中国科学院声学研究所无人信息系统研究中心水声目标探测与识别团队，研制出一套面向线列阵的水下宽带声源深度学习测向（DOA）框架，突破传统模型驱动算法在低信噪比、多目标场景下性能衰退的难题，同时引入不确定性量化能力，实现结果置信度的评估，为复杂海洋环境被动声探测提供新方案。
传统波束形成、子空间类测向算法高度依赖理想阵列流形与信号模型，在低信噪比、目标角度靠近、多源共存的实际水下场景，分辨能力会明显下降。现有的深度学习测向方案大多采用分类思路，受角度网格步长限制，存在固有量化误差，同时缺少对预测结果可靠性的评估手段。
该研究设计全新宽带特征构建策略，将宽带协方差矩阵拆解为相位正弦、余弦与幅值三通道特征，完整保留相位幅值信息，避免复数矩阵直接输入带来的学习负担。网络架构融合跨模态通道注意力（CMCA）与频率 Mamba（Fmamba）模块，挖掘不同频带之间的关联信息；采用回归范式直接输出方位三角函数值，不再受网格精度约束。同时引入物理信息约束损失函数，保证输出结果满足声学几何规律，提升低信噪比条件下模型稳定性。
图1 本文所提出的波达方向（DOA）测量架构流程图，该架构采用基于卷积神经网络的逐层特征提取结构，集成两大核心模块：解耦极坐标交叉注意力模块与多级频率状态空间增强模块
仿真结果表明，该方法在极低信噪比下仍保持良好检测效果，角度分辨能力可达 1°，能够分辨角度十分接近的多个目标。研究团队已完成湖上试验验证，在存在多途混响、平台自噪声、水面船只干扰的真实水环境中，相比 MUSIC、MVDR 等经典算法，该方法多目标分辨能力更强，阵列首尾端的测向盲区显著缩小，单帧推理耗时仅 17.34 ms，满足实时处理需求。
研究还引入蒙特卡洛 Dropout 实现不确定性量化，通过多次前向传播估计方位预测的不确定性，从而评估模型预测的可靠性。仿真与湖试数据证实，即便信噪比下降，模型的不确定性量化表现仍优于对比算法。
图2 水下地形图上的湖上试验航迹，包含单声源与双声源试验场景。声源布放在近湖岸区域，该区域存在混响与显著多途效应，给试验带来挑战
这套端到端测向框架对阵列流形误差具备一定容忍度，可应用于水下目标跟踪、海洋声学侦察等场景。本研究得到国家自然科学基金项目资助。
原文信息：J. Fu, B. Zhang, H. Li, et al., A deep learning-based DOA measurement method for underwater wideband sources using linear array with uncertainty quantification. IEEE Transactions on Instrumentation and Measurement, vol. 75, Art. no. 9702319, 2026, doi: 10.1109/TIM.2026.3687370.
图片来自研究团队
信息来源：中国科学院声学研究所图书馆