在水声学中，匹配场技术是用于水下声源远程被动定位的常见方法，但是该方法对拷贝场和测量场之间的失配较为敏感，限制了其实际应用。

　　声学所牛海强和美国加州大学的同事合作，提出了一种基于机器学习的水下声源被动定位方法。这是一种数据驱动的方法，计算机可从观测数据中学习到声源的距离信息。相关研究成果已发表于国际学术期刊《美国声学学报》（2017年第142卷第3期）。

　　距离估计问题可转化为机器学习领域中的分类或回归问题进行求解。研究人员将声压数据构建的采样协方差矩阵，作为前馈神经网络、支持向量机和随机森林三种机器学习模型的输入，利用一次海试实验（Noise09）的数据，系统研究了三种机器学习模型的定位性能，并与传统的匹配场方法进行了对比。

　　这三种机器学习分类器对应的平均绝对值百分比误差是2-3%。相比之下，机器学习回归器和匹配场定位方法的误差为10%-59%。这表明在水下声源定位性能上，机器学习分类器要优于回归器和传统匹配场技术。

　　牛海强等人提出的基于机器学习的水下声源被动定位方法，不依赖于对水下声场的理论建模，这一创新性工作为机器学习在水声学中的应用打开了新的思路。