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。