基于遷移學(xué)習(xí)的水下目標(biāo)定位方法仿真研究*

雷波 何兆陽 張瑞

1) (西北工業(yè)大學(xué)航海學(xué)院,西安 710072)

2) (西北工業(yè)大學(xué)青島研究院,青島 266200)

針對水下前向散射探測中基于敏感核函數(shù)的定位方法存在環(huán)境失配帶來的穩(wěn)健性問題,提出了一種基于遷移學(xué)習(xí)的前向散射定位方法,利用模型生成φ 的目標(biāo)前向散射聲場擾動信息訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò),將目標(biāo)定位問題轉(zhuǎn)化為分類問題.在基于先驗信息和仿真數(shù)據(jù)集的預(yù)訓(xùn)練模型基礎(chǔ)上,通過少量實驗數(shù)據(jù)集對神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行遷移學(xué)習(xí),以提高神經(jīng)網(wǎng)絡(luò)模型的穩(wěn)健性.仿真結(jié)果表明,該方法在聲速剖面失配下可以實現(xiàn)對目標(biāo)較準(zhǔn)確的定位,且對目標(biāo)散射函數(shù)、海底底質(zhì)、陣元數(shù)和布設(shè)深度等參數(shù)不甚敏感,方法具有較好的穩(wěn)健性.

1 引言

近年來,在對水聲目標(biāo)的探測定位問題中,雙/多基地主動聲吶由于其特有的收發(fā)分置特性而越來越受到關(guān)注[1?3],但是當(dāng)目標(biāo)位于收發(fā)連線附近時,直達(dá)波與目標(biāo)前向散射波在接收端上發(fā)生嚴(yán)重混疊[4],使用傳統(tǒng)時延處理方法在收發(fā)連線附近會形成雙基地探測盲區(qū).然而,相對于沒有目標(biāo)時的接收聲場,目標(biāo)的前向散射會引起接收聲場的幅度、相位發(fā)生擾動變化,已經(jīng)證明該現(xiàn)象可以作為入侵目標(biāo)探測的一種思路[5,6].

為了充分利用目標(biāo)前向散射引起的聲場擾動現(xiàn)象來實現(xiàn)雙基地盲區(qū)中的目標(biāo)探測,國內(nèi)外學(xué)者提出了多種方法.例如,Song 等[7]利用時間反轉(zhuǎn)鏡技術(shù)構(gòu)建了水聲絆網(wǎng),將聲能量聚焦于源陣列的探針聲源處,并通過觀察焦區(qū)周圍旁瓣的能量變化來檢測目標(biāo),該研究結(jié)果引起了對時反目標(biāo)探測的關(guān)注.由于時反鏡處理物理上的需求,該方法需要有復(fù)雜的硬件系統(tǒng)支持[8],此后水聲工作者又進(jìn)一步提出了基于虛擬時反的處理方法[9].雷波等[10]基于多個接收點前向散射聲擾動現(xiàn)象的時間差和幾何關(guān)系,提出了運動目標(biāo)定位方法.Folegot 等[11]提出了基于聲射線的定位方法,采用雙波束形成來分辨攜帶主要能量的聲線,利用目標(biāo)對聲線的“遮擋”效應(yīng),對強度衰減的特征聲線進(jìn)行加權(quán)求和,加權(quán)系數(shù)為聲線能量的衰減程度,將所有處理后的特征聲線繪制在一起,得到的模糊圖上的“亮點”即為目標(biāo)位置.Marandet 等[12]提出了敏感核定位方法,將目標(biāo)定位問題轉(zhuǎn)化為線性反演問題,利用聲場模型計算出每條特征聲線在不同位置處的敏感核,然后從實際接收數(shù)據(jù)中提取出每條特征聲線的實際聲壓幅度變化量,結(jié)合敏感核矩陣構(gòu)建出以目標(biāo)位置權(quán)值向量為解的線性方程組,通過求解欠定方程組實現(xiàn)對目標(biāo)的定位,并在超聲波導(dǎo)條件下完成了驗證實驗.Yildiz 等[13]進(jìn)一步研究了多基地配置下敏感核定位方法,并開展了水池實驗驗證.本質(zhì)上說,敏感核方法屬于基于模型的匹配場處理,對環(huán)境信息敏感,因而易受到環(huán)境失配的影響.

近期,機器學(xué)習(xí)已經(jīng)越來越多地被用于解決水下聲源的定位問題.牛海強等[14,15]使用機器學(xué)習(xí)進(jìn)行聲源距離的估計,獲得了比傳統(tǒng)匹配場處理更佳的性能,并使用殘差神經(jīng)網(wǎng)絡(luò)估計了聲源的距離深度[16].徐及等[17]使用了兩種神經(jīng)網(wǎng)絡(luò)在沒有精確環(huán)境信息的復(fù)雜水體下對水下目標(biāo)距離進(jìn)行估計.李整林等[18]提出了一種在深海直達(dá)區(qū)的卷積神經(jīng)網(wǎng)絡(luò)聲源測距方法.楊益新等[19]使用仿真與實際數(shù)據(jù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò),對深海目標(biāo)進(jìn)行距離和深度估計.

遷移學(xué)習(xí)作為機器學(xué)習(xí)的一種典型方法[20],可以通過小樣本的更新學(xué)習(xí),提高學(xué)習(xí)方法的適應(yīng)性.本文提出一種基于遷移學(xué)習(xí)的水下目標(biāo)定位方法,從目標(biāo)前向散射引起聲場擾動的角度出發(fā),利用卷積神經(jīng)網(wǎng)絡(luò)建立起聲場擾動信息與目標(biāo)位置的映射關(guān)系,從而把目標(biāo)定位問題轉(zhuǎn)化為分類問題.進(jìn)一步考慮環(huán)境失配帶來的穩(wěn)健性問題,利用基于先驗信息的仿真數(shù)據(jù)對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練以構(gòu)建預(yù)訓(xùn)練模型,而后基于遷移學(xué)習(xí)思想,結(jié)合少量實際數(shù)據(jù)對預(yù)訓(xùn)練模型進(jìn)行微調(diào),有效降低環(huán)境失配對定位性能的影響.

2 前向散射目標(biāo)定位原理

在利用目標(biāo)前向散射進(jìn)行目標(biāo)定位的研究中,通常采用由垂直發(fā)射陣和垂直接收陣構(gòu)成的聲屏障[7]進(jìn)行入侵目標(biāo)的探測和定位,如圖1 所示,發(fā)射陣和接收陣分別為由M 個發(fā)射陣元和N 個接收陣元構(gòu)成的垂直陣.在沒有目標(biāo)的情況下,接收信號可以表示為

其中,Pij(t) 表示由第i 個發(fā)射陣元發(fā)射信號時在第j個接收陣元上的信號,t 為相對于發(fā)射時刻的時 間,1 ≤i ≤M,1 ≤j ≤N,s(t) 為發(fā)射信號,hij(t)表示水聲信道的沖激響應(yīng)函數(shù),? 表示卷積運算,n(t) 表示海洋環(huán)境噪聲.

在收發(fā)連線之間存在目標(biāo)的情況下,散射聲場可以近似認(rèn)為是聲源S 發(fā)射的源信號經(jīng)多徑傳播后到達(dá)目標(biāo)處并發(fā)生散射,而后散射波經(jīng)多徑傳播后到達(dá)接收點R,如圖1 所示.聲波在目標(biāo)上的散射與目標(biāo)的散射函數(shù) f∞有關(guān),是頻率、目標(biāo)形態(tài)、目標(biāo)材料、散射角等參數(shù)的函數(shù).簡正波理論[21]和射線聲學(xué)理論[22]的信道散射模型表明,目標(biāo)的散射函數(shù)引起了入射場與散射場之間的耦合,導(dǎo)致聲波能量在聲場空間上重新分配[23].

圖1 聲屏障示意圖Fig.1.Schematic diagram of sound barrier with transmitter and receiver arrays.

假設(shè)位于 (r,z) 點的目標(biāo)處共有X 條入射聲線,Y 條散射聲線,入射聲線到達(dá)目標(biāo)處的沖激響應(yīng)為 Gp(r,z),時延為 Tp,1≤p ≤X,散射聲線到達(dá)接收點的沖激響應(yīng)為時延為1 ≤q ≤Y,則任意一組入射、出射聲線的沖激響應(yīng)和時延可以分別近似表示為

其中,φpq表示這一組入射、出射聲線對應(yīng)的散射角,如圖1 所示.將 X ·Y 組入射和出射聲線形成的沖激響應(yīng)在時域上按時延疊加在一起,得到目標(biāo)信道響應(yīng)函數(shù).實際上由于信道傳播路徑損失,部分路徑上的能量非常微弱,可以忽略不計.假設(shè)環(huán)境和背景噪聲保持不變,接收信號可以表示為

其中,“*”表示取復(fù)共軛.分別對脈沖壓縮輸出信號 Dij(t) 和 Eij(t) 取模值,得到脈沖壓縮輸出包絡(luò),表示為為了提取目標(biāo)入侵引起的聲場變化,對目標(biāo)前向散射引起的聲場擾動量進(jìn)行歸一化處理,即

式中,聲場擾動量 Aij(t)是時間的函數(shù),在脈沖長度時間內(nèi)認(rèn)為目標(biāo)的位置不會發(fā)生變化,其表征的是信號包絡(luò)相對變化.

Marandet 等[12]對敏感核定位方法的研究表明,由入侵目標(biāo)引起的接收端聲場擾動與目標(biāo)位置存在著映射關(guān)系.而由本文的(2)式—(4)式也可以看出,收發(fā)連線間存在目標(biāo)時的接收信號與目標(biāo)位置 (r,z) 有關(guān),也就是說經(jīng)處理得到的聲場擾動量 Aij(t) 隱含了目標(biāo)位置信息,如果利用神經(jīng)網(wǎng)絡(luò)來建立聲場擾動信息與目標(biāo)位置的映射關(guān)系,可以將目標(biāo)定位問題轉(zhuǎn)化為分類問題.

3 前向散射定位方法

不失一般性,本文提出的定位方法流程由預(yù)訓(xùn)練和參數(shù)遷移兩部分構(gòu)成,如圖2 所示,其中預(yù)訓(xùn)練過程是利用聲場模型生成的仿真數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練,而參數(shù)遷移過程是先凍結(jié)預(yù)訓(xùn)練模型的卷積池化層參數(shù),然后利用少量的實際數(shù)據(jù)對預(yù)訓(xùn)練模型的全連接層參數(shù)進(jìn)行微調(diào),這樣的好處是對實際訓(xùn)練數(shù)據(jù)量的需求大幅度減少.和匹配場處理類似,由于對實際環(huán)境參數(shù)如聲速剖面、海底底質(zhì)聲學(xué)特性、水深等水文環(huán)境信息獲取存在失配,預(yù)訓(xùn)練模型的定位能力可能會下降,需通過少量數(shù)據(jù)的遷移學(xué)習(xí)來提高環(huán)境失配下定位方法的穩(wěn)健性.

圖2 定位方法流程圖Fig.2.Flow chart of positioning method.

3.1 數(shù)據(jù)預(yù)處理

對數(shù)據(jù)進(jìn)行合理的預(yù)處理可以降低數(shù)據(jù)維度,加快神經(jīng)網(wǎng)絡(luò)收斂,本文提取聲場擾動的部分特征信息,構(gòu)建與目標(biāo)位置相關(guān)的三維特征數(shù)據(jù)作為輸入數(shù)據(jù).

3.2 預(yù)訓(xùn)練模型

一般情況下,為了保證較好的學(xué)習(xí)性能,神經(jīng)網(wǎng)絡(luò)通常需要大量的訓(xùn)練數(shù)據(jù),但實際水聲目標(biāo)數(shù)據(jù)獲取較為困難.因此,先使用基于先驗水文環(huán)境信息和聲場模型的仿真數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,建立預(yù)訓(xùn)練模型.對距離深度二維平面定位區(qū)域進(jìn)行網(wǎng)格劃分,使用獨熱編碼對劃分的網(wǎng)格區(qū)域進(jìn)行標(biāo)記.目標(biāo)位于不同網(wǎng)格內(nèi)時,將其對應(yīng)的數(shù)據(jù)矩陣H 作為神經(jīng)網(wǎng)絡(luò)的輸入,對應(yīng)的獨熱編碼作為神經(jīng)網(wǎng)絡(luò)的預(yù)期輸出.

采用的卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)主要由2 層卷積池化層和2 層全連接層構(gòu)成,如圖3 所示,其他參數(shù)見表1.將預(yù)處理后的仿真數(shù)據(jù)輸入卷積神經(jīng)網(wǎng)絡(luò),通過梯度下降算法調(diào)整卷積神經(jīng)網(wǎng)絡(luò)各層的參數(shù)以極小化損失函數(shù),本文采用常用的交叉熵?fù)p失函數(shù),表示如下:

表1 卷積神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置Table 1.Parameter setting of convolutional neural network.

圖3 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.3.Structure diagram of convolution neural network.

其中,B 為網(wǎng)格分類數(shù),yb為預(yù)期輸出,為神經(jīng)網(wǎng)絡(luò)輸出.

實際水文環(huán)境與仿真環(huán)境往往存在環(huán)境失配,這會嚴(yán)重降低預(yù)測模型的定位性能,故而此時的預(yù)訓(xùn)練模型并非最終模型,需要對預(yù)訓(xùn)練模型進(jìn)行參數(shù)遷移以降低環(huán)境失配對模型的影響.

3.3 遷移學(xué)習(xí)調(diào)整

目標(biāo)位置與信道特征以聲場擾動的形式給出,卷積神經(jīng)網(wǎng)絡(luò)的卷積池化層可以提取基礎(chǔ)和抽象特征,而全連接層根據(jù)特征建立聲場擾動與目標(biāo)位置的映射關(guān)系進(jìn)行分類,因此可以認(rèn)為基于仿真數(shù)據(jù)的預(yù)訓(xùn)練模型和基于實際數(shù)據(jù)的預(yù)測模型共享卷積池化層參數(shù).參數(shù)失配使原有映射在實際環(huán)境中產(chǎn)生誤差,通過參數(shù)遷移方法凍結(jié)預(yù)訓(xùn)練模型的卷積池化層參數(shù),并利用少量實際數(shù)據(jù)對全連接層參數(shù)進(jìn)行修正,建立新的映射以實現(xiàn)目標(biāo)學(xué)習(xí)任務(wù),如圖2 中的處理流程所示.全連接層可以表示為

其中,Δwk和 Δbk分別表示第k 層權(quán)值和偏置的變化量.本文采用基于適應(yīng)性低階矩估計的Adam 算法作為梯度下降算法.

將實際數(shù)據(jù)經(jīng)過預(yù)處理后輸入預(yù)訓(xùn)練模型,凍結(jié)卷積池化層的參數(shù),僅調(diào)整全連接層的參數(shù)以極小化損失函數(shù).這樣將基于仿真數(shù)據(jù)的預(yù)訓(xùn)練模型遷移到存在環(huán)境失配時的定位問題中,經(jīng)過學(xué)習(xí)后建立基于實測數(shù)據(jù)修正后的水下目標(biāo)定位預(yù)測模型,從而根據(jù)接收信號數(shù)據(jù)預(yù)測獲得目標(biāo)的位置.

4 仿真和討論

為了對本文提出的方法進(jìn)行驗證,假設(shè)仿真中的水文環(huán)境先驗信息和布陣方式如圖4(a)所示,海深為100 m,收發(fā)陣列的水平距離為5 km.垂直發(fā)射陣由5 個發(fā)射陣元構(gòu)成,均勻分布于海深20—80 m;垂直接收陣由21 個接收陣元構(gòu)成,均勻分布于海深20—80 m 處;海底底質(zhì)為砂泥,其聲速為1664 m/s,密度為1.787 g/cm3,衰減系數(shù)為0.756 dB/(m·kHz).考慮到海洋水文環(huán)境的隨機起伏變化,先驗聲速剖面采用圖4(a)中5 條實線所示的聲速剖面(在海面以1510 m/s 為中心聲速).各聲源依次發(fā)射中心頻率1 kHz、脈沖寬度50 ms、帶寬200 Hz 的線性調(diào)頻信號.假設(shè)環(huán)境噪聲為帶限高斯白噪聲(實際處理中會對接收信號進(jìn)行濾波),相對于目標(biāo)散射信號的信噪比為0 dB.考慮到水下目標(biāo)的尺度和定位精度要求,對定位海域進(jìn)行網(wǎng)格劃分,深度間隔為15 m,距離間隔為200 m,從而在深度-距離平面上得到5×25 個網(wǎng)格區(qū)域.入侵目標(biāo)為長半軸40 m、短半軸3 m 的剛性長旋轉(zhuǎn)橢球體,這里采用變形圓柱方法[25]計算其散射函數(shù).

圖4 仿真實驗環(huán)境 (a) 仿真實驗示意圖;(b) 接收到的信號波形;(c) 聲場擾動量A(t)Fig.4.Simulation experiment:(a) Diagram of simulation experiment;(b) received signal waveforms;(c) sound field aberration A(t).

發(fā)射陣和接收陣最上方陣元記為1 號陣元,按深度向下依次排序.令1 號發(fā)射陣元發(fā)射脈沖信號,在各接收陣元完成信號采集后,其他發(fā)射陣元依次發(fā)射同樣的脈沖信號并在接收端完成信號采集.對于1 號發(fā)射陣元和11 號接收陣元組成的收發(fā)對,在沒有入侵目標(biāo)時接收到的直達(dá)波信號如圖4(b)中點線所示.若目標(biāo)位于水平距離1900 m、深度50 m 的位置,則散射波信號波形如圖4(b)中實線所示.可以看出目標(biāo)的散射信號強度遠(yuǎn)低于直達(dá)波,在前向散射探測中被嚴(yán)重淹沒.將該接收信號代入(5)式和(7)式中,可以計算出聲場擾動量A 隨時間t 的變化,波形如圖4(c)所示.可以看出,散射信號在多個時段對聲場的相對擾動量較大,這種擾動可以作為目標(biāo)位置的定位依據(jù).

4.1 無失配時的仿真結(jié)果

使用獨熱編碼對劃分的網(wǎng)格區(qū)域進(jìn)行標(biāo)記,然后使用BELLHOP 聲場模型[26]對目標(biāo)位于不同網(wǎng)格區(qū)域時的接收數(shù)據(jù)進(jìn)行仿真,生成30000 組接收信號數(shù)據(jù),并將預(yù)處理后的仿真數(shù)據(jù)按5∶1 的比例隨機劃分為訓(xùn)練集和測試集.

對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,訓(xùn)練過程中測試集預(yù)測準(zhǔn)確率和交叉熵?fù)p失函數(shù)變化分別如圖5(a)和圖5(b)所示,可以看出隨著迭代次數(shù)的增加,卷積神經(jīng)網(wǎng)絡(luò)對測試集的預(yù)測準(zhǔn)確率逐漸提高,當(dāng)?shù)螖?shù)為850 時基本達(dá)到收斂,此時得到預(yù)訓(xùn)練模型參數(shù),這將作為存在失配時進(jìn)行遷移學(xué)習(xí)的基礎(chǔ)模型參數(shù).

在測試集中隨機選取500 個樣本,預(yù)訓(xùn)練模型對這些樣本的預(yù)測結(jié)果如圖5(c)所示,統(tǒng)計準(zhǔn)確率達(dá)到了98.8%,可以看出在沒有環(huán)境失配的情況下預(yù)訓(xùn)練模型能夠?qū)δ繕?biāo)進(jìn)行準(zhǔn)確定位.

圖5 預(yù)訓(xùn)練模型的訓(xùn)練過程和預(yù)測結(jié)果 (a) 準(zhǔn)確率變化;(b) 損失函數(shù)變化;(c) 無失配時的預(yù)訓(xùn)練模型預(yù)測結(jié)果Fig.5.Training process and prediction results of the pre-training model:(a) Variation of accuracy;(b) variation of loss function;(c) prediction results of the pre-training model without mismatch.

4.2 聲速剖面失配時的仿真結(jié)果

假設(shè)實際環(huán)境與仿真環(huán)境間存在聲速剖面失配,實際聲速剖面為圖4(a)中的虛線聲速剖面.對于存在失配的實際聲速剖面,仿真生成500 組接收信號數(shù)據(jù)并進(jìn)行預(yù)處理,作為實際數(shù)據(jù).使用預(yù)訓(xùn)練模型對這500 組數(shù)據(jù)進(jìn)行預(yù)測,預(yù)測結(jié)果如圖6(a)所示,準(zhǔn)確率降低為22.4%,這表明聲速剖面失配嚴(yán)重降低了預(yù)測模型的定位性能,但預(yù)訓(xùn)練模型和理想預(yù)測模型仍具有一定的相關(guān)性.此時需要利用這些實際數(shù)據(jù)對預(yù)訓(xùn)練模型進(jìn)行遷移學(xué)習(xí),以降低聲速剖面失配對定位性能的影響.

將實際數(shù)據(jù)按3∶1 的比例隨機劃分為訓(xùn)練集和測試集,按照圖2 所示參數(shù)遷移方法流程,保持卷積池化層的權(quán)值參數(shù)不變,僅調(diào)整全連接層的權(quán)值參數(shù),對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行重新訓(xùn)練.使用經(jīng)過遷移學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)預(yù)測模型對實際數(shù)據(jù)集進(jìn)行預(yù)測,預(yù)測結(jié)果如圖6(b)所示,統(tǒng)計準(zhǔn)確率為96.8%.通過比較圖6(a)和圖6(b)的預(yù)測結(jié)果可以看出,遷移學(xué)習(xí)方法在聲速剖面存在失配時仍保持著較高的定位精度.

圖6 環(huán)境失配時神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果 (a) 預(yù)訓(xùn)練模型預(yù)測結(jié)果;(b) 遷移學(xué)習(xí)后預(yù)測結(jié)果Fig.6.Prediction results of neural network model with environment mismatch:(a) Prediction results of pre-training model;(b) prediction results after transfer learning.

在相同的聲速剖面失配的情況下,使用敏感核函數(shù)[12]定位結(jié)果進(jìn)行對比.仿真生成同樣數(shù)量的接收信號數(shù)據(jù)并進(jìn)行預(yù)處理,作為實際數(shù)據(jù).使用仿真生成的理論敏感核模型對這500 組數(shù)據(jù)進(jìn)行預(yù)測,預(yù)測結(jié)果如圖7 所示.當(dāng)實際聲速剖面與仿真聲速剖面失配,導(dǎo)致拷貝場向量的計算產(chǎn)生較大誤差,使敏感核函數(shù)方法的定位性能嚴(yán)重降低,幾乎不能準(zhǔn)確對目標(biāo)位置進(jìn)行預(yù)測.

圖7 環(huán)境失配時敏感核函數(shù)預(yù)測結(jié)果 (a) 單個樣本定位結(jié)果;(b)多樣本預(yù)測結(jié)果Fig.7.Prediction results of sensitive kernel function with environmental mismatch:(a) Location results of single sample;(b) results of multiple samples.

4.3 目標(biāo)散射函數(shù)敏感性分析

目標(biāo)散射函數(shù)通過影響入射聲場和散射聲場的耦合,改變散射過程中能量的重新分配,進(jìn)而影響到接收聲場.實際情況下目標(biāo)的散射函數(shù)是未知的,預(yù)訓(xùn)練過程中所采用的模擬目標(biāo)只是對實際目標(biāo)近似,兩者存在目標(biāo)散射函數(shù)失配,因此有必要分析定位方法對目標(biāo)散射函數(shù)的敏感性.

假設(shè)模擬目標(biāo)為長半軸40 m、短半軸3 m 的剛性長旋轉(zhuǎn)橢球體,實際目標(biāo)為剛性圓柱體,長度分別為35,40 和45 m,圓柱半徑分別為2.5,3.0和3.5 m.保持其他仿真參數(shù)不變,除目標(biāo)散射函數(shù)失配外無其他失配存在.此時用仿真數(shù)據(jù)訓(xùn)練得到的預(yù)訓(xùn)練模型并不發(fā)生變化,在預(yù)訓(xùn)練模型的基礎(chǔ)上通過參數(shù)遷移進(jìn)行微調(diào),對于不同尺寸的實際目標(biāo),仿真結(jié)果如表2 所列.

表2 目標(biāo)散射函數(shù)失配時的仿真結(jié)果Table 2.Simulation results of target scattering function mismatch.

可以看出,當(dāng)實際目標(biāo)的長度為40 m、圓柱半徑為3 m 時,目標(biāo)失配的程度較小,預(yù)訓(xùn)練模型對實際數(shù)據(jù)的預(yù)測準(zhǔn)確率為79.4%,經(jīng)過遷移學(xué)習(xí)后神經(jīng)網(wǎng)絡(luò)模型的預(yù)測準(zhǔn)確率達(dá)到96.0%,有效降低了目標(biāo)散射函數(shù)失配對定位性能的影響;當(dāng)目標(biāo)失配程度增大時,預(yù)訓(xùn)練模型的預(yù)測準(zhǔn)確率出現(xiàn)下降,經(jīng)過遷移學(xué)習(xí)后神經(jīng)網(wǎng)絡(luò)模型出現(xiàn)了定位性能的略微降低,但仍可以滿足目標(biāo)定位的精度需求.以上分析表明定位方法對目標(biāo)散射函數(shù)具有較好的穩(wěn)健性.

4.4 海底底質(zhì)敏感性分析

仿真環(huán)境的海底參數(shù)往往與實際海底參數(shù)存在失配,會影響預(yù)訓(xùn)練模型的定位性能.假設(shè)水體參數(shù)不變,當(dāng)實際環(huán)境的海底底質(zhì)分別為泥砂、細(xì)砂、粗砂時,仿真結(jié)果如表3 所列.

表3 海底底質(zhì)失配時的仿真結(jié)果Table 3.Simulation results of sediment properties mismatch.

可以看出,當(dāng)實際海底底質(zhì)與仿真海底底質(zhì)存在失配時,預(yù)訓(xùn)練模型的預(yù)測準(zhǔn)確率下降了20%左右,定位方法的性能受到較大影響,且失配程度越大,預(yù)訓(xùn)練模型的預(yù)測準(zhǔn)確率越低.經(jīng)過遷移學(xué)習(xí)后神經(jīng)網(wǎng)絡(luò)模型的預(yù)測準(zhǔn)確率得到提升,盡管隨著失配程度的增大,預(yù)測準(zhǔn)確率會出現(xiàn)小幅下降,但在實際海底底質(zhì)為粗砂的情況下仍能達(dá)到92%,這表明定位方法對海底底質(zhì)具有較好的穩(wěn)健性.

4.5 陣元數(shù)量和布設(shè)深度敏感性分析

發(fā)射和接收點的位置決定了特征聲線的傳播路徑,只有目標(biāo)位于聲線附近時,才能對聲場產(chǎn)生影響.假設(shè)模擬目標(biāo)和實際目標(biāo)均為剛性長旋轉(zhuǎn)橢球體,模擬目標(biāo)的長半軸為40 m、短半軸為3 m,實際目標(biāo)的長半軸為60 m、短半軸為5.6 m,無其他失配存在.令接收陣元數(shù)為25,發(fā)射陣元數(shù)分別取3—6,保持其他仿真參數(shù)不變,仿真結(jié)果如表4所示;令發(fā)射陣元數(shù)為5,接收陣元數(shù)分別取17—23,保持其他仿真參數(shù)不變,仿真結(jié)果如表5 所列;改變發(fā)射陣元的布設(shè)深度,令5 個發(fā)射陣元的布設(shè)深度分別為20—32 m,20—80 m,68—80 m,保持其他仿真參數(shù)不變,仿真結(jié)果如表6 所列.

由表4 和表5 可以看出,當(dāng)提高發(fā)射、接收陣元數(shù)量時,可以得到準(zhǔn)確率更高的預(yù)訓(xùn)練模型,且預(yù)訓(xùn)練模型的定位性能受目標(biāo)尺寸失配的影響更小,經(jīng)過參數(shù)遷移后,與較少陣元數(shù)的情況相比模型的預(yù)測準(zhǔn)確率更高.這是因為發(fā)射、接收陣元數(shù)量的增多會使得收發(fā)連線的數(shù)量增多,可以從波導(dǎo)空間結(jié)構(gòu)的維度上得到更多與目標(biāo)位置相關(guān)的信號數(shù)據(jù),故而輸入神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)矩陣隱含著更多的目標(biāo)位置特征信息,有助于神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中對特征更加高效的提取,能夠更好地訓(xùn)練和構(gòu)建神經(jīng)網(wǎng)絡(luò)模型,提高模型的預(yù)測準(zhǔn)確率.

表4 不同發(fā)射陣元數(shù)時的仿真結(jié)果Table 4.Simulation results of different number of transmitting array elements.

表5 不同接收陣元數(shù)時的仿真結(jié)果Table 5.Simulation results with different number of receiving array elements.

表6 的結(jié)果表明,發(fā)射陣元布設(shè)深度為20—80 m 時,與布設(shè)深度為20—32 m,68—80 m 的情況相比可以得到準(zhǔn)確率更高的預(yù)測模型.這是因為當(dāng)發(fā)射陣元布設(shè)在較小的深度覆蓋范圍時,對于不同的發(fā)射陣元,其對應(yīng)接收信號數(shù)據(jù)的信道響應(yīng)函數(shù)差異較小,包含的目標(biāo)位置信息有限;而當(dāng)發(fā)射陣元布設(shè)在較寬的深度覆蓋范圍時,接收信號數(shù)據(jù)的信道響應(yīng)函數(shù)差異增大,此時接收數(shù)據(jù)中隱含著更多目標(biāo)位置信息,有助于神經(jīng)網(wǎng)絡(luò)更準(zhǔn)確地提取數(shù)據(jù)的特征,提高模型的定位性能.同時也可以看出,在仿真環(huán)境下改變發(fā)射陣元數(shù)、接收陣元數(shù)、發(fā)射陣元布設(shè)深度的取值,經(jīng)過遷移學(xué)習(xí)后模型的預(yù)測準(zhǔn)確率仍能達(dá)到90%以上,這表明定位方法對陣元數(shù)、布設(shè)深度均具有較好的穩(wěn)健性.

表6 不同布設(shè)深度時的仿真結(jié)果Table 6.Simulation results of different layout depths.

4.6 對信道起伏的敏感性分析

海洋環(huán)境的起伏會導(dǎo)致聲信道的幅度和相位起伏,從而引起接收信號起伏.為了便于研究本文方法對信道起伏的穩(wěn)健性,這里分別對信道沖激響應(yīng)的幅度和相位添加擾動,分析不同擾動強度下的定位效果.

根據(jù)信道多途沖激響應(yīng),對信道加入幅度擾動,可以表示為

對時域內(nèi)各收發(fā)對間的幅度最大的前10 條聲線添加幅度擾動,以模擬環(huán)境起伏引起的信道幅度擾動,幅度擾動相互獨立且本方法在不同幅度起伏強度下的接收信號強度起伏和定位準(zhǔn)確率如圖8(a)所示,定位準(zhǔn)確率隨著信道幅度起伏方差與信道沖激響應(yīng)最大值之比的增大逐漸減小,接收信號能量起伏隨該比值的增大逐漸增大.當(dāng)該比值小于0.2 時,信號強度起伏不超過1.7 dB,定位準(zhǔn)確率保持85%以上;當(dāng)該比值增大至大于0.3 時,信號強度起伏超過2.7 dB,定位準(zhǔn)確率小于75%.

根據(jù)信道多途沖激響應(yīng),對信道加入相位擾動,可以表示為:

圖8 定位準(zhǔn)確率隨起伏變化 (a) 定位準(zhǔn)確率隨幅度起伏的變化;(b) 定位準(zhǔn)確率隨相位起伏的變化Fig.8.Position accuracy with fluctuation variation:(a) Position accuracy with magnitude fluctuation;(b) position accuracy with phase fluctuation.

以上仿真表明,本文方法對海洋環(huán)境起伏導(dǎo)致的信道擾動具有一定的穩(wěn)健性,在較為穩(wěn)定的信道環(huán)境下可以保持較好的定位準(zhǔn)確率.

在無目標(biāo)信道中存在起伏時,分別考慮幅度和相位起伏.計算起伏環(huán)境下的定位預(yù)測結(jié)果,如圖9所示,環(huán)境隨機擾動使得無目標(biāo)定位結(jié)果具有較強的隨機性,無法判定目標(biāo)的存在與位置.這是由于無目標(biāo)時,由(7)式得到的擾動量變化只由噪聲和信道擾動決定,因此具有較強的隨機性.

圖9 起伏信道下無目標(biāo)定位預(yù)測結(jié)果 (a) 無目標(biāo)幅度起 伏 σ/max(h)=0.6 的定位預(yù)測結(jié)果;(b) 無目標(biāo)相位起伏φ=2π/3 的定位預(yù)測結(jié)果Fig.9.Position result without target in fluctuated channel:(a) Position results without target in magnitude fluctuated channel σ/max(h)=0.6 ;(b) position results without target in phase fluctuated channel φ=2π/3.

由仿真結(jié)果可以看出,方法的定位預(yù)測結(jié)果在起伏信道中有無目標(biāo)的情況下有顯著差別,相比于有目標(biāo)情況,無目標(biāo)時定位預(yù)測結(jié)果的分布呈現(xiàn)很強的隨機性,因此不能作為目標(biāo)定位依據(jù).

5 結(jié)論

本文研究了一種基于遷移學(xué)習(xí)的水下目標(biāo)前向散射穩(wěn)健定位方法,提取目標(biāo)前向散射引起的聲場幅度擾動作為特征,利用仿真數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)構(gòu)建預(yù)訓(xùn)練模型,而后使用少量實際數(shù)據(jù)對預(yù)訓(xùn)練模型進(jìn)行參數(shù)遷移.淺海環(huán)境仿真結(jié)果表明,在聲速剖面失配時可以獲得穩(wěn)健的定位結(jié)果;對多種失配情況進(jìn)行了敏感性分析,仿真結(jié)果表明該方法對目標(biāo)散射函數(shù)、海底底質(zhì)具有較好的穩(wěn)健性,雖然在存在失配時預(yù)測性能出現(xiàn)小幅下降,但仍可以滿足目標(biāo)定位的精度需求;對發(fā)射接收陣元數(shù)目以及陣元布設(shè)深度進(jìn)行了敏感性分析,仿真結(jié)果表明增大以上參數(shù)可以使得接收數(shù)據(jù)隱含更多的目標(biāo)位置特征信息,提高神經(jīng)網(wǎng)絡(luò)的特征提取能力和定位性能,實際中需綜合考慮布陣設(shè)計與定位性能,選取合適的發(fā)射、接收陣元數(shù)與布設(shè)深度;進(jìn)一步對信道幅度與相位擾動進(jìn)行了敏感性分析,結(jié)果表明方法在較穩(wěn)定的環(huán)境下可保持較好的定位性能.

該方法由模型和數(shù)據(jù)共同驅(qū)動,可以較好地解決環(huán)境失配問題,但值得注意的是遷移學(xué)習(xí)的前提是源域和目標(biāo)域具有一定相似性,這意味著預(yù)訓(xùn)練模型不能和理想預(yù)測模型在結(jié)構(gòu)上相差過大,選取先驗水文環(huán)境信息構(gòu)建預(yù)訓(xùn)練模型時應(yīng)盡可能考慮多種水文情況,使得預(yù)訓(xùn)練模型具有較好的泛化能力,這也有助于避免遷移學(xué)習(xí)時出現(xiàn)過擬合的問題.