CN117198330B - 一种声源识别方法、系统及电子设备 - Google Patents
一种声源识别方法、系统及电子设备 Download PDFInfo
- Publication number
- CN117198330B CN117198330B CN202311464901.1A CN202311464901A CN117198330B CN 117198330 B CN117198330 B CN 117198330B CN 202311464901 A CN202311464901 A CN 202311464901A CN 117198330 B CN117198330 B CN 117198330B
- Authority
- CN
- China
- Prior art keywords
- sound source
- sound
- model
- data
- parameters
- 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
- 238000000034 method Methods 0.000 title claims abstract description 123
- 238000004088 simulation Methods 0.000 claims abstract description 88
- 238000013528 artificial neural network Methods 0.000 claims abstract description 51
- 238000005259 measurement Methods 0.000 claims abstract description 37
- 238000001514 detection method Methods 0.000 claims abstract description 29
- 238000013135 deep learning Methods 0.000 claims abstract description 27
- 239000013049 sediment Substances 0.000 claims description 44
- 238000001228 spectrum Methods 0.000 claims description 43
- 238000012549 training Methods 0.000 claims description 37
- 239000013535 sea water Substances 0.000 claims description 34
- 238000004458 analytical method Methods 0.000 claims description 25
- 230000007613 environmental effect Effects 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000004613 tight binding model Methods 0.000 claims description 4
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000013076 uncertainty analysis Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 2
- 238000011160 research Methods 0.000 abstract description 25
- 230000004927 fusion Effects 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 52
- 239000010410 layer Substances 0.000 description 37
- 230000006870 function Effects 0.000 description 31
- 230000004044 response Effects 0.000 description 22
- 230000000694 effects Effects 0.000 description 20
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 19
- 238000010521 absorption reaction Methods 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 10
- 230000005855 radiation Effects 0.000 description 10
- 230000008901 benefit Effects 0.000 description 9
- 230000008021 deposition Effects 0.000 description 9
- 238000013136 deep learning model Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000011161 development Methods 0.000 description 7
- 238000004880 explosion Methods 0.000 description 7
- 239000004576 sand Substances 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000003064 k means clustering Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 238000007621 cluster analysis Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000002265 prevention Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000009021 linear effect Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 239000002344 surface layer Substances 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000012625 in-situ measurement Methods 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 238000005293 physical law Methods 0.000 description 2
- 238000001028 reflection method Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 102000005636 Cyclic AMP Response Element-Binding Protein Human genes 0.000 description 1
- 108010045171 Cyclic AMP Response Element-Binding Protein Proteins 0.000 description 1
- 241001386813 Kraken Species 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- HOWHQWFXSLOJEF-MGZLOUMQSA-N systemin Chemical compound NCCCC[C@H](N)C(=O)N[C@@H](CCSC)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](CC(O)=O)C(=O)OC(=O)[C@@H]1CCCN1C(=O)[C@H]1N(C(=O)[C@H](CC(O)=O)NC(=O)[C@H](CCCN=C(N)N)NC(=O)[C@H](CCCCN)NC(=O)[C@H](CO)NC(=O)[C@H]2N(CCC2)C(=O)[C@H]2N(CCC2)C(=O)[C@H](CCCCN)NC(=O)[C@H](CO)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@@H](NC(=O)[C@H](C)N)C(C)C)CCC1 HOWHQWFXSLOJEF-MGZLOUMQSA-N 0.000 description 1
- 108010050014 systemin Proteins 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
Landscapes
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开一种声源识别方法、系统及电子设备,涉及声音识别分类技术领域。本发明将获取的实测数据中超过预设阈值的数据作为目标信号,并将目标信号输入基于以物理信息神经网络为内核网络的深度学习网络构建得到声源识别分类网络中,得到声源参数,基于声源参数确定声源识别分类结果,能够提高分类精度,增强识别的容错能力,实现多模态信息融合;同时,从数值仿真方面,本发明基于模型在海洋环境中的适用条件以及声学环境参数不确定性对模型性能的影响规律开展研究,能够提升对声源追踪和识别的性能,解决应用于实际海洋环境背景下识别模型环境适应性差的难题,进而能够满足海洋观测对高性能水下目标智能探测、定位和跟踪系统的迫切需要。
Description
技术领域
本发明涉及声音识别分类领域,特别是涉及一种声源识别方法、系统及电子设备。
背景技术
基于内嵌专业知识和经验深度学习构建浅海声源识别模型的研究,在水下声学识别方面具有重要应用价值。由于海洋环境复杂多变,存在识别模型在不同环境中预测准确度和环境适应性不佳的问题,这严重影响了其在实际中的可靠应用能力。
海洋声学目标识别方法对于促进海洋探索与开发至关重要。海洋声学目标的被动识别方法具有隐蔽性强且工作距离远的优势,是被动声学监测系统和现代声学换能器智能化的关键技术之一,结合实际海洋水文环境,建立应用于实际海洋环境背景下的声学目标被动识别方法,更有效融合海洋声学目标的多模态特征信息,提升水下目标的识别能力已成为迫在眉睫的重要研究课题,具有非常重要的科研价值。但是现有声学目标被动识别方法,并不能应用于实际海洋环境背景,其存在分类精度和识别容错能力低等问题,无法实现多模态信息融合;同时,从数值仿真方面,存在应用于实际海洋环境背景下识别模型环境适应性差的难题,无法满足海洋观测对高性能水下目标智能探测、定位和跟踪系统的迫切需要,更加无法应用于港口航运保障、海洋资源勘探、海洋防灾减灾等领域。
发明内容
为解决现有技术存在的上述问题,本发明提供了一种声源识别方法、系统及电子设备。
为实现上述目的,本发明提供了如下方案:
一种声源识别方法,包括:
获取海洋环境中的实测数据,并将所述实测数据中超过预设阈值的数据作为目标信号;
将所述目标信号输入声源识别分类网络得到声源参数;所述声源识别分类网络基于以物理信息神经网络为内核网络的深度学习网络构建得到;
基于所述声源参数确定声源识别分类结果。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供的声源识别方法,将获取的实测数据中超过预设阈值的数据作为目标信号,并将目标信号输入基于以物理信息神经网络为内核网络的深度学习网络构建得到声源识别分类网络中,得到声源参数,然后,基于声源参数确定声源识别分类结果,能够提高分类精度,增强识别的容错能力,实现多模态信息融合;同时,从数值仿真方面,本发明基于模型在海洋环境中的适用条件以及声学环境参数不确定性对模型性能的影响规律开展研究,能够提升对声源追踪和识别的性能,解决应用于实际海洋环境背景下识别模型环境适应性差的难题,进而能够满足海洋观测对高性能水下目标智能探测、定位和跟踪系统的迫切需要,在港口航运保障、海洋资源勘探、海洋防灾减灾等领域具有较好的应用前景。
进一步,本发明还提供了一种声源识别系统,应用于上述提供的声源识别方法;所述系统包括:
实测数据获取模块,用于获取海洋环境中的实测数据,并将所述实测数据中超过预设阈值的数据作为目标信号;
声源参数确定模块,用于将所述目标信号输入声源识别分类网络得到声源参数;所述声源识别分类网络基于以物理信息神经网络为内核网络的深度学习网络构建得到;
声源识别分类模块,用于基于所述声源参数确定声源识别分类结果。
一种电子设备,包括:
存储器,用于存储计算机程序;
处理器,与所述存储器连接,用于调取并执行所述计算机程序,以实施上述提供的声源识别方法。
因本发明提供的上述两种实施结构实现的技术效果与本发明提供的声源识别方法实现的技术效果相同,故在此不再进行赘述。
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,下面将对实施例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他的附图。
图1为本发明提供的声源识别方法流程图;
图2为本发明提供的声源识别方法的实施架构图;
图3为本发明提供的海洋环境参数混合参数化方案示意图;
图4为本发明提供的DNN训练的技术路线图;
图5为本发明提供的基于理想水声传播通道描述的点源响应仿真图;其中,图5的(a)为距离源2500米时描述的点源响应仿真图,图5的(b)为距离源5000米时描述的点源响应仿真图,图5的(c)为距离源7500米时描述的点源响应仿真图,图5的(d)为距离源10000米时描述的点源响应仿真图;
图6为本发明提供的船舶辐射噪声频谱仿真图;
图7为本发明提供的船舶辐射噪声声压仿真图;
图8为本发明提供的基于模型的船舶辐射噪声仿真图;其中,图8的(a)为船舶辐射噪声信号时域图,图8的(b)为船舶辐射噪声信号时频图,图8的(c)为船舶辐射噪声信号频谱图;
图9为本发明提供的基于模型的爆炸声源时域仿真图;其中,图9的(a)为爆炸声源信号时域图,图9的(b)为爆炸声源信号时频图,图9的(c)为信号频谱图;
图10为本发明提供的四个海底模型仿真生成的训练数据示意图;其中,图10的(a)为第一个海底模型仿真生成的训练数据示意图,图10的(b)为第二个海底模型仿真生成的训练数据示意图,图10的(c)为第三个海底模型仿真生成的训练数据示意图,图10的(d)为第四个海底模型仿真生成的训练数据示意图。
图11为本发明提供的基于分层海底模型的二维声波仿真图;其中,图11的(a)为泥的二维声波仿真图,图11的(b)为泥质砂的二维声波仿真图,图11的(c)为砂质泥的二维声波仿真图,图11的(d)为砂的二维声波仿真图。
图12为本发明提供的第一种平面声场的PINNs预测值与FD真实解对比仿真图;其中,图12的(a)为t=0.01秒时第一种平面声场的PINNs预测值与FD真实解对比仿真图,图12的(b)为t=0.02秒时第一种平面声场的PINNs预测值与FD真实解对比仿真图,图12的(c)为间t=0.05秒时第一种平面声场的PINNs预测值与FD真实解对比仿真图,图12的(d)为t=0.1秒时第一种平面声场的PINNs预测值与FD真实解对比仿真图;
图13为本发明提供的第二种平面声场的PINNs预测值与FD真实解对比仿真图;其中,图13的(a)为0.02秒时第二种平面声场的PINNs预测值与FD真实解对比仿真图,图13的(b)为0.05秒时第二种平面声场的PINNs预测值与FD真实解对比仿真图,图13的(c)为0.1秒时第二种平面声场的PINNs预测值与FD真实解对比仿真图,图13的(d)为0.18秒时第二种平面声场的PINNs预测值与FD真实解对比仿真图;
图14为本发明提供的第1分钟时声源噪声测量与DNN分类预测效果图;其中,图14的(a)为第1分钟时域中的信号图,图14的(b)为第1分钟信号振幅频谱图,图14的(c)为第1分钟信号幅度谱图;
图15为本发明提供的第2分钟时声源噪声测量与DNN分类预测效果图;其中,图15的(a)为第2分钟时域中的信号图,图15的(b)为第2分钟信号振幅频谱图,图15的(c)为第2分钟信号幅度谱图;
图16为本发明提供的第4分钟时声源噪声测量与DNN分类预测效果图;其中,图16的(a)为第4分钟时域中的信号图,图16的(b)为第4分钟信号振幅频谱图,图16的(c)为第4分钟信号幅度谱图;
图17为本发明提供的第6分钟时声源噪声测量与DNN分类预测效果图;其中,图17的(a)为第6分钟时域中的信号图,图17的(b)为第6分钟信号振幅频谱图,图17的(c)为第6分钟信号幅度谱图;
图18为本发明提供的第8分钟时声源噪声测量与DNN分类预测效果图;其中,图18的(a)为第8分钟时域中的信号图,图18的(b)为第8分钟信号振幅频谱图,图18的(c)为第8分钟信号幅度谱图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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。
本发明的目的是提供一种声源识别方法、系统及电子设备,能够提高分类精度,增强识别的容错能力,实现多模态信息融合;同时,从数值仿真方面,本发明对模型在海洋环境中的适用条件以及声学环境参数不确定性对模型性能的影响规律开展研究,能够提升对声源追踪和识别的性能,解决应用于实际海洋环境背景下识别模型环境适应性差的难题,进而能够满足海洋观测对高性能水下目标智能探测、定位和跟踪系统的迫切需要,在港口航运保障、海洋资源勘探、海洋防灾减灾等领域具有较好的应用前景。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
基于内嵌专业知识和经验深度学习模型的浅海声源识别方法研究在海洋声学方面具有重要应用价值,针对声源识别模型在复杂多变海洋环境中存在预测准确度和环境适应性不佳的问题。基于海洋声学环境理论和知识引导学习方法,建立了基于内嵌专业知识和经验的深度学习模型,该模型预处理少、训练数据多和网络结构小,能够更准确地预测点源声场,有效的提高了海洋声学目标识别准确度;另外,该方法可以利用在变化海况下环境参数的仿真数据,对基于海洋声学环境理论的深度神经网络进行训练,在实况下识别模型预测效果更好,解决了识别模型应用于实际海洋环境背景下适应性差的难题。研究中还存在很多不足之处,需要未来在模型灵敏度、参数不确定性、多参数仿真数据集、强制编码DNN的新架构、知识的学习和表达、水声环境空间中传递函数等方面有更完善的方案与技术,进一步提升识别模型预测准确率。
目前存在的问题及发展趋势目前针对水下声源识别方法,在多模态特征提取与选择和识别模型构建存在的技术问题包括以下几方面:
(1)多种模态之间存在互补性和冗余性,如何构建多模态信息之间关联表示并融合多模态数据,从而提高识别性能;
(2)目前大部分海洋声学环境中水下声源识别方法的预测模型(包括知识驱动和数据驱动)依赖于某一海洋环境的声学样本数据,当受到当地环境和气象要素的影响和多个声源干扰,或者是在不同海洋环境中,存在失准、鲁棒性差等适应能力表现不佳的情况;
(3)现有基于机器学习的模型缺乏透明度和可解释性,同时存在有监督学习样本数量有限和无监督学习方法迄今为止实际应用成果较少的问题,无法有效改善识别系统性能。
本发明基于以上问题,在相关研究基础上,拟开展基于内嵌专业知识和经验的深度学习模型的水下声源识别方法研究,开展声源信号分析与特征提取,建立多模态信息融合的混合框架,同时通过引导学习分析海洋声波传播损失及其边界效应和海洋环境噪声,构建基于内嵌专业知识和经验的深度学习模型,同时,从数值仿真方面,对模型在海洋环境中的适用条件以及声学环境参数不确定性对模型性能的影响规律开展研究。本发明的研究有别于传统的水下声源识别方法,借助物理模型精简高效优势和机器学习灵活卓越能力,通过构建高精准度高适用性水下声源识别模型,实现多模态信息融合,从而提高海洋环境声源识别系统的鲁棒性和准确性,提升其识别性能,解决应用于实际海洋环境背景下识别模型环境适应性差的难题。通过本发明的研究可满足海洋观测对高性能水下目标探测、定位和跟踪系统的迫切需要,为海洋安全监管、海洋突发事件应急响应等方面提供新的技术手段和科学参考,在港口航运保障、海洋资源勘探和工程建设、海洋防灾减灾、海洋气候变化等方面,具有较好的应用前景。基于此,如图1所示,本发明提供的声源识别方法,包括:
步骤100:获取海洋环境中的实测数据,并将实测数据中超过预设阈值的数据作为目标信号。
在实际应用过程中,可以利用声学换能器获取海洋环境中的实测数据。
在该步骤中,得到预设阈值的检测方法采用现有论文《基于水声环境空间中多模态深度融合模型的目标识别方法研究》中的基于TOAD 检测阈值的检测方法,该方法使用相同功能的检测模块,对声学阵列的每一个采集通道,使用环境噪声级和目标虚警概率来计算基于信号能量的检测阈值(即检测门限),进行目标信号检测,同时测量其到达时间。其中,如果局部能量高于检测阈值,则认为检测到目标,其到达时间被确定为目标总检测时间的开始时间,即局部能量超过检测阈值的第一个瞬间。该总检测时间段被限制在声学阵列水听器间最大距离的声传播时间范围内。然后,计算每对水听器之间信号到达时间差。最后,估算出目标源的检测时间、位置、数量和运动参数,并利用这些参数的标记和按照时间序列记录信号数据,通过分析差异性,达到进行关注目标检测的目的。
步骤101:将目标信号输入声源识别分类网络得到声源参数。声源识别分类网络基于以物理信息神经网络为内核网络的深度学习网络构建得到。
该步骤主要是将超过预设阈值的声波信号作为目标信号输入基于内嵌专业知识和经验的深度学习网络(即基于以物理信息神经网络为内核网络的深度学习网络构建得到的声源识别分类网络)中进行检验。
该步骤中的目标检测是目标识别的重要基础,可有效实现海洋环境中各种声源信号的检测,以实现水下目标高精度、高分辨率识别,其到达时间被确定为目标总检测时间的开始时间,该总检测时间段被限制单个声学换能器在低于预设阀门(或者声学阵列水听器间最大距离)的声传播时间范围内,最后估算出目标源的检测时间、位置、数量和运动参数,并利用这些参数的标记和按照时间序列记录信号数据。
步骤102:基于声源参数确定声源识别分类结果。
进一步,本发明中,基于以物理信息神经网络为内核网络的深度学习网络构建得到声源识别分类网络的过程包括:
步骤1、获取声波数据。
步骤2、构建知识驱动模型,将声波数据输入知识驱动模型得到声源信号,以生成声源数据集。
具体的,通过现有的功率谱、梅尔倒谱系数、包络解调谱等时频特征分析方法,构建现有的知识驱动模型,输入声学换能器的声波信号,检测出声源信号,输出声源数据集。
步骤3、构建数据驱动模型,将声源数据集中的声源信号输入数据驱动模型得到海洋环境数据。
具体的,获取海洋环境数据,通过Bayesian反演方法的海洋环境参数反演公式,构建现有的数据驱动模型,输入检出后的声源信号,反演海洋环境参数,输出海洋环境数据。海洋环境参数包括:海底粒度、风速、温度、盐度和深度。
其中,Bayesian反演方法是一种可用于估计强非线性反演问题参数不确定性的方法。对于非线性问题,必须利用数值计算求解,通常是用采样的方法。需要说明的是,Bayesian 反演方法采用现有论文《基于反射法的海底浅层沉积物声学原位测量方法》中的基于快速数值计算算法的Bayesian 反演方法,采用一种快速计算声反射系数数学方法,联合Bayesian反演方法,建立的海底表层沉积物声学参数反演方法。
步骤4、构建物理学知识模型,将海洋环境数据和海洋环境参数输入物理学知识模型得到仿真数据集。
其中,海洋环境参数有很多,如海水的温度、盐度、压力、声速、光学特性以及海水中悬浮泥沙或其他颗粒的浓度、海流速度和方向、波浪高度、频谱和方向谱、内波、潮汐水位等。这些参数的空间分布非常复杂,除了沿垂直深度有变化外,还有水平变化。从变化规模看,既有大洋范围的变化,也有局部海域的变化。它们还随时间变化,这些变化是连续不断的和随机的。因此,对于海洋环境,需要经常地进行全球性观测,以获得它的实时观测资料和历史统计资料,满足海洋环境预报、海洋灾害警报以及水声工程和海洋开发的需要。
通过海洋环境知识和经验公式,例如空气中声速公式,可以计算出海洋环境中声速和声衰减系数,按照空气、海水和海底沉积物不同介质,如图3所示,将海洋环境中声速和声衰减系数空间分布简单分为三个部分,分别得到的第一特征参数组、第二特征参数组以及第三特征参数组。根据环境参数三维空间坐标值,进行声速剖面拟合时,根据第二特征参数组与空气的压缩波声速、声衰减值和海面空气层厚度正相关。而声吸收空间分布模型中第三特征参数组与海水的压缩波声速、声衰减值和海水层厚度正相关。图3中,、/>和分别表示第/>层的压缩波声速、声衰减值和介质密度。
将第一特征参数组、第二特征参数组和第三特征参数组简化为如下公式(1),得到环境声波模拟演化结果。
(1)
其中,是空间直角坐标系中空气的压缩波声速,/>是空间直角坐标系中海水的压缩波声速,/>是空间直角坐标系中沉积物的压缩波声速,/>是空间直角坐标系中空气的声衰减值,/>是空间直角坐标系中海水的声衰减值,/>是空间直角坐标系中沉积物的声衰减值,H1是空气的层厚,H2是海水的层厚,H3是沉积物的层厚,/>是空间直角坐标系的坐标,/>是海水的环境声波模拟演化结果,/>是空气的环境声波模拟演化结果,/>是空间直角坐标系中的z轴坐标。
需要说明的是,空气中声速和声衰减系数采用现有论文《基于时差法超声测风系统的声场分析与研究》中的声波在空气中的声速和声衰减系数,以及现有科学出版社汪德昭和尚尔昌主编图书《水声学》中的风动重力谱确定得到。在水声场分析计算中,目前经常采用的是Pierson-Moskowity提供的风动重力谱,即P-M谱。
需要说明的是,海洋中的声速是研究声波在海水中传播的最基本物理量之一,采用现有科学出版社汪德昭和尚尔昌主编图书《水声学》中海水中声速的基本公式确定,声波在海水中声速公式方面,采用Wilson声速公式。
需要说明的是,海底表层沉积物中声速和声衰减系数采用现有论文《海底沉积环境对海底表层沉积物声学参数测量影响研究》中的声波在海底沉积物中的声速和衰减系数确定。声波在海底沉积物中的声速公式方面,近年Buckingham拓展了VGS理论(viscousgrain shearing,VGS),并建立了层状海底表层沉积物的地声模型(Geo-acousticmodeling of seabed layering),该地声模型假定每层沉积物具有已知和均匀的孔隙度(porosity)、体积密度(bulk density)和粒度(mean grain size),本发明使用该VGS模型作为参考基础理论模型。表述海水和海底沉积物之间界面粗糙度的相关方程,可采用一维von Karman粗糙谱和表面高度方程。
步骤5、采用仿真数据集训练物理信息神经网络,得到训练好的物理信息神经网络。
步骤6、基于海洋环境参数和训练好的物理信息神经网络构建声场模型。
步骤7、将海洋环境数据输入到声场模型得到声源样本,并基于声源样本生成声源样本集。
步骤8、以声源样本集作为典型样本数据集,以声源数据集和海洋环境数据形成的声源样本集作为实测样本数据集。
步骤9、将训练好的物理信息神经网络作为深度学习网络的内核网络,得到初始声源识别分类网络。
步骤10、在典型样本数据集和实测样本数据集标记得到声源数据和声源参数。
步骤11、将标记得到的声源数据作为输入,将标记得到的声源参数作为输出数据训练初始声源识别分类网络得到声源识别分类网络。
在实际应用过程中,上述步骤4至步骤11的实施过程可以是:
1)、基于二维声波方程、宽带声源模型、点源格林函数、海洋环境参数等和有限差分法,构建现有物理学知识模型,输入步骤3得到的海洋环境数据,同时输入典型海洋环境参数值,输出仿真数据集,以用于训练物理信息神经网络。将有声源参数标记的声源数据和海洋环境数据,作为物理信息神经网络的输入数据,放入仿真数据集中。通过仿真数据集训练物理信息神经网络,基于典型海洋环境参数值和已训练物理信息神经网络,构建基于现有物理信息神经网络的声场模型,输入海洋环境数据,解算出响应声压值,输出声源样本,并放入声源样本集中。
其中,构建的物理学知识模型是研究声信号在海水介质中的传播问题的水声学模型,其主要包括海洋声学中海水介质中的波动方程和定解条件、波动理论求解海水中的声传播和射线方法基本理论。
海洋环境参数值是海洋环境知识和经验公式中海洋环境参数的输入值。
典型海洋环境参数是根据《海洋调查规范》(GB/T 12763-2007)等不同的国家和行业标准,在渤海、黄海、东海、南海北部及西北太平洋等典型海域开展的海洋环境参数测量情况以及对测量结果的分析和研究得到的海洋环境参数。其中,可以通过海洋环境知识和经验公式,按照空气、海水和海底沉积物不同介质,确定出海洋环境参数中声学参数空间分布及其特征参数;所述声学参数包括声速和声衰减系数。
基于现有物理信息神经网络的声场模型由物理信息神经网络解算二维声波方程得到,可解算出响应声压值。
声波在海洋中的传播满足基本的波动规律,即声波方程(即波动方程),所有声场模型的理论基础均为波动方程。在海洋声学中,经常使用两种方法来研究水声信号的传播问题。第一种方法是波动理论,按波动声学观点,分层媒质中的声场可以用一系列简正波之和来描述,研究声场归结为求解适合边界条件的声波方程。波动理论的优点是适用于所有频率,特别适用于低频浅海中的声传播。第二种方法是射线理论,射线声学的基本假定是:声能沿着一定的方向线(称为声线)传递,声线与等相位面(称为波阵面)相垂直。由声线所围成的管状空间称为声线束管,声线不能穿过声线束管壁。射线声学是一种近似的理论,但它具有直观和简便的优点,它适用于声传播与球面波、平面波传播规律相差不太大的情况,或者声场的空间变化不是很急剧的区域以及高频波的声场。声波方程从基本的状态方程、连续方程和运动方程导出。二维声波方程如下:
(2)
其中,表示声场中响应的声压值,/>表示声场中激励的点源,/>是介质声速,是介质密度,/>表示时间,/>表示拉普拉斯算子(Laplace Operator)。
有声源参数标记的声源数据,是指通过实验室实验、海上试验、船舶自动识别系统(Automatic Identification System,简称AIS系统)等获得的有类型、发动机转速等声源参数标记的声源数据。
2)、将内嵌的物理信息神经网络作为深度学习网络的内核网络,将步骤7中物理信息神经网络输出的声源样本集,放入训练深度学习网络的典型样本数据集中,以及将步骤2中有参数标记声源数据和步骤3中的海洋环境数据作为声源样本集,放入训练深度学习网络的实测样本数据集中,以用于训练内嵌有物理信息神经网络的深度学习网络。在实际训练过程中,可以将步骤2得到的声源数据作为内嵌有物理信息神经网络的深度学习网络的输入,将声源参数作为内嵌有物理信息神经网络的深度学习网络的输出。其中,声源参数包括船舶的发动机转速、螺旋桨叶片数量等参数,爆炸声源的类型、质量、深度等参数以及检测时间、位置、数量和运动参数等参数。
进一步,基于上述描述构建得到的内嵌有物理信息神经网络的深度学习网络(内嵌专业知识和经验的深度学习网络),如图2所示,针对海域观测任务中的海洋声学目标,本发明通过理论中心分析海洋声学环境相关专业知识和经验,制定并优化海洋学理论与机器学习结合策略,对基于知识驱动的模型预测结果和海洋观测平台实测数据进行差异性分析,提供优势策略,建立基于内嵌专业知识和经验的深度学习模型。如图2所示,可以有效的提升海洋声学目标识别系统的识别性能,这将是未来海洋声源目标识别研究和实践的重要发展方向之一。本发明首先通过内嵌专业知识和经验公式,提升深度神经网络(DeepNeural Networks,DNN)等深度学习模型准确性,然后通过约束海洋声学环境相关理论及其子模型,优化其输出参数值,提高深度学习模型适应性。其中,海洋声学环境参数包括海底模型的反射系数、海面模型的反射系数和声吸收模型的吸收系数。海洋环境变量包括海底粒度、风速、温度、盐度和深度。
其中,海洋声学环境是极其复杂的时变、空变的随机信道,信号在信道中传输产生的多途效应,会致使其相位和能量发生变化,进而改变水声传感器的接收信号,可以用海水、海面和海底的声学特性来描述。需要说明的是,本发明中,海洋声学环境采用现有浙江科学技术出版社刘孟庵主编图书《水声工程》和科学出版社笪良龙《海洋水声环境效应建模和应用》中海洋声学环境。
海洋及其边界(海面和海底)组成了复杂多变的水声传播媒质,由于受到各种自然条件、地理条件和随机因素的影响,致使它的物理特性有很大的复杂性和不稳定性,使得在其中传播的声信号产生了延迟、失真、损耗等变化。这些物理特性中的基本要素即海洋声学环境基本参数,它大致包括海水中的声速及其垂直分布、声吸收、界面特性及海洋内部的不均匀性、不确定性和非线性特性。
基于上述描述,海洋声学环境知识和经验是关于声学信号在海洋中传播,因各种机理发生衰减和变形的理论知识,了解这些海洋声学环境知识和经验是非常重要的,包括声波传播损失及其边界效应和海洋环境噪声理论知识中海水的吸收机制、海面损失模型、海底声学模型等。其相关理论包括以下两个方面:第一,声波传播损失及其边界效应方面,海水的吸收机制的模型有Liebermann模型、Thorpe方程、Francois-Garrison模型等,海面损失模型有瑞利海面损失模型、Eckhart海面损失模型、Beckmann-Spizzichino海面损失模型等,海底损失模型包括瑞利海底损失模型、基于物理学的海底声学模型等,以及描述声波传播损失的模型有射线模型、简正波法、抛物线方程等。第二,海洋环境噪声方面,地震噪声等效声压公式、海洋湍流公式(Wenz推导)、船运噪声级、波浪噪声级、热噪声、降雨噪声等。其中,基于物理学的海底声学模型包括Biot-Stoll模型,CREB模型和等效密度流体近似模型(Effective Density Fluid Model,EDFM),Buckingham的VGS模型以及相关声学经验公式。
进一步,本发明不同于传统的声场数值计算方法,利用物理信息神经网络求解波动方程。这种基于物理信息神经网络(PINNs)的声场计算方法,对于不同海洋模型的声速场、声速剖面等海洋环境参数,能够准确地完成海洋声场仿真。其中,在训练PINNs网络时,使用波动方程和边界条件作为损失函数的约束条件。
基于物理信息的神经网络(Physics-informed Neural Network,简称PINN),是一类用于解决有监督学习任务的神经网络,同时尊重由一般非线性偏微分方程描述的任何给定的物理规律。其原理为:能够像传统神经网络一样学习到训练数据样本的分布规律,而且能够学习到数学方程描述的物理定律。其优势为:与纯数据驱动的神经网络学习相比,PINN在训练过程中施加了物理信息约束,因而能用更少的数据样本学习到更具泛化能力的模型。
基于此,本发明采用的PINNS模型将物理学知识模型作为输入,将数据驱动模型作为输出。计算海洋宽带声学模型的柱坐标系下声场的时域方程,并设置损失函数。得到基于物理信息神经网络PINNs的声场模型。
数值模型如公式(3)所示:
(3)
式中,为物理模型输出参数,例如二维声波方程输出声压。/>为关注目标的参数变量,例如接收的响应声压。/>为输入驱动器,其损失函数为,是由经验误差、结构误差/>和物理不一致性/>共三部分组成,/>为损失值,/>为衡量模型复杂度的函数,/>和/>为超参数。/>为特征集,/>为物理不一致性,/>指数值模型,/>为关注目标参数变量的估计值。
需要说明的是,上述损失函数采用现有机械工业出版社邱锡鹏著《神经网络与深度学习》第二章机器学习概述中的损失函数。损失函数是一个非负实数函数,用来量化模型预测和真实标签之间的差异。
进一步,基于PINNs网络的声场模型可对物理学知识模型解算并输出参数。物理学知识模型是基于现有二维声波方程、宽带模型、点源格林函数、海洋环境参数等和有限差分法构建的海洋声学模型,简述为可模拟二维声波方程输出响应声压。本发明建立了基于物理信息神经网络(Physics-Informed Neural Networks,PINNs)的声场模型,PINNs的方法是使用一个近似物理系统和损失函数的网络约束的神经网络,其损失函数包含边界条件和基础方程,如下式所示:
(4)
其中,为初始时声场,L为损失函数,/>表示求和符号上界,/>表示第i个声源,/>,/>为一个超参数,/>为神经网络参数,/>是速度模型,表示求和符号上界,/>表示第j个声源,/>,/>,/>为第i个声源的时间,/>为第i个声源的空间位置,/>为第i个声源位置,/>为微分算子。
上述二维声波方程,只能计算声波的二维波动,只是进行浅海研究,对于海域深度有较多限制,因此,本发明在此基础之上,构建空间位置约束,基于海洋声学环境空间中传递函数,得到接收响应时域信号,计算基于物理信息神经网络PINNs的声场模型中的波动方程。
(5)
式中,表示声场中激励的点源,/>为三维空间中位置约束函数,为接收的响应声压,/>为获得的空间位置约束系数。/>为时间,/>为空间位置。
在PINNs中的声压即为接收的响应声压,海洋声学理论中的声压也是接收的响应声压/>,为了利用基于PINNs的声场模型,更准确地完成海洋环境中声场仿真,可推广到柱坐标系,构建宽带声学模型,其柱坐标系下声场的时域方程为:
(6)
(7)
其中,是距圆柱轴的距离。/>是在圆柱轴上的距离(即空间直角坐标系中的z轴坐标),用来表示深度。/>是关于距离/>和深度/>的声速,/>是瞬时接收的响应声压,/>表示点源深度,/>表示拉普拉斯算子(Laplace Operator),/>表示/>方向的狄拉克函数(一般指单位冲激函数)。
对传递函数和声源频谱/>的乘积进行傅里叶逆变换,从而得到接收响应时域信号。利用基于简正波理论(normal-mode model)的宽带点源亥姆霍兹方程的格林函数,例如现有KRAKEN等简正波模型,声场公式计算如下:
(8)
其中,是关于距离/>和深度/>的波数,声场的时域方程为:
(9)/>
式中,表示角频率,/>为指数函数,/>为虚数单位。
进一步,该步骤1)中采用的宽带声源模型,可以采用宽带雷克子波。宽带雷克子波主瓣窄、旁瓣幅度小、波形简单、振幅谱光滑连续,目前被广泛应用于地震资料的速度分析、反褶积及滤波处理中,宽带雷克子波的表达式为:
(10)
式中,为峰值频率,/>为宽带雷克子波。
该宽带声源模型的格林函数为:
(11)
式中,为被分解的函数轮廓范围,/>和/>为被分解函数独立解,/>和为被分解函数,/>为Wronskian表达公式,/>为/>、/>和的参数,/>表示小于深度参数/>和点源深度/>,/>表示大于深度参数/>和点源深度/>,/>为第一类Hankel函数,/>是距圆柱轴的距离,/>是一种随机变量。
进一步,本发明基于PINNs网络的声场模型,利用海洋环境参数,更准确地完成海洋环境中声场仿真。海洋环境参数的理论预报准确性和观测数据真实性对浅水环境中声传播影响至关重要,本发明分析了水深、水体声速和海底沉积物声学参数等要素对声传播的影响。一般来说,水体声速最主要分析的是声速剖面,本发明浅海环境中声速剖面具有正斜率和线性关系,速度范围为1469m/s至1472m/s,水深范围在 50m到 100m之间。参照世界研究成果,选取了四种典型海底沉积物,如图10所示,用于海洋声场仿真:(1)泥,参照2017年海底表征实验(Seabed Characterization Experiment,SBCEXP)海域。(2)泥质砂。(3)砂质泥,一般分布在海湾内陆架坡折(Shelf break),顶层沉积物由细粒沉积物组成,下方为细粒或中等粒度的沙子。(4)砂,一般分布在浅海海底。假设每个沉积层可以用六个参数来描述:压缩波声速和衰减系数、沉积层厚度、恒定密度、声速梯度和衰减梯度,假设水体具有恒定的声速和密度,如图6至图9所示,每个沉积层可由压缩波声速简化表示。
进一步,本发明中采用的有限差分法采用现有国防工业出版社冯康著《数值计算方法》中实现声波方程的数值模拟常用的有限差分法。有限差分方法(finite differencemethod)是一种求偏微分(或常微分)方程和方程组定解问题的数值解法,它的基本思想是先把问题的定义域进行网格剖分,然后在网格点上,按适当的数值微分公式把定解问题中的微商换成差商,从而把原问题离散化为差分格式,进而求出数值解。
进一步,上述构建的声源识别分类网络的训练过程还可以是以下过程:
步骤1、对空气、海水和海底沉积物中的声速及声衰减系数空间分布特征、反射系数1、反射系数2、吸收系数1等声学环境参数进行声速剖面拟合,采用基于现有的船舶辐射噪声和爆炸声源的声源参数化模型和基于射线理论与基尔霍夫近似组合的水声传播模型,利用典型海洋环境参数值,生成水声环境空间中声源仿真数据集。
步骤2、将生成的仿真数据集及其海洋环境参数值输入得到的基于PINNs的声场模型中得到仿真的输出数据,即声源样本,放入声源样本集中。
步骤3、在对海洋声学环境专业知识和现场数据进行分析基础上,通过输入声源数据和声源仿真数据集,分别通过基于波动理论的声场模型和基于射线理论的声传播模型计算响应声压输出声源仿真数据,并基于聚类分析方法对上述输入的两组声源仿真数据进行分析对比,得到环境中声波模拟演化结果,即声学环境空间(即三维空间)中位置约束函数。输入声源仿真数据,即接收的响应声压/>,输出优化后仿真数据,进而优化基于PINNs的声场模型的输出声压仿真结果,将优化后的声压仿真结果放入典型样本数据集。
步骤4、将声源实测和典型样本数据集输入内嵌PINNs的深度学习网络DNN中进行训练,得到训练后的深度学习网络参数。
声源参量化模型方面,为了解决水下声源检测和识别问题,选择常见声源为实验对象(主要选择常见且容易获取的船舶辐射噪声和爆炸声源),通过声源参量化模型仿真,开展水下声源的特性分析,如图6-图9所示。一是船舶辐射噪声特征,水下船舶辐射噪声主要包括机械噪声、螺旋桨噪声和水动力噪声,一般从船舶的外形、螺旋桨和方向舵三个方面开展实验与分析工作,本发明主要从发动机转速和螺旋桨叶片数量分析该噪声短程声谱图特征,以及功率谱和包络解调谱,如图6所示。二是爆炸声源信号特征,本发明主要从类型、质量、深度等参数分析该信号声谱图特征,如图9所示。
需要说明的是,水下目标及其特性分析与特征提取采用现有论文《基于水声环境空间中多模态深度融合模型的目标识别方法研究》中的目标特性分析与特征提取方法进行。在基于可视化方法的被动声纳目标识别中,通常采用梅尔频率倒谱系数(MFCC)和梅尔滤波器组(MFB)作为基本特征。
其中,射线理论采用高斯射线束方法,该方法计算海底声反射的声场简单方便,应用于高频范围内弱非均匀介质,可避免人为因素对声线轴迹的影响,对影区和焦散区不需要进行特殊处理,此外,通过合理修正可以使该方法性能得到改善。
进一步,本发明使用声源参量化模型和水声传播模型来仿真训练数据。假设船舶以恒定速度沿直线移动,且爆炸声源信号仅在一定时间内存在,从而在不同声源和环境参数下仿真训练数据,将仿真数据集合应用于训练DNN,DNN使用实测数据,通过数据预处理获得特征识别声源如图4所示,本发明中通过在实测和典型样本数据集中分别提取功率谱、包络调制谱和梅尔频率倒谱,形成实测特征集和典型特征集,将实测特征集按照3:7划分。将70%的实测特征集与典型特征集合并,即图4的特征集1,训练DNN。将30%的实测特征集用于评估DNN的准确性,即图4的特征集2。
本发明中利用水面商船的辐射噪声频谱模型和基于现有射线理论的水声传播模型,在不同浅海底质环境下,通过声源数值仿真,获得可用训练模型的数据,即声源仿真数据集。在点源浅海声传播分析方面,使用模拟水声场的单个宽带点源模型(SimulatedUnderwater Sound Charge Model),对用于接收响应的时域信号进行仿真,在理想水下声波传播通道(Underwater Acoustic Duc)中,点源仿真中使用频率为100Hz,点源和接收点深度均为10m,水深为80m,海水介质均匀,海水声速为1485m/s和衰减系数每千米为0.002dB,如图5所示。
水声传播模型方面。水声传播模型是一种人们从实际的声传播问题中抽出主要矛盾,再加上合理的假设和近似,建立海洋中声波的传播模型,该模型能够反映出海洋环境因素对声场的制约关系。
进一步,采用声源参量化模型和水声传播模型生成仿真训练数据,包括如下过程:
采用单个宽带点声源在理想水下声波传播通道进行模拟。
对声源发出的声波信号进行频谱仿真分析。
根据水深、收发距离、声速剖面、海底沉积物进行环境声波模拟演化,生成接受点声学相应仿真数据。
对声源发出的声波信号进行频谱仿真分析,包括:
根据宽带点声源的噪声来源和噪声类型,利用现有技术对声源进行频谱分析,提取功率谱信号、包络调制谱信号和梅尔频率倒谱信号。
根据水深、收发距离、声速剖面、海底沉积物进行环境声波模拟演化,包括:
按照空气、海水和海底沉积物不同介质,将海洋声学环境中水声传播模型,划分海底模型、海面模型和海水中声吸收模型。
在海底模型中,根据实际海底沉积环境提取海底空间沉积特征,利用海底空间沉积特征对海底表层沉积物的进行沉积物分型,构建基于空间沉积特征的海底表层沉积物声学参数,并将海底表层沉积物声反射系数记为反射系数1。
需要说明的是,本发明中的海底空间沉积特征采用现有论文《海底沉积环境对海底表层沉积物声学参数测量影响研究》中的海底空间沉积特征。该海底表层沉积物描述为近似薄层状多相介质。实际的海底沉积物可以近似看作不同叠合方式下薄层复合结构的多相介质,即含非均匀多相介质薄层状结构,由于海底形成原因复杂且涉及地球科学研究领域广泛,基于物理参数、叠合层数、层厚度等参数,故仅研究相对简单的具有明显层理的薄层状结构海底沉积物。
在海面模型中,利用获取的风速场,以及根据不同风速造成的海面形状,根据相应空间中计算反射系数2。
需要说明的是,反射系数2采用现有海洋出版社RICHARD P.HODGES著《水声学-声呐分析、设计与性能》中的与海面交互引起的损失确定。当海面由于风的作用变得粗糙,声音将向各个方向散射。海面损失是指相关前向直达(镜像反射)强度的减少。
(12)
式中,F为频率,为平均波高,SL为海面声波反射损失。
该模型与掠射角无关,是建立在对表面波导传播的经验性拟合的基础上,并假设两次反射间的距离等于声线周期距离的极限。
在声吸收模型中,根据相应空间中温度、盐度和深度的影响计算吸收系数1。
需要说明的是,反射系数1采用现有海洋出版社RICHARD P.HODGES著《水声学-声呐分析、设计与性能》中的海洋中的声速剖面和海洋中的声吸收。
将得到的反射系数1、反射系数2以及吸收系数1,根据环境参数三维空间坐标值,包括上文空气、海水和海底沉积物中的声速及其垂直分布、声吸收、界面特性等声学环境参数,进行声速剖面拟合,得到海洋中声学特性模拟演化结果,通过基于射线理论的声传播模型计算接收的响应声压。至此,获得该声学环境空间中位置约束函数。
此外,还可以将三维空间中声速场拟合结果,直接用于优化二维声波波动模型或者用于训练PINNs。
进一步,在海底模型中,提取海底空间沉积特征包括粗糙度、层厚、层数、海底地形变化梯度和粒度。对海底表层沉积物的进行沉积物分型包括根据海底空间沉积特征将海底表层沉积物分为泥土、泥质砂、砂质泥和砂。
计算不同海底表层沉积物声波的反射系数1时,还包括:
建立具有粗糙倾斜界面的层状介质中球面波的三维反射模型。
根据界面粗糙度散射中的三维效应和倾斜角度声反射对声速分布测量的影响,分层计算不同沉积物的声学参数。
其中,按照如下公式建立层和/>层之间倾斜角度声反射约束,为:
。
式中,为倾斜角度,/>为/>层声波反射参量,,/>为/>层和/>层之间的具有倾斜角度的粗糙界面,/>为/>层和/>层之间x轴方向上具有倾斜角度的粗糙界面,/>为/>层和层之间y轴方向上具有倾斜角度的粗糙界面,/>为/>层和/>层之间z轴方向上具有倾斜角度的粗糙界面。
需要说明的是,层状介质中球面波的三维反射模型采用现有论文《基于反射法的海底浅层沉积物声学原位测量方法》中的基于射线理论与基尔霍夫近似组合的三维声反射模型,即位于具有粗糙界面的分层介质上处声源的球面波反射,可以近似为每个界面上的积分和。
本发明采用了简单的水平分层海洋模型,该模型的声学环境参数包括空气、海水和海底沉积物中的声速及其垂直分布、声吸收、界面特性,通过有限差分法(FiniteDifference,FD)求解波动方程的仿真数据,如图11所示,PINNs对用于求解单频点源的水下声场进行模型训练与预测仿真,该网络包含9个全连接层和20个隐层神经元,声波频率为100Hz,在每个沉积层传播,并在上下界面处形成反射波和透射波。利用PINNs对波场进行预测,如图12和图13所示,该网络准确地仿真了平面声波信号,如图12和图13所示,边界训练数据仅覆盖0-0.1s的时间范围,PINNs能够推演至更长的时间(超过0.1s)。
分析对比方法能够基于无监督学习方法(聚类分析方法),可以对海洋声学环境专业知识和以往实测样本数据进行聚类分析,在遇到不同海洋环境条件时可发现潜在问题和挖掘隐性规律,为水下声源识别方法提供知识引导的最优策略,提高识别模型的准确度和鲁棒性,所述分析对比方法在对海洋声学环境专业知识和现场数据进行分析基础上,分别通过基于波动理论的声场模型和基于射线理论的声传播模型计算响应声压输出两组声源仿真数据,并基于实测样本数据(如图1中事实)对上述声源仿真数据二组声源数据进行聚类分析,获得仿真数据与实测样本数据(事实)的仿真效果差距,同时使用Fisher信息矩阵(the Fisher information matrix,FIM)、统计Cramer—Rao下限(the matrix inequalityknown as the Cramér-Rao bound,CRB)和最大似然估计,建立对上述两个声场模型的声源和海洋声学环境参数反演进行不确定性分析的方法,获得声场模型不确定性分析结果,分析典型样本数据集的数据质量水平[基于K均值聚类算法(k-means clusteringalgorithm,K-Means)对实测样本数据和典型样本数据进行差异性分析],按照二组声源样本数据和典型样本数据集仿真效果差距和不确定性,分为以下情况:一是典型样本数据集两者均最小(优先选择典型样本数据集的样本数据),二是典型样本数据集两者均最大(优先选择两组模型较小者数据),三是典型样本数据集仿真效果差距大和不确定性小(优先选择仿真效果差距中两组模型较小者数据,优化仿真效果差距,通过采取提高或降低声压水平和扩大两个模型中较小者数据规模比例,达到减小差距目的),四是典型样本数据集仿真效果差距小和不确定性大(优先选择两组模型不确定性中较小者数据,优化不确定性,通过采取降低声压起伏方差和扩大两组模型中较小者数据规模比例,达到减小不确定性目的),本发明上述主要研究优化方法的第三种和第四种情况,最终确定声学环境空间中位置约束函数及其系数。需要说明的是,K均值聚类算法采用现有科学出版社刘馨月著《k-均值聚类》中的k-均值聚类算法。
此外,水下目标识别最终由一些后端分类器完成,目前,已经各种分类器正在使用,例如线性判别分析(LDA)、隐马尔可夫模型(HMM)、高斯混合模型(GMM)、支持向量机和深度卷积神经网络(DNNs),其中,深度卷积神经网络模型在诸多图像识别领域已取得优于人工选取特征方法的成果,已成为近来年的研究热点,另外,人工智能研究最具挑战性的问题是无监督学习,迄今为止在实际应用中成果较少,该算法的发展明显落后于基于监督和强化的深度学习发展,其最新发展采用了开发顺序输出结构的方法和高级优化方法,可以减少在模型训练中对标签的需要。本发明在分析融合后的特征映射图的基础上,结合基于对称或非对称深度去噪自编码的无监督特征学习(即DAE(asyDAE)-DNN方法),在此研究基础上,探索基于顺序输出结构的无监督特征学习在目标识别中的应用方法,即从输入无标签数据自身学习自动提取出数据特征,减少人为提取特征的过程,最后,使用的深层神经网络(DNN)网络,处理多标签分类任务,实现高分辨率水下目标分类识别。
该方法利用去噪自编码能自动提取学习特征的特性,采用一种基于对称或非对称深度去噪自编码的深度卷积神经网络,优化分类算法提高性能(平滑背景噪声,减少训练和测试不匹配),实现非监督学习自动提取学习特征用于水下关注目标特征。去噪自编码的训练一般损失函数可以定义为:
(13)
式中,为一般损失函数。/>为自动编码器的参数,为要学习的权重,/>为要学习的偏置参数,/>为要学习的另一权重,/>为要学习的另一偏置参数。/>为最低重建误差,其是输入和输出之间的欧几里德距离的度量。为样本指数/>处的输入,/>为非线性解码器函数,/>为非线性编码器函数,/>为样本指数/>处的输出。
由于去噪自匹配编码的输出是一个实值特征,所以采用均方误差作为微调整个深度去噪自编码模型的目标函数,通过随机梯度下降算法改善学习收敛,如下式:
(14)
式中,是均方误差,/>和/>分别表示样本指数/>处的重构和输入特征向量,/>表示最小批的数量大小,/>是窗口大小为/>的输入音频特征向量,/>和/>分别表示要学习的权重和偏置参数。
本发明开展基于深度自编码的无监督特征学习框架研究,通过分析均方误差、随机梯度下降算法等算法,优化该深度分类算法,提高该分类器性能。
进一步,将上述仿真数据和方法建立的DNN应用于识别野外测量的船舶噪声,对本发明上述提供的声源识别方法的具体实现过程进行说明。
该实施例中,训练工具采用端到端开源机器学习平台(TensorFlow),深度学习模型性能的评价标准采用均方根误差(the root-mean-squared error,RMSE)。
本发明使用单通道声学测量系统采集船舶噪声。海洋环境方面,海港内微浪,航道平均水深为20m,海水声速范围为1467.8-1468.6m/s,海底沉积物最上层物质由淤泥组成,海底表层沉积物声速范围为1620-1670m/s,标准水听器放置在距岸约10m,水深8m的海岸处,距海底上方约1m,声学测量系统采样频率为20kHz,用于观测在航道中匀速直线行驶的船舶,测量时潮高约2.5m,测量时间为8分钟。
本发明使用已训练的DNN对实测声源数据进行分类。其中,为一艘汽车运输船(排水量为38000吨,船长为200m,船宽为32m,满载吃水10m,设计航速20节,测量时航速大约10节)的噪声测量与DNN模型仿真对比效果如图14至图18所示。该训练所用的DNN结构为5层,分别为输入层、长短期记忆神经网络层、全连接层、回归层和输出层,其中设置长短期记忆神经网络层的隐藏单元数为50。由于本发明声源梅尔倒谱系数和包络解调谱的区别较为明显,设置迭代次数为540次,DNN经16s时间完成了3000个样本的训练,输入测试集样本后,模型分类正确率接近100%,在各种自然噪声背景下,该模型较好地完成了对船舶噪声的预测,预测结果准确率较高,环境适应性较强,且泛化能力良好。通过对船舶噪声实测数据不同时间段的时域图、频谱图和时频图仿真,观测到船舶信号由弱变强到由强变弱的过程,对比图14至图18以及图6至图9的航运噪声仿真结果,分析海底沉积物类型和声源特征,时域信号和频谱变化趋势相似说明海底类型同样为泥质沉积物,而频谱幅度略大可能是测量距离较短所造成。另外声源时频图能量集中在200Hz频率附近,能量分布存在条纹特征,而对比图17的频谱幅度高约10dB,达到测量期间最大值,说明第6分钟时最接近观测点,图18相对于图16时频图能量略微减弱,与船舶驶离港口事实相符。研究结果表明,该模型利用多参数、高质量和较大规模的训练样本集,收敛速度快,输出稳定性显著提高,能够有效地消除海洋环境对于水下声传播带来的影响,对实测数据做出合理的预测,具有较好的海底参数反演和更远距离声源识别能力。
进一步,本发明还提供了一种声源识别系统,应用于上述提供的声源识别方法。系统包括:
实测数据获取模块,用于获取海洋环境中的实测数据,并将实测数据中超过预设阈值的数据作为目标信号。
声源参数确定模块,用于将目标信号输入声源识别分类网络得到声源参数。声源识别分类网络基于以物理信息神经网络为内核网络的深度学习网络构建得到。
声源识别分类模块,用于基于声源参数确定声源识别分类结果
进一步,本发明还提供了一种电子设备,该电子设备包括:
存储器,用于存储计算机程序。
处理器,与存储器连接,用于调取并执行计算机程序,以实施上述提供的声源识别方法。
此外,上述的存储器中的计算机程序通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种声源识别方法,其特征在于,包括:
获取海洋环境中的实测数据,并将所述实测数据中超过预设阈值的数据作为目标信号;
将所述目标信号输入声源识别分类网络得到声源参数;所述声源识别分类网络基于以物理信息神经网络为内核网络的深度学习网络构建得到;
基于所述声源参数确定声源识别分类结果;
基于以物理信息神经网络为内核网络的深度学习网络构建得到所述声源识别分类网络的过程包括:
获取声波数据;
构建知识驱动模型,将所述声波数据输入所述知识驱动模型得到声源信号,以生成声源数据集;
构建数据驱动模型,将所述声源数据集中的声源信号输入所述数据驱动模型得到海洋环境数据;
构建物理学知识模型,将所述海洋环境数据和海洋环境参数输入所述物理学知识模型得到仿真数据集;所述海洋环境参数包括海水的温度、海水的盐度、海水的压力、海水的声速、海水的光学特性以及海水中悬浮颗粒的浓度、海流速度和方向、波浪高度、频谱和方向谱,内波、潮汐水位;
采用所述仿真数据集训练物理信息神经网络,得到训练好的物理信息神经网络;
基于所述海洋环境参数和训练好的物理信息神经网络构建声场模型;
将所述海洋环境数据输入到所述声场模型得到声源样本,并基于所述声源样本生成声源样本集;
以所述声源样本集作为典型样本数据集,以所述声源数据集和所述海洋环境数据形成的声源样本集作为实测样本数据集;
将训练好的物理信息神经网络作为深度学习网络的内核网络,得到初始声源识别分类网络;
在所述典型样本数据集和所述实测样本数据集标记得到声源数据和声源参数;
将标记得到的声源数据作为输入,将标记得到的声源参数作为输出数据训练所述初始声源识别分类网络得到所述声源识别分类网络。
2.根据权利要求1所述的声源识别方法,其特征在于,采用时频特征分析方法构建所述知识驱动模型;所述时频特征分析方法包括:功率谱时频特征分析方法、梅尔倒谱系数时频特征分析方法和包络解调谱时频特征分析方法。
3.根据权利要求1所述的声源识别方法,其特征在于,获取海洋环境数据,通过Bayesian反演方法的海洋环境参数反演公式构建所述数据驱动模型。
4.根据权利要求1所述的声源识别方法,其特征在于,基于二维声波方程、宽带声源模型、点源格林函数、海洋环境参数和有限差分法构建所述物理学知识模型。
5.根据权利要求1所述的声源识别方法,其特征在于,仿真数据集的优化过程包括:
基于声源参数化模型以及射线理论与基尔霍夫近似组合构建水声传播模型;
基于实测样本数据以及所述水声传播模型,通过基于国家和行业标准的典型海洋环境参数,控制物理学知识模型和基于声源参数化模型的水声传播模型在仿真数据集中的数量比例,采用聚类分析方法的模型数据质量分析方法,以及基于Fisher信息矩阵的环境参数不确定性分析方法,优化所述仿真数据集。
6.根据权利要求1所述的声源识别方法,其特征在于,通过海洋环境知识和经验公式,按照空气、海水和海底沉积物不同介质,确定出海洋环境参数中声学参数空间分布及其特征参数;所述声学参数包括声速和声衰减系数。
7.一种声源识别系统,其特征在于,应用于如权利要求1-6任意一项所述的声源识别方法;所述系统包括:
实测数据获取模块,用于获取海洋环境中的实测数据,并将所述实测数据中超过预设阈值的数据作为目标信号;
声源参数确定模块,用于将所述目标信号输入声源识别分类网络得到声源参数;所述声源识别分类网络基于以物理信息神经网络为内核网络的深度学习网络构建得到;
声源识别分类模块,用于基于所述声源参数确定声源识别分类结果。
8.一种电子设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,与所述存储器连接,用于调取并执行所述计算机程序,以实施如权利要求1-6任意一项所述的声源识别方法。
9.根据权利要求8所述的电子设备,其特征在于,所述存储器为计算机可读存储介质。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311464901.1A CN117198330B (zh) | 2023-11-07 | 2023-11-07 | 一种声源识别方法、系统及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311464901.1A CN117198330B (zh) | 2023-11-07 | 2023-11-07 | 一种声源识别方法、系统及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117198330A CN117198330A (zh) | 2023-12-08 |
CN117198330B true CN117198330B (zh) | 2024-01-30 |
Family
ID=88992814
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311464901.1A Active CN117198330B (zh) | 2023-11-07 | 2023-11-07 | 一种声源识别方法、系统及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117198330B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117405175B (zh) * | 2023-12-13 | 2024-02-23 | 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) | 海洋环境智能监测系统 |
CN117471575B (zh) * | 2023-12-28 | 2024-03-08 | 河海大学 | 基于bo-lstm神经网络模型的台风浪波高预报方法 |
CN117872273B (zh) * | 2024-03-11 | 2024-05-31 | 厦门市盛迅信息技术股份有限公司 | 基于人工智能的多环境声场声线识别方法和系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109800700A (zh) * | 2019-01-15 | 2019-05-24 | 哈尔滨工程大学 | 一种基于深度学习的水下声信号目标分类识别方法 |
CN109977724A (zh) * | 2017-12-27 | 2019-07-05 | 中国科学院声学研究所 | 一种水下目标分类方法 |
CN111259750A (zh) * | 2020-01-10 | 2020-06-09 | 西北工业大学 | 一种基于遗传算法优化bp神经网络的水声目标识别方法 |
CN112528775A (zh) * | 2020-11-28 | 2021-03-19 | 西北工业大学 | 一种水下目标的分类方法 |
CN112733447A (zh) * | 2021-01-07 | 2021-04-30 | 浙江大学 | 一种基于域自适应网络的水下声源定位方法及系统 |
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 |
CN114220458A (zh) * | 2021-11-16 | 2022-03-22 | 武汉普惠海洋光电技术有限公司 | 基于阵列水听器的声音识别方法和装置 |
CN114255783A (zh) * | 2021-12-10 | 2022-03-29 | 上海应用技术大学 | 声音分类模型的构建方法、声音分类方法和系统 |
CN114974298A (zh) * | 2021-06-22 | 2022-08-30 | 青岛海洋科学与技术国家实验室发展中心 | 一种基于深度学习的海洋声源定位及海洋参数反演方法 |
CN114999525A (zh) * | 2022-02-28 | 2022-09-02 | 四川天中星航空科技有限公司 | 一种基于神经网络的轻量环境声音识别方法 |
CN115295007A (zh) * | 2022-07-06 | 2022-11-04 | 西北工业大学 | 一种水声目标识别方法、装置与设备 |
CN116343825A (zh) * | 2023-03-30 | 2023-06-27 | 西北工业大学 | 一种基于样本映射的少样本水声目标识别方法 |
CN116628559A (zh) * | 2023-07-20 | 2023-08-22 | 南方海洋科学与工程广东省实验室(广州) | 水下大数据计算综合实验分类系统、分类模型的训练方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10832672B2 (en) * | 2018-07-13 | 2020-11-10 | International Business Machines Corporation | Smart speaker system with cognitive sound analysis and response |
US11790932B2 (en) * | 2021-12-10 | 2023-10-17 | Amazon Technologies, Inc. | Acoustic event detection |
-
2023
- 2023-11-07 CN CN202311464901.1A patent/CN117198330B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977724A (zh) * | 2017-12-27 | 2019-07-05 | 中国科学院声学研究所 | 一种水下目标分类方法 |
CN109800700A (zh) * | 2019-01-15 | 2019-05-24 | 哈尔滨工程大学 | 一种基于深度学习的水下声信号目标分类识别方法 |
CN111259750A (zh) * | 2020-01-10 | 2020-06-09 | 西北工业大学 | 一种基于遗传算法优化bp神经网络的水声目标识别方法 |
CN112528775A (zh) * | 2020-11-28 | 2021-03-19 | 西北工业大学 | 一种水下目标的分类方法 |
CN112733447A (zh) * | 2021-01-07 | 2021-04-30 | 浙江大学 | 一种基于域自适应网络的水下声源定位方法及系统 |
CN114974298A (zh) * | 2021-06-22 | 2022-08-30 | 青岛海洋科学与技术国家实验室发展中心 | 一种基于深度学习的海洋声源定位及海洋参数反演方法 |
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 |
CN114220458A (zh) * | 2021-11-16 | 2022-03-22 | 武汉普惠海洋光电技术有限公司 | 基于阵列水听器的声音识别方法和装置 |
CN114255783A (zh) * | 2021-12-10 | 2022-03-29 | 上海应用技术大学 | 声音分类模型的构建方法、声音分类方法和系统 |
CN114999525A (zh) * | 2022-02-28 | 2022-09-02 | 四川天中星航空科技有限公司 | 一种基于神经网络的轻量环境声音识别方法 |
CN115295007A (zh) * | 2022-07-06 | 2022-11-04 | 西北工业大学 | 一种水声目标识别方法、装置与设备 |
CN116343825A (zh) * | 2023-03-30 | 2023-06-27 | 西北工业大学 | 一种基于样本映射的少样本水声目标识别方法 |
CN116628559A (zh) * | 2023-07-20 | 2023-08-22 | 南方海洋科学与工程广东省实验室(广州) | 水下大数据计算综合实验分类系统、分类模型的训练方法 |
Non-Patent Citations (1)
Title |
---|
Diverse ocean noise classification using deep learning;B. Mishachandar etc;《Applied Acoustics》;第1-10页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117198330A (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Neupane et al. | A review on deep learning-based approaches for automatic sonar target recognition | |
CN117198330B (zh) | 一种声源识别方法、系统及电子设备 | |
Qiao et al. | Underwater targets classification using local wavelet acoustic pattern and Multi-Layer Perceptron neural network optimized by modified Whale Optimization Algorithm | |
CN106886024A (zh) | 深海多波束声线精确跟踪方法 | |
Luo et al. | Sediment classification of small-size seabed acoustic images using convolutional neural networks | |
CN108896996B (zh) | 一种基于随机森林的铅锌矿吸水井泥水界面超声波回波信号分类方法 | |
CN102109495A (zh) | 基于多波束声纳技术的海底混合底质类型分类方法 | |
Van Komen et al. | Seabed type and source parameters predictions using ship spectrograms in convolutional neural networks | |
Cheng et al. | Spectralseanet: Spectrogram and convolutional network-based sea state estimation | |
CN115540828A (zh) | 一种基于壁面传感器的内波预报方法 | |
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 | |
Tang et al. | Using seabed acoustic imagery to characterize and classify seabed sediment types in the pockmark area of the North Yellow Sea, China | |
Ju et al. | A new low SNR underwater acoustic signal classification method based on intrinsic modal features maintaining dimensionality reduction | |
Niu et al. | Deep learning for ocean acoustic source localization using one sensor | |
CN115687453A (zh) | 基于态势感知数据驱动的舰船运行环境动态建模方法 | |
Nian et al. | Towards characterizing and developing formation and migration cues in seafloor sand waves on topology, morphology, evolution from high-resolution mapping via side-scan sonar in autonomous underwater vehicles | |
Hlophe | Efficient real-time deterministic wave prediction for marine renewable energy | |
CN114545422A (zh) | 基于多物理特征的主动声呐目标识别方法 | |
He et al. | High-accuracy seabed sediment classification using multi-beam acoustic backscatter data | |
CN113221651A (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 | |
Rizaev et al. | The effect of sea state on ship wake detectability in simulated SAR imagery | |
McCarthy et al. | Reduced-order machine-learning model for transmission loss prediction in underwater acoustics | |
CN111965601A (zh) | 一种基于核极限学习机的水下声源被动定位方法 | |
Lawal et al. | Coastal Wave Modeling and Forecasting with LSTM Optimization For Sustainable Energy Harvesting | |
Nechaev et al. | Complex situations simultation when testing intelligence system knowledge base |
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 |