基于多任務神經網絡的水下震源定位方法研究?

楊麗燕 王黎明 韓星程 武國強 王鴻儒 馬 文

（1.中北大學信息探測與處理山西省重點實驗室 太原 030051）（2.太原重工股份有限公司 太原 030051）（3.山西太重數智科技股份有限公司 太原 030051）

1 引言

隨著海洋的重要性為世界各國所知，針對海洋研制的艦船越來越多，與此同時，反艦武器也應運而生，比如水雷、潛艇、魚雷等［1］。魚雷在水中爆炸的危險性主要表現在沖擊波。沖擊波的傳遞媒介是水和空氣，由于水的密度是空氣密度的上千倍，所以炸藥在水下爆炸時沖擊波得到更好的傳遞，產生的破壞力也更大。在水下，只需少量炸藥就能對目標造成巨大的破壞［2］。魚雷攻擊靶船的位置是評定艦船抗爆炸沖擊能力以及武器毀傷能力的一個關鍵判據［3］。因此，對水下震源位置進行定位顯得尤為重要。

傳統水下爆炸試驗中常用的定位方法有機械定位法、沖擊波零時法、水聲定位法、水聲GPS聯測法、最小誤差逼近法、匹配場定位法等。機械定位法通過剛性固定水下震源與目標的位置來確定爆距，這種方法并不適用于艦船的抗沖擊試驗。沖擊波零時法通過聲信號在目標和傳感器節點之間的傳輸時間進行測距，測距精度高，但是需要目標和傳感器節點之間保持時鐘同步［4］。張姝紅等提出一種最小誤差逼近的遍歷搜索定位方法來實現水下震源定位，該方法在目標艦艇上安裝爆炸載荷壓力測量傳感器，獲取沖擊波傳播的時間信息和沖擊波壓力峰值，從而實現震源炸點定位計算［3］。但當震源距離較遠時，沖擊波零時法對傳感器的精度提出更高的要求，并不適用于遠距離的水下震源定位。楊家庚等介紹長基線水聲定位的原理，提出一種適用于懸浮震源的長基線水聲定位測量方法，并給出定位計算的震源坐標顯式解［5］。但該方法并未考慮建設成本與組織實驗等要求。匹配場定位法（Matched Field Processing，MFP）是基于聲音的傳播規律，需要獲得聲場模型才能準確定位。然而，海洋環境復雜多變，海洋參數也隨時-空變化［6］。準確的環境參數的獲取幾乎是不可能的，導致MFP算法在實際應用中出現由環境失配引起的定位誤差問題［7］。因此需要一種魯棒性更強、泛化能力更高的算法。

近年來，深度學習的理論和技術發展迅猛，一些將深度學習用于水聲被動定位的方法也開始涌現［8］。本文提出一種基于多任務神經網絡的震源定位方法，通過仿真淺海聲場數據集，建立深度學習網絡模型進行訓練，對比了MTL-CNN 網絡模型與MTL-Attention-UNet模型的平均絕對誤差，仿真結果表明：使用MTL-Attention-UNet模型對震源進行定位的平均絕對誤差比MTL-CNN 網絡模型小，定位性能更好，計算速度更快。

2 基于多任務神經網絡定位算法

海洋環境的失配會造成匹配場定位性能的下降，應用MTL-CNN 定位方法可以通過學習不同環境的聲場特征，改善深海環境失配的情況，從而提高魯棒性［9］。但MTL-CNN 未壓縮網絡的輸入，會導致仿真計算速度較慢。而UNet網絡每一層下采樣都與后面每一次采樣對應，能夠保證特征更加精細。Attention UNet在原始UNet基礎添加注意力門控單元，注意力得分能夠使得圖像分割時聚焦到目標區域［10］。本文將MTL-CNN 與Attention-UNet 網絡結合起來，建立MTL-Attention-UNet模型對水下震源進行定位。

2.1 MTL-Attention-UNet網絡

MTL-Attention-UNet 網絡包含輸入流程、中間流程、輸出流程三部分。輸出流程分為對水下震源的距離與深度兩個參數的輸出，單任務只能完成一個任務，多任務可以同時訓練距離與深度，訓練效率得到提高。Attention-UNet結構被大量應用在分割領域，它先對輸入特征進行壓縮，作為特征提取模塊，通過輸入層時進行4 次特征壓縮，每次壓縮通過卷積核為3×3 的卷積、激活函數ReLU 和池化核2×2 步長2 的Maxpool 函數。在輸出層得到距離和深度的估計值，如圖1所示。

圖1 MTL-Attention-UNet的數據傳輸過程

2.2 定位原理

首先根據聲速剖面等環境信息和聲場建模理論，仿真數據集，包括神經網絡訓練集、驗證集和測試集；其次，將訓練集和驗證集輸入MTL-Attention-UNet 網絡中進行訓練；網絡訓練誤差曲線收斂后，保存網絡訓練的權重，并使用測試集對訓練好的網絡進行測試，得到定位結果。流程如圖2 所示。

圖2 基于MTL-Attention-UNet的定位流程圖

3 仿真分析

3.1 淺海聲場環境模型

水下震源定位中，實測數據獲取成本較高，一般使用聲傳播模型仿真的大量聲場數據作為神經網絡訓練集［11］。常用的聲場模型包括簡正波模型（Nomal Modes）、拋物方程模型（Parabolic Equation）、射線模型（Ray Methods）、波數積分模型（Wavenumber Integration Techniques）［12］。簡正波模型適用于水平不變環境、低頻原場條件的聲場仿真，本文使用Kraken簡正波模型仿真。

海洋環境為水平不變豎直分層的典型淺海波導，海水、沉積層、流體半空間層的聲速剖面如圖3所示。聲源的頻率為100Hz～200Hz，增量為1Hz。仿真中使用的聲源環境與參數如表1所示［11］。

表1 仿真數據集環境參數

圖3 仿真環境參數設置

3.2 數據可視化

根據表1 驗證集參數仿真數據，得到的數據集圖像為圖4。聲源深度變化的數據集灰度圖呈現為波浪狀，聲源距離變化的數據集灰度圖呈現條紋狀。

圖4 數據集圖像

3.3 靈敏度分析

作為輸入特征的物理原理是模式之間的干涉圖譜，與干涉模式相關的波導不變量被應用于聲源定位上。物理上說，干涉結構取決于聲源的位置和不同靈敏度的波導參數。均方根誤差（MSE）被用于評估參數的靈敏度，如式（1）。

圖5 展示了十個參數的MSE，由圖可知，聲源距離、聲源深度、海水深度、沉積層厚度、沉積層聲速相對于其它參數的MSE 變化更大，也就是說參數更加敏感，因此對輸入特征的貢獻更大。基于靈敏度分析，生成訓練集時應盡可能改變靈敏度大的參數，這樣才能保證網絡具有很好的穩健性。

圖5 參數靈敏度分析

3.4 訓練和驗證誤差

為了保證最終選擇的模型在不同的環境下的泛化能力，驗證集被用于訓練過程中監測損失。采用平均絕對誤差（MAE）作為評價定位結果的標準：

其中，yi是真實值，i是估計值。訓練10 個周期時，網絡估計距離的平均絕對誤差為0.83km，深度的平均絕對誤差為2.6m。

分別使用MTL-CNN 網絡和使用本文提出的MTL-Attention-UNet 網絡模型對水下震源進行定位的結果如圖6 所示，其中實線表示MTL-CNN，虛線表示MTL-Attention-UNet。由圖可以看出，MTL-Attention-UNet 的距離與深度平均相對誤差都小于MTL-CNN 模型，MTL-Attention-UNet 模型可以獲得更好的定位結果。

圖6 測試結果

4 結語

本文構建了淺海聲場數據集，使用多任務神經網絡MTL-Attention-UNet 對水下震源定位進行訓練，并使用測試集比較MTL-CNN 模型和多任務神經網絡算法MTL-Attention-UNet 的定位效果。仿真結果表明，用MTL-Attention-UNet模型對水下震源進行定位的平均絕對誤差比MTL-CNN 網絡模型小，定位性能更好，計算速度更快。