆
的姿态不发生弯曲;使用自容式采集单元采集收集到的信息,为了实时记录倾斜接收阵在
水中姿态的变化,在倾斜接收阵的顶部和底部各安装一个温深仪和一个倾角仪,用于测量
倾斜接收阵顶部和底部的深度和角度信息,由于倾斜接收阵在水下已被拉直,可以依据其
顶部和底部的深度信息和倾斜接收阵的倾角信息计算倾斜接收阵上每个阵元的深度。
S1.2,将船只航行到目标实验站位,连接好发射和接收等数据采集设备,完成设备
的调试,在船舷处将倾斜线阵放入水中,并使用GPS测量仪记录此时的位置,然后利用声速
剖面仪进行该海区的声速剖面数据测量;在船尾处利用吊机将电火花声源和球形声源沉放
到=30米深度,由船只拖动声源完成水平方向上的移动,使船只行进至倾斜线阵附近,关
闭发动机,减少本船的噪声。
如图1所示,将多个接收阵元(图1中的数字1……96均代表接收阵元)固定在一根线缆上,线缆顶端放置浮标和浮球架,浮标的浮力为线缆提供向上的拉力;线缆底端连接一块重物,重物沉放在海底,为线缆提供向下的拉力;浮标拉力和重物拉力的合力使线缆绷直,同时浮标和线缆还受到海流水平方向的推力,因此整个线缆是倾斜的,称之为“倾斜接收阵”。
当船只和倾斜接收阵顶端浮标的水平距离发生变化时,倾斜接收阵上的阵元所接收到的反射波的掠射角范围如图2所示。
S1.3,声源在船漂流时连续发射尖脉冲信号,间隔秒,声源与倾斜接收阵水
平距离为米,,是测量水平距离的次数,第个接收器阵元的深度为米,1, 2,……, 96;当和一定时,通过搭载声源的调查船在海流作用下的
移动,使声源在不同水平位置上激发,改变声源与倾斜接收阵距离,并用倾斜线阵进行接
收;持续分钟后,关闭声源并开启船只发动机,使船只回到倾斜接收阵附近,再次
关闭发动机,海上实验装置布放如图1所示;重复上述测量步骤次后,完成电火花声
源的宽掠射角海底声反射数据的采集,回收电火花声源,船只开机返回倾斜接收阵处;更换
声源为球形声源,重复上述测量步骤,完成球形声源的宽掠射角海底声反射数据的采集,回
收球形声源,船只开机返回倾斜接收阵处;利用声学释放器释放倾斜接收阵和采集设备,待
其浮至水面后,打捞至船上;及时导出实验数据,做好数据备份。
S2,海底反射数据预处理及有效反射信息提取:首先对步骤S1中采集到的宽掠射角宽频带的原始海底反射数据进行预处理,包括数据导出、数据二进制化、数据切割,将原始数据转化为易处理的大小;然后采用基于深度学习的时域滤波方法去除噪声信号,基于多通道自相关度机制神经网络提取有效信号,再基于几何声波传播模型根据信号到达时间区分反射波和直接到达波,从而获取实际的海底反射信息。
S2.1,首先对采集到的原始数据进行预处理,将数据二进制化,方便后续软件处
理;再将数据切割为易于处理的大小,并过滤掉无效信号,保留有效的信号;所用数据接收
装置为= 96道自容式采集器,数据存在数据卡上,数据采集过程中为
=24道连续记录的二进制数据;将原始的单个数据文件包含了长达秒的反射
信号,编写程序将其分割为长度为秒的较小文件,再将24道连续记录信号转化为
单一通道信号。
S2.2,基于声源发射和接收器到达时间差的水下测距方法,对单一通道的实验数
据进行处理,由于倾斜接收线缆的姿态不可控,因此根据倾斜接收阵上不同位置捆绑的温
深仪和倾角仪,由空间几何关系计算确定第个接收器阵元的深度1, 2,
……, 96;是声源的深度,是根据GPS坐标计算的声源与倾斜接收阵水平距离,对于
一组确定的、、,设声源与第个接收器阵元的直线距离为米,直接到达波以速
度经过秒时间到达第个接收器阵元,反射波以速度经过海底反射后到达第个
接收器阵元,传播时间为秒,声波在海底的掠射角为,海底反射点为, 设点到声源
和第个接收器阵元的直线距离分别是和,声源和第个接收器阵元到海底的竖
直距离分别为和,由几何关系可以得到以下公式。
(1)。
(2)。
(3)。
由公式(1)、公式(2)和公式(3),分别建立和的关系,再根据直接
到达波和反射波的到达时间和传播距离,得到如下关系: (4)。
其中,是声速,是直达波传播用时,是反射波传播用时。
S2.3,以调查船和倾斜接收阵的GPS定位信息计算的为中心点,以米的
值初始化的取值范围,在此范围内遍历的值,使(4)式成立,得到满足所需精度要求的值,然后利用三角关系计算得到对应的掠射角。均由表示,而 是已知的量,根据调查船和倾斜接收阵的GPS定位信息计算的,以该为
中心点,以米的值初始化的取值范围,在此范围内遍历的值,使(4)式成立,得
到满足所需精度要求的值,然后利用三角关系计算得到对应的掠射角;通过上述方法,对
于任意一组确定的、、,计算出相应的掠射角,从而获取各个接收阵元的海底反射
信息所对应的掠射角,对各个阵元的掠射角求平均值,作为该水平距离下的掠射角;通过在
多个水平距离上发射和接收信号,可以得到宽掠射角范围的海底反射信息,能够满足局部
海域地声参数预测的需要。
S2.4,基于深度学习的时域滤波方法去除噪声信号,首先收集足够数量的含有噪声的海底反射声信号数据,通过窗函数对含噪声的海底反射数据进行滤波,得到有效频带内不含噪声的纯净信号数据;对含噪声的海底反射声信号数据和纯净信号数据进行预处理,包括数据清洗、格式转换、数据分割等;采用随机划分的方法,将数据划分为训练集、验证集以及用于预测地声参数的测试集,其中训练集占总数据量的70%左右,验证集以及用于预测地声参数的测试集各占总数据量的15%左右,将时域信号划分为短时序列,并将每个时刻的数据作为输入,每个样本的训练数据包含一定数量的含有噪声的时域信号和相应的无噪声时域信号。
S2.5,采用多通道自相关度网络模型结构,包括输入层、基于多通道自相关度机制的编码器以及输出层;每个多通道自相关度机制编码器由多个多通道自相关度机制模块和完全线性层组成,可以采用不同的超参数、层数等对网络结构进行设计和调整,使用最小均方误差函数作为损失函数,选择采用动量法的梯度下降优化器进行网络的训练。
S2.6,将训练数据送入网络进行训练,根据损失函数的反馈来更新网络的权重,训练过程中,通过调整学习率、正则化等超参数来提高模型的性能和泛化能力,当网络训练的损失函数值保持稳定后,视为网络已完成优化收敛。
S2.7,使用测试集对优化收敛后的网络模型进行测试,评评估网络的性能并调整模型参数,将新的含有噪声的时域信号输入训练好的模型中,获得去噪后的时域信号;对预测结果进行滤波、重采样等操作处理,得到最终的去噪后的海底反射声信号。
S2.8,从滤波去噪处理后的信号中提取直接到达波以及海底反射波的信息,用于
实现基于宽掠射角海底反射信息的地声参数预测;对于接收点深度为米、水平距离为
米处的水听器,利用几何声波传播模型计算的声线轨迹及响应时间,基于几何声波传播模
型计算的几何声线的声速与深度的关系图如图3所示,几何声线的反射波范围与深度的关
系图如图4所示;根据到达接收点的旅行时不同,能够在信号中区分直接到达波、海底反射
波以及海面反射波,从而实现直接到达波和海底反射波的拾取,从而计算反射系数,
基于几何声波传播模型计算信号响应时间如图5所示。 (5)。
式(5)中,表示海底反射波强度,表示直接到达波强度,表示反射波路
径长度,表示直接到达波路径长度,经过上述数据处理,可以得到掠射角为至范围
内的海底反射系数,用于进一步计算海底反射信息。
S3,基于积分变换法和待定系数法构建二维海底反射信息数据集:使用积分变换法计算海洋声场,求得与深度有关的方程,再利用待定系数法对深度分层的声场积分表达式进行数值计算求出海底反射信息,进而得到海底反射信息与掠射角的理论关系;再通过计算海底反射信息及其导数的互相关矩阵,构建二维海底反射信息数据集。
步骤S3具体包括如下步骤:S3.1,声源位于水平分层的海洋环境中,经过声源建立
柱坐标系,则包含声源的第层中含的声场可以用位移函数表示,其
中是以自然常数为底的指数函数,是虚数单位,是声源频率,代表时间,位移函数满足以下微分方程: (6)。
式(6)中分别表示柱坐标系下水平方向和竖直方向的位移,表示声源函数,表示第层
的介质波数,即: (7)。
式(7)中表示深度为处的声速,在无声源的水平层中,声场满足齐次条件,令
式(6)中声源函数恒等于零。
这里引入特殊函数变换对,如式(8)和(9)所示: (8)。
(9)。
其中,式(8)表示特殊函数正变换,式(9)表示特殊函数逆变换;代表声场参
量,如声压、位移参量或力学参量,是对应的波数参量,是水平波数,是贝塞尔
函数,表示其阶数;将特殊函数正变换应用于方程(6)能够得到深度分离的波动方程:
(10)。
式(10)即关于深度的常微分方程,为介质总波数,是深度分离的声源函
数;式(10)的特解与齐次方程的解和的线性组合构成了通
解,水平分层的声场通解为:。
(11)。
方程(11)中和是每一个水平层对应的待定系数,由该水平层上
下界面的边界条件决定。
在均匀的理想液体层中,体积弹性模量和密度是常数,相应地声速也是常数,
即: (12)。
因此介质波数也是常数;方程(10)的齐次解是以下指数函
数: (13)。
(14)。
式中表示压缩波,即纵波的势函数,为垂直波数: (15)。
如果在层内没有声源,总声场就可由特殊函数逆变换直接得出,即为:
(16)。
其中,总声场分解为水平波数为的上行锥形波和下行锥形波,为
上行锥形波的待定系数,为下行锥形波的待定系数,代表水平分层的零阶贝塞
尔函数;
上式在物理意义上是把总声场分解为水平波数为的上行()锥形波和下
行()锥形波。
液体层的边界条件含有垂直位移和法向应力,垂直位移为: (17)。
法向应力则由本构方程(即虎克定律)得出: (18)。
如果层中有声源,还必须加上方程(10)的特解,在全向点源的情况下,方程(10)中
的强迫项为: (19)。
式中是声源的强度,是声源的深度,这时方程(10)的特解为: (20)。
相应的声源对总声场的贡献仍然由特殊函数变换得出:
(21)。
如果在层内有更多的声源,则直接根据每个声源的贡献进行叠加;位移和应力用
类似式(17)和(18)的公式导出,从而得到: (22)。
(23)。
式(22)中,表示垂直位移,/>表示应力,/>表示单位阶跃函数。
S3.2,采用待定系数法求解水平分层的声场,将每个水平层视为一个有限元,该水
平层的声场解的待定系数定义为自由度,对整个全局方程组求出待定系数后,就可以用一
组待定系数确定每层内声场的精确积分表达式;和是第层中反射波和入射波的
幅度,这些幅度可以很方便地集合成一个局部自由度向量,即为:
(24)。
其中为水平波数,如果包含在边界条件中的声场参数的核函数表示成以下向量
形式:(25)。
上式中和分别表示位移和应力,则对于第层中解的齐次部
分,可以得到以下矩阵关系:
(26)。
局部系数矩阵是水平波数和深度的函数;对于均匀层,深度只出现
在指数函数中,因而可对系数矩阵进行因式分解变为:
(27)。
式中是与深度无关的矩阵,只包含的简单函数,是包含指数
项的对角矩阵;然后将声场函数与水平分层的解相加,则声场参数在第个界面
上的连续性可表示为: (28)。
其中,表示第m层上界面水平分层的解,表示第m层上界面水平分
层的声场函数,表示第m层下界面水平分层的解,表示第m层下界面水
平分层的声场函数,为了表示方便,这里去掉了界面的深度,并用上标表示界面的编号;如
果把式(28)重写成: (29)。
则等号两侧分别表示水平分层声场与齐次解中的间断特性,显然两者是能够相互
抵消的;因此这里引入界面间断特性向量,其表达式如下: (30)。
类似地可以引入有源声场间断特性向量。
为了把局部方程(29)集合到全局系统中,首先在上行和下行波场幅度中引入全局
自由度向量,这一向量用下面的局部到全局的唯一映射关系定义:
(31)。
将式(26)和式(31)代入式(30)以后,间断特性向量可以写为以下形式: (32)。
然后,这里引入第二个唯一映射关系,这一映射把局部声场间断特性向量集合到一个全局间断特性向量中,即:
(33)。
代入式(32)以后,上式就变为。
(34)。
类似地,可以得到全局有源声场间断特性向量。
(35)。
而式(36)与式(37)要实现全局相互抵消,必须满足以下线性方程组: (36)。
式中是全局系数矩阵,即: (37)。
其中拓扑矩阵和是矩阵元素全部为0或1的稀疏矩阵;由于方程(31)和方程
(33)均表示唯一映射,因此可以使用一系列的唯一指针联系局部元素与全局元素,避免繁
琐的矩阵运算;对于一般的液体-固体-真空情况,式(35)和式(37)中的拓扑矩阵定义极为
简单;拓扑矩阵被定义成只包含非零的波场幅度,在液体介质中只有上行波和下行
波的幅度;类似地,也被定义成只包含第界面上实际变量数目的边界条件;这样可
以确保全局系数矩阵是方阵,可以有效减少方程和待定系数的个数;由式(31)和式(33)的
映射关系定义的指针只与每层内待定数的数目和每个界面上的边界条件数量有关,而与频
率和波数均无关,因此能够事先确定;建立全局系数矩阵只要求计算局部系数矩阵
中的元素,然后按全局映射关系定义的指针传送,最后由随之产生的方程(36)的解能够同
时得到所有层中的待定波场幅度。
S3.3,计算入射平面波的复幅度和反射平面波的复幅度,其中为介质总波数,为入射波与水平方向的夹角即掠射
角,可以求出平面波反射系数: (38)。
根据求得的反射系数,计算得到海底的反射信息;
(39)。
由式(4)绘制出不同地声参数下海底反射信息随掠射角的变化曲线,从而得到掠射角和海底反射信息的理论关系。
根据理论关系,生成不同地声参数条件下的掠射角和反射信息的曲线,对曲
线进行求导得到海底反射曲线的导函数和二阶导函数,分别计算
和的互相关矩阵和;建立关于和的等效二维图像,图像的横轴和纵轴均为,且范围
;等效图像的每一个像素点的坐标均对应一对角度,是横轴对应的角度,是纵轴对
应的角度;将 和对应的协方差、和等效为该像素
点的颜色信息,从而将不同地声参数对应的一维的海底反射信息变化曲线转化为二
维的等效图片数据,实现了海底反射数据的升维;通过上述步骤建立了
的二维海底反射信息数据集,其中是横轴和纵轴选取角度的个数,用于地声参数预测
网络的训练。
S4,基于多通道自相关度机制网络的海底地声参数预测方法:在步骤S3中建立的二维海底反射信息数据集上训练多通道自相关度机制网络,通过深度学习方法建立宽掠射角宽频带海底反射信息与海底地声参数之间的非线性映射关系,不断更新迭代网络模型参数直至网络优化收敛;再将步骤S2中提取的实际海底反射信息输入收敛后的多通道自相关度机制网络,网络输出即是海底反射信息对应的海底地声参数,从而实现基于深度学习的海底地声参数的预测,多通道自相关度机制网络结构如图6所示。
步骤S4具体包括如下步骤:S4.1,对于步骤S3中建立的二维海底反射信息数据集,
将训练集中大小为的二维海底反射数据输入;对输入数据做
初始化处理,令二维图片的数据尺寸为,其大小为每个分块的尺寸为,输入通道数为,嵌入层的维度为= 768。
S4.2,通过卷积算子对二维数据进行分块特征提取,卷积核大小 与分块尺寸相同,分块后的二维样本数目;批量样本数为,输
入等效图片数据的高度,且宽度,通道数;经过卷积运算,得到输出;将分
块后的二维数据展平成一维数据,从而实现
数据的降维;再对一维数据进行操作,使数据维度转化为。其中,代表输出数据的批量样本数,代表输出数据的通道
数,代表输出数据的高度,代表输出数据的宽度,代表将输出数据的宽度
和高度展平到同一维度。
S4.3,将降维处理后的数据与特征向量进行拼接,对
拼接后的数据进行位置编码;将经过拼接和位置编码的序列输入一个含有丢弃层,即丢弃
层的网络结构,其丢弃概率为;通过丢弃层,得到769个维度为的。
S4.4,将向量组成的序列作为张量输入多通道自相关度机制编码层,自相
关度的通道数为,每一个自相关通道的维度;
单个自相关通道的规范化参数为;将输入的张量均分为
个子张量,每个子张量的维度均为。
S4.5,将均分后的个子张量并行输入第一层多通道自相关度机
制编码层,首先进入一个维度为= 8的完全线性网络层,分别计算其查询值
张量、关键值张量、真实值张量:
。
。
(40)。
式(30)中,代表查询值变换张量,代表关键值变换张量,代表真实值变
换张量;计算得到的按照自相关的通道数划分为个,即; 然后对,
……分别计算其自相关度张量:
(41)。
其中是张量和的列数;查询值张量与关键值张量的转置的乘积除以它
们的维度后,对每一行进行规范化计算,将张量各行结果转化为一个和为1且各项
的值均非负的序列,然后乘以真实值张量,从而得到每一个通道的输出;
对各通道的输出进行操作,将个通道的输出拼接为一个张量,通过
一个完全线性网络层对拼接后的张量进行线性映射操作后,再输入一个概率
为= 0.2的网络结构,从而得到第一层多重自相关度机制的输出结果。
S4.6,采用跃层连接,将第一层多通道自相关度机制编码层的输入张量和输出张
量相结合,然后再进行基于行标准的规范化,将张量各行结果转化为一个均值为0方差
为1的序列,转化后的结果为张量。
S4.7,将张量 输入多层线性网络模块,该模块包含两层完全线性网络结
构,首先输入第一层完全线性网络结构,输入的维度与张量的维度相同,输出的
维度,为待设定的参数;该层的丢弃概率为,
采用函数提高模型的非线性拟合能力: (42)。
是函数的输入变量,是归一化的标准高斯随机变量;再将第一层的输出
结果输入第二层完全线性网络结构,第二层不使用激活函数,丢弃概率为,其输
入的维度是,输出的维度与相同;整个多层线性网络模块对应的公式
如下: (43)。
和是两个不同的权重张量,和是两个不同的偏置张量,整个多层线性
网络模块输出结果的维度与一致,采用跃层连接,将多层线性网络模块的输出结果
与相结合;对结合后的张量进行基于行标准的规范化,将张量的各行元素转化为均
值为0、方差为1的序列,从而得到多层线性网络模块的输出张量,即第一层多通道自相关
度机制编码层的输出,并将其作为第二层多通道自相关度机制编码层的输入。
S4.8,在第层( = 2, 3, ……, 8),即多通道自相关度机制编码层包括:第一层
多通道自相关度机制编码层、第二层多通道自相关度机制编码层、第三层多通道自相关度
机制编码层……、第七层多通道自相关度机制编码层、第八层多通道自相关度机制编码层,
多通道自相关度机制编码层中,首先对第层的输出进行基于行标准的规范化,再
输入多通道自相关度机制编码层,输出结果为张量,将张量通过丢弃层;采用跃层
连接,将张量和相结合,输出张量,进行基于行标准的规范化后,输入多层
线性网络模块;将多层线性网络模块的输出结果通过丢弃层,采用跃层连接,将通过丢弃层
的输出与相结合,从而得到第层多通道自相关度机制编码层的输出,并将其作为第层多通道自相关度机制编码层的输入;重复上述第2,3,……8层多通道自相关度机制
编码层中的步骤,最终得到第层多通道自相关度机制编码层的输出张量。
S4.9,对第层多通道自相关度机制编码层的输出结果进行基于行的标准化,
再从中提取出特征向量对应行的输出结果;再将特征向量的输出结果导入
一个完全线性网络层,通过完全线性网络层的输出结果即是二维海底反射数据经过多通道
自相关度机制神经网络处理后的高维抽象特征。
S4.10,使用抽象特征—地声参数匹配网络模块,模块的输入为高维抽象特征,输
出为预测的地声参数;通过正向传播过程计算权重张量并更新网络参数,再通过反向传播
过程计算梯度,重复正向传播和反向传播过程共= 300轮,从而实现模型参数的优化
迭代,建立抽象特征和地声参数的映射关系,完成神经网络的训练过程。
S4.11,将实际采集到的局部海底反射数据输入步骤S4.10中训练好的神经网络,通过网络处理得到实际海底反射数据的高维抽象特征,并将实际海底反射数据的高维抽象特征输入抽象特征和地声参数匹配网络模块,该模块的输出即实际海底反射数据的地声参数预测值,从而实现浅海局部海底地声参数的预测。
根据实验海域的实际海上实验获得的宽频带、宽掠射角海底反射数据,利用本发
明的方法预测实验海域的地声参数,验证结果表明,海底沉积物纵波速度为1659 ,声
衰减为0.656 ,其与后验概率分布的最大概率密度处吻合;实际海底反射信息和预测
海底反射信息如图7所示,预测地声参数的后验概率分布如图8和图9所示,实际后验概率分
布的峰值区域与预测结果一致,且本发明的预测结果与在相同海域使用经验公式预测的结
果相符,从而说明本发明的有效性。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (10)
1.一种基于深度学习的漂流式浅海局部地声参数预测方法,其特征在于,具体包括如下步骤:
S1,采用漂流方式获取海底反射数据;
S2,对由步骤S1采集到的原始海底反射数据进行预处理;采用基于深度学习的时域滤波方法去除噪声信号,基于多通道自相关度机制神经网络提取有效信号,再基于几何声波传播模型根据信号到达时间区分反射波和直接到达波,获取实际的海底反射信息;
S3,基于积分变换法和待定系数法构建二维海底反射信息数据集;
S4,在步骤S3中建立的二维海底反射信息数据集上训练多通道自相关度机制神经网络;再将步骤S2中提取的实际海底反射信息输入收敛后的多通道自相关度机制神经网络,网络输出即是海底反射信息对应的海底地声参数。
2.根据权利要求1所述的一种基于深度学习的漂流式浅海局部地声参数预测方法,其特征在于,步骤S1具体包括如下步骤:
S1.1,采用电火花声源和球形声源作为激发声源,以获得频带范围为1-10 kHz的声源信号;
S1.2,将船只航行到目标实验站位,连接并调试数据采集设备,在船舷处将倾斜接收阵放入水中,并使用GPS测量仪记录此时的位置,然后利用声速剖面仪进行声速剖面数据测量;将电火花声源沉放到深度,由船只拖动声源完成水平方向上的移动,使船只行进至倾斜接收阵附近,关闭发动机;
S1.3,声源在船漂流时连续发射尖脉冲信号,间隔秒,声源与倾斜接收阵水平距离为米,/>,/>是测量水平距离的次数,第/>个接收器阵元的深度为/>米,/>是接收器阵元的个数,/>;当/>和/>一定时,通过搭载声源的调查船在海流作用下的移动,使声源在不同水平位置上激发,改变声源与倾斜接收阵距离/>,并用倾斜接收阵进行接收;持续/>分钟后,关闭声源并开启船只发动机,使声源回到倾斜接收阵附近,再次关闭发动机;进行电火花声源的宽掠射角海底声反射数据的采集,回收电火花声源,船只开机返回倾斜接收阵处;更换声源为球形声源,进行球形声源的宽掠射角海底声反射数据的采集,回收球形声源,船只开机返回倾斜接收阵处;利用声学释放器释放倾斜接收阵和采集设备,待其浮至水面后,打捞至船上,并导出实验数据。
3.根据权利要求1所述的一种基于深度学习的漂流式浅海局部地声参数预测方法,其特征在于,步骤S2具体包括如下步骤:
S2.1,对采集到的原始数据进行预处理,将数据二进制化再将数据切割并过滤掉无效信号,保留有效信号;
S2.2,对单一通道的实验数据进行处理,由空间几何关系计算确定第个接收器阵元的深度/>;/>是声源的深度,/>是根据GPS坐标计算的声源与倾斜接收阵水平距离,设声源与第/>个接收器阵元的直线距离为/>米,设点/>到声源和第/>个接收器阵元的直线距离分别是/>和/>,声源和第/>个接收器阵元到海底的竖直距离分别为和/>,由几何关系可以得到以下公式:
(1);
(2);
(3);
由公式(1)、公式(2)和公式(3),分别建立和/>的关系,再根据直接到达波和反射波的到达时间和传播距离,得到如下关系:
(4);
其中,是声速,/>是直达波传播用时,/>是反射波传播用时。
4.根据权利要求3所述的一种基于深度学习的漂流式浅海局部地声参数预测方法,其特征在于,步骤S2具体包括如下步骤:
S2.3,以调查船和倾斜接收阵的GPS定位信息计算的为中心点,以/>米的值初始化/>的取值范围,在此范围内遍历/>的值,使(4)式成立,得到满足所需精度要求的/>值,然后利用三角关系计算得到对应的掠射角;
S2.4,对含噪声的海底反射声信号数据和纯净信号数据进行预处理;采用随机划分的方法,将数据划分为训练集、验证集以及用于预测地声参数的测试集;
S2.5,采用多通道自相关度机制神经网络模型结构;每个多通道自相关度机制编码器由多个多通道自相关度机制模块和完全线性层组成,使用最小均方误差函数作为损失函数,采用动量法的梯度下降优化器进行网络的训练;
S2.6,将训练数据送入网络进行训练,根据损失函数的反馈更新网络的权重;
S2.7,使用测试集对优化收敛后的网络模型进行测试;
S2.8,对于接收点深度为米、水平距离为/>米处的水听器,利用几何声波传播模型计算的声线轨迹及响应时间;计算反射系数/>;
(5);
式(5)中,表示海底反射波强度,/>表示直接到达波强度,/>表示反射波路径长度,/>表示直接到达波路径长度。
5.根据权利要求1所述的一种基于深度学习的漂流式浅海局部地声参数预测方法,其特征在于,步骤S3具体包括如下步骤:
S3.1,经过声源建立柱坐标系,则包含声源的第/>层中含/>的声场可以用位移函数表示,其中/>是以自然常数/>为底的指数函数,/>是虚数单位,/>是声源频率,/>代表时间,位移函数/>满足以下微分方程:
(6);
式(6)中分别表示柱坐标系下水平方向和竖直方向的位移,/>是拉普拉斯算子,/>是狄拉克函数,/>表示声源函数,/>表示第/>层的介质波数,即:
(7);
式(7)中表示深度为/>处的声速,在无声源的水平层中,声场满足齐次条件,令式(6)中声源函数恒等于零;
将特殊函数正变换应用于方程(6)得到深度分离的波动方程:
(8);
其中,为介质总波数,/>是深度分离的声源函数;式(10)的特解/>与齐次方程的解/>和/>的线性组合构成了通解,水平分层的声场通解为:
;
(9);
方程(9)中和/>是每一个水平层对应的待定系数,由该水平层上下界面的边界条件决定;
如果在层内没有声源,总声场就由特殊函数逆变换直接得出,即为:
(10);
其中,总声场分解为水平波数为的上行锥形波/>和下行锥形波/>,/>为上行锥形波的待定系数,/>为下行锥形波的待定系数,/>代表水平分层的零阶贝塞尔函数;
如果层中有声源, 相应的声源对总声场的贡献仍然由式特殊函数变换得出:
(11);
如果在层内有更多的声源,则直接根据每个声源的贡献进行叠加,即:
(12);
(13);
式(12)中,表示垂直位移,/>表示应力,/>表示单位阶跃函数。
6.根据权利要求5所述的一种基于深度学习的漂流式浅海局部地声参数预测方法,其特征在于,步骤S3具体包括如下步骤:
S3.2,采用待定系数法求解水平分层的声场,将第层中反射波幅度/>和入射波幅度集合成一个局部自由度向量/>,即为:
(14);
其中为水平波数,如果包含在边界条件中的声场参数的核函数表示成以下向量形式:
(15);
上式中和/>分别表示位移和应力,则对于第/>层中解的齐次部分,可以得到以下矩阵关系:
(16);
局部系数矩阵是水平波数/>和深度/>的函数;
将声场函数与水平分层的解相加,则声场参数在第/>个界面上的连续性表示为:
(17);
其中,表示第m层上界面水平分层的解,/>表示第m层上界面水平分层的声场函数,/>表示第m层下界面水平分层的解,/>表示第m层下界面水平分层的声场函数;
全局有源声场间断特性向量:
(18);
式(19)与式(20)要实现全局相互抵消,必须满足以下线性方程组:
(19);
式中是全局系数矩阵,即:
(20);
其中拓扑矩阵和/>是矩阵元素全部为0或1的稀疏矩阵。
7.根据权利要求6所述的一种基于深度学习的漂流式浅海局部地声参数预测方法,其特征在于,步骤S3具体包括如下步骤:
S3.3,计算入射平面波的复幅度和反射平面波的复幅度,其中/>为介质总波数,/>为入射波与水平方向的夹角即掠射角,求出平面波反射系数/>:
(21);
根据求得的反射系数,计算得到海底的反射信息/>;
(22);
生成不同地声参数条件下的掠射角和反射信息的曲线,对曲线进行求导得到海底反射曲线的导函数/>和二阶导函数/>,分别计算/>和/>的互相关矩阵/>和/>;建立关于/>和/>的等效二维图像,图像的横轴和纵轴均为/>,且/>范围/>。
8.根据权利要求1所述的一种基于深度学习的漂流式浅海局部地声参数预测方法,其特征在于,步骤S4具体包括如下步骤:
S4.1,对于由步骤S3建立的二维海底反射信息数据集,将训练集中的二维海底反射数据输入嵌入层模块,对输入数据做初始化处理;
S4.2,通过卷积算子对二维数据进行分块特征提取;
S4.3,将降维处理后的数据与特征/>向量进行拼接,对拼接后的数据进行位置编码;将经过拼接和位置编码的序列输入一个含有丢弃层的网络结构,其丢弃概率为/>;通过丢弃层,得到维度为/>的/>向量。
9.根据权利要求8所述的一种基于深度学习的漂流式浅海局部地声参数预测方法,其特征在于,步骤S4具体包括如下步骤:
S4.4,将向量组成的序列作为张量/>输入多通道自相关度机制编码层,自相关度的通道数为/>,每一个自相关通道的维度;单个自相关通道的规范化参数为;将输入的张量/>均分为/>个子张量,每个子张量的维度均为/>;
S4.5,将均分后的子张量并行输入第一层多通道自相关度机制编码层,首先进入一个维度为/>的完全线性网络层,分别计算其查询值张量/>、关键值张量/>、真实值张量/>:
;
;
(23);
式(23)中,代表查询值变换张量,/>代表关键值变换张量,/>代表真实值变换张量;计算得到的/>按照自相关度的通道数划分为/>个,即;然后对/>, />…分别计算其自相关度张量/>:
(24);
其中是张量/>和/>的列数。
10.根据权利要求9所述的一种基于深度学习的漂流式浅海局部地声参数预测方法,其特征在于,步骤S4具体包括如下步骤:
S4.6,采用跃层连接,将第一层多通道自相关度机制编码层的输入张量和输出张量相结合,然后再进行基于行标准的规范化,将张量各行结果转化为一个均值为0方差为1的序列,转化后的结果为张量/>;
S4.7,将张量 输入多层线性网络模块,该模块包含两层完全线性网络结构,首先输入第一层完全线性网络结构,输入的维度/>与张量/>的维度相同,输出的维度,/>为待设定的参数;该层的丢弃概率为/>,采用函数提高模型的非线性拟合能力:
(25);
是/>函数的输入变量,/>是归一化的标准高斯随机变量;整个多层线性网络模块对应的公式如下:
(26);
和/>是两个不同的权重张量,/>和/>是两个不同的偏置张量,整个多层线性网络模块输出结果的维度与维度/>一致,对结合后的张量进行基于行标准的规范化,得到多层线性网络模块的输出张量/>;
S4.8,在第层,其中 /> = 2, 3, … , L多通道自相关度机制编码层中,首先对第/>层的输出/>进行规范化,再输入多通道自相关度机制编码层;采用跃层连接,进行基于行标准的规范化后,输入多层线性网络模块;将多层线性网络模块的输出结果通过丢弃层,采用跃层连接,得到第/>层多通道自相关度机制编码层的输出,并将其作为第/>层多通道自相关度机制编码层的输入;重复上述第/>层多通道自相关度机制编码层中的步骤,最终得到第/>层多通道自相关度机制编码层的输出张量/>;
S4.9,对第层多通道自相关度机制编码层的输出结果/>进行基于行的标准化,再将特征/>向量的输出结果导入一个完全线性网络层,通过完全线性网络层的输出结果即是二维海底反射数据经过多通道自相关度机制神经网络处理后的高维抽象特征;
S4.10,使用抽象特征和地声参数匹配网络模块,模块的输入为高维抽象特征,输出为预测的地声参数;通过正向传播过程计算权重张量并更新网络参数,再通过反向传播过程计算梯度,重复正向传播和反向传播过程,完成神经网络的训练过程;
S4.11,将由步骤S2实际采集到的局部海底反射数据输入步骤S4.10中的神经网络,预测浅海局部海底地声参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310904340.6A CN116660996B (zh) | 2023-07-24 | 2023-07-24 | 一种基于深度学习的漂流式浅海局部地声参数预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310904340.6A CN116660996B (zh) | 2023-07-24 | 2023-07-24 | 一种基于深度学习的漂流式浅海局部地声参数预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116660996A true CN116660996A (zh) | 2023-08-29 |
CN116660996B CN116660996B (zh) | 2023-10-13 |
Family
ID=87722642
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310904340.6A Active CN116660996B (zh) | 2023-07-24 | 2023-07-24 | 一种基于深度学习的漂流式浅海局部地声参数预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116660996B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116879952A (zh) * | 2023-09-06 | 2023-10-13 | 自然资源部第一海洋研究所 | 点源弹性波海底反射系数的计算方法、存储介质和设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150168576A1 (en) * | 2012-06-04 | 2015-06-18 | Fairfield Industries Incorporated D/B/A Fairfieldnodal | Seismic data analysis using ocean bottom node data collection |
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 |
CN104820218A (zh) * | 2015-05-26 | 2015-08-05 | 中国科学院声学研究所东海研究站 | 一种基于频域自相关的浅海海底单参数反演方法 |
US20170277815A1 (en) * | 2016-03-23 | 2017-09-28 | River Analyzer Inc. d/b/a Fresh Water Map | Granular river attributes and predictions using acoustic doppler current profiler data from river floats |
CN109031415A (zh) * | 2018-06-20 | 2018-12-18 | 清华大学 | 一种基于深度卷积神经网络的可控震源数据振铃压制方法 |
US20210279591A1 (en) * | 2020-03-04 | 2021-09-09 | Google Llc | Minimum Deep Learning with Gating Multiplier |
CN115359197A (zh) * | 2022-08-17 | 2022-11-18 | 电子科技大学 | 一种基于空间自相关神经网络的地质曲面重构方法 |
CN115824458A (zh) * | 2023-02-22 | 2023-03-21 | 自然资源部第一海洋研究所 | 一种海底底层水温反演的方法和装置 |
-
2023
- 2023-07-24 CN CN202310904340.6A patent/CN116660996B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150168576A1 (en) * | 2012-06-04 | 2015-06-18 | Fairfield Industries Incorporated D/B/A Fairfieldnodal | Seismic data analysis using ocean bottom node data collection |
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 |
CN104820218A (zh) * | 2015-05-26 | 2015-08-05 | 中国科学院声学研究所东海研究站 | 一种基于频域自相关的浅海海底单参数反演方法 |
US20170277815A1 (en) * | 2016-03-23 | 2017-09-28 | River Analyzer Inc. d/b/a Fresh Water Map | Granular river attributes and predictions using acoustic doppler current profiler data from river floats |
CN109031415A (zh) * | 2018-06-20 | 2018-12-18 | 清华大学 | 一种基于深度卷积神经网络的可控震源数据振铃压制方法 |
US20210279591A1 (en) * | 2020-03-04 | 2021-09-09 | Google Llc | Minimum Deep Learning with Gating Multiplier |
CN115359197A (zh) * | 2022-08-17 | 2022-11-18 | 电子科技大学 | 一种基于空间自相关神经网络的地质曲面重构方法 |
CN115824458A (zh) * | 2023-02-22 | 2023-03-21 | 自然资源部第一海洋研究所 | 一种海底底层水温反演的方法和装置 |
Non-Patent Citations (2)
Title |
---|
YALAN SONG ET AL.: "Surrogate Model for Shallow Water Equations Solvers with Deep Learning", ARXIV, pages 1 - 42 * |
王尚可 等: "浅海声速剖面和沉积层对低频声传播损失的影响", 舰船科学技术, vol. 40, no. 5, pages 100 - 104 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116879952A (zh) * | 2023-09-06 | 2023-10-13 | 自然资源部第一海洋研究所 | 点源弹性波海底反射系数的计算方法、存储介质和设备 |
CN116879952B (zh) * | 2023-09-06 | 2023-11-21 | 自然资源部第一海洋研究所 | 点源弹性波海底反射系数的计算方法、存储介质和设备 |
US11966001B1 (en) | 2023-09-06 | 2024-04-23 | First Institute Of Oceanography, Mnr | Calculation method, storage medium and device for seabed reflection coefficient of point source elastic wave |
Also Published As
Publication number | Publication date |
---|---|
CN116660996B (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11733381B2 (en) | Sound velocity profile inversion method based on inverted multi-beam echo sounder | |
Lecours et al. | A review of marine geomorphometry, the quantitative study of the seafloor | |
US20190187312A1 (en) | Processes and systems for generating a high-resolution velocity model of a subterranean formation using iterative full-waveform inversion | |
US10353092B2 (en) | Velocity model update with an inversion gradient | |
CN110462445A (zh) | 地球物理深度学习 | |
US11215726B2 (en) | Inversion with exponentially encoded seismic data | |
Xu | Measuring currents in submarine canyons: technological and scientific progress in the past 30 years | |
CN112883564B (zh) | 一种基于随机森林的水体温度预测方法及预测系统 | |
Thornton et al. | Instruments and methods for acoustic and visual survey of manganese crusts | |
CN103292792B (zh) | 一种适用海底探测与假地形处理的实测svp重构方法 | |
NO20141519A1 (no) | Fremgangsmåter og systemer for optimalisering av generering av seismiske avbildninger | |
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 | |
CN117198330B (zh) | 一种声源识别方法、系统及电子设备 | |
CN116520431B (zh) | 浅表海底沉积物宽频分层声速结构构建方法、装置和介质 | |
Wang et al. | Seismic velocity inversion transformer | |
Lamarche et al. | Benthic habitat mapping | |
CN108369287A (zh) | 确定节点深度和水柱通过速度 | |
CN101576621A (zh) | 海底电缆双检地震勘探的数据处理方法及数据处理装置 | |
CN109632258A (zh) | 一种基于矢量传感器的收发分离的海洋内波声学检测方法 | |
Aleksandra et al. | Assessment of submerged aquatic vegetation abundance using multibeam sonar in very shallow and dynamic environment. The Lagoon of Venice (Italy) case study | |
TANG et al. | Application of LVQ neural network combined with the genetic algorithm in acoustic seafloor classification | |
CN114675331A (zh) | 水面走航式探测海底气泡型浅层气的装置及方法 | |
Peak | Wave refraction over complex nearshore bathymetry | |
US20210270984A1 (en) | Geometrical Distribution for Non-Impulsive Sources | |
Uzhansky et al. | Using a kilometers-long horizontal multichannel array for estimating seafloor sound speed in a passive margin setting |
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 |