作为一种数据驱动的声源定位方法，机器学习在海洋声学领域逐渐受到关注。

　　在公开发表基于机器学习的水下声源定位研究（JASA Vol. 142 No.3, pp1176-1188）之后，中科院声学所的牛海强和美国加州大学的研究人员继续合作，将机器学习分类器算法应用于加州西海岸圣塔芭芭拉海峡过往商船的水声学定位实验。该项研究成果日前发表于国际学术期刊《美国声学学报》2017年第142卷第5期。

　　本次研究基于2016年在圣塔芭芭拉海峡开展的水声学实验，实验海深为540-600 m，声源为三艘随机的、以不同速度航行的过往船只。

　　△圣塔芭芭拉海峡地理位置图

　　△实验现场，研究人员在甲板布放设备

　　△从实验现场拍到的远处过往商船

　　在该实验中，28个水听器组成孔径77 m的传感器阵，用来记录进入或离开洛杉矶港口的水下航船噪声。三个时间段内三艘不同航船产生的噪声数据（航船噪声谱见下图），作为机器学习分类模型的训练数据和测试数据。

　　△单个水听器记录的三个不同时间段内三艘不同航船的辐射噪声谱

　　牛海强等人研究了定位算法在53-200 Hz和203-350 Hz两个频段的性能，比较了两个频段上常规匹配场处理、支持向量机分类器和神经网络分类器的定位结果。

　　对比结果显示，基于机器学习的定位方法要优于常规匹配场定位。在没有准确环境信息的条件下，常规匹配场定位方法在超过4公里时就因误差过大失效了，而基于机器学习的定位方法可以准确定位到10公里。

　　研究表明，机器学习分类器算法能够在未知海洋环境下给出较好的定位结果，并且适用于不同航速的随机声源。

　　本研究对复杂海洋环境下快速、准确定位水下声源，具有潜在的应用价值，同时也为水声大数据和深度学习打下了基础。

　　参考文献：

　　NIU Haiqiang, Emma Ozanich, Peter Gerstoft. Ship Localization in Santa Barbara Channel Using Machine Learning Classifiers. Journal of the Acoustical Society of America Express Letters. (vol. 142, no. 5, pp. EL455-EL460, November 2017). DOI: 10.1121/1.5010064.

　　论文链接：

　　http://asa.scitation.org/doi/10.1121/1.5010064

　　关键词：机器学习，水下声源定位，航船噪声，匹配场定位

　　文中图片来自中科院声学所