楊麗燕 王黎明 韓星程 武國強(qiáng) 王鴻儒 馬 文

（1.中北大學(xué)信息探測與處理山西省重點(diǎn)實(shí)驗(yàn)室 太原 030051）（2.太原重工股份有限公司 太原 030051）（3.山西太重數(shù)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(yīng)運(yùn)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(xiàn)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(chǎn)生的破壞力也更大。在水下，只需少量炸藥就能對目標(biāo)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(guān)鍵判據(jù)［3］。因此，對水下震源位置進(jìn)行定位顯得尤為重要。

傳統(tǒng)水下爆炸試驗(yàn)中常用的定位方法有機(jī)械定位法、沖擊波零時法、水聲定位法、水聲GPS聯(lián)測法、最小誤差逼近法、匹配場定位法等。機(jī)械定位法通過剛性固定水下震源與目標(biāo)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(yàn)。沖擊波零時法通過聲信號在目標(biāo)和傳感器節(jié)點(diǎn)之間的傳輸時間進(jìn)行測距，測距精度高，但是需要目標(biāo)和傳感器節(jié)點(diǎn)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(shí)現(xiàn)水下震源定位，該方法在目標(biāo)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(shí)現(xiàn)震源炸點(diǎn)定位計(jì)算［3］。但當(dāng)震源距離較遠(yuǎn)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(yuǎn)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(jì)算的震源坐標(biāo)顯式解［5］。但該方法并未考慮建設(shè)成本與組織實(shí)驗(yàn)等要求。匹配場定位法（Matched Field Processing，MFP）是基于聲音的傳播規(guī)律，需要獲得聲場模型才能準(zhǔn)確定位。然而，海洋環(huán)境復(fù)雜多變，海洋參數(shù)也隨時-空變化［6］。準(zhǔn)確的環(huán)境參數(shù)的獲取幾乎是不可能的，導(dǎo)致MFP算法在實(shí)際應(yīng)用中出現(xiàn)由環(huán)境失配引起的定位誤差問題［7］。因此需要一種魯棒性更強(qiáng)、泛化能力更高的算法。

近年來，深度學(xué)習(xí)的理論和技術(shù)發(fā)展迅猛，一些將深度學(xué)習(xí)用于水聲被動定位的方法也開始涌現(xiàn)［8］。本文提出一種基于多任務(wù)神經(jīng)網(wǎng)絡(luò)的震源定位方法，通過仿真淺海聲場數(shù)據(jù)集，建立深度學(xué)習(xí)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，對比了MTL-CNN 網(wǎng)絡(luò)模型與MTL-Attention-UNet模型的平均絕對誤差，仿真結(jié)果表明：使用MTL-Attention-UNet模型對震源進(jìn)行定位的平均絕對誤差比MTL-CNN 網(wǎng)絡(luò)模型小，定位性能更好，計(jì)算速度更快。

2 基于多任務(wù)神經(jīng)網(wǎng)絡(luò)定位算法

海洋環(huán)境的失配會造成匹配場定位性能的下降，應(yīng)用MTL-CNN 定位方法可以通過學(xué)習(xí)不同環(huán)境的聲場特征，改善深海環(huán)境失配的情況，從而提高魯棒性［9］。但MTL-CNN 未壓縮網(wǎng)絡(luò)的輸入，會導(dǎo)致仿真計(jì)算速度較慢。而UNet網(wǎng)絡(luò)每一層下采樣都與后面每一次采樣對應(yīng)，能夠保證特征更加精細(xì)。Attention UNet在原始UNet基礎(chǔ)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(biāo)區(qū)域［10］。本文將MTL-CNN 與Attention-UNet 網(wǎng)絡(luò)結(jié)合起來，建立MTL-Attention-UNet模型對水下震源進(jìn)行定位。

2.1 MTL-Attention-UNet網(wǎng)絡(luò)

MTL-Attention-UNet 網(wǎng)絡(luò)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(shù)的輸出，單任務(wù)只能完成一個任務(wù)，多任務(wù)可以同時訓(xùn)練距離與深度，訓(xùn)練效率得到提高。Attention-UNet結(jié)構(gòu)被大量應(yīng)用在分割領(lǐng)域，它先對輸入特征進(jìn)行壓縮，作為特征提取模塊，通過輸入層時進(jìn)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(shù)ReLU 和池化核2×2 步長2 的Maxpool 函數(shù)。在輸出層得到距離和深度的估計(jì)值，如圖1所示。

圖1 MTL-Attention-UNet的數(shù)據(jù)傳輸過程

2.2 定位原理

首先根據(jù)聲速剖面等環(huán)境信息和聲場建模理論，仿真數(shù)據(jù)集，包括神經(jīng)網(wǎng)絡(luò)訓(xùn)練集、驗(yàn)證集和測試集；其次，將訓(xùn)練集和驗(yàn)證集輸入MTL-Attention-UNet 網(wǎng)絡(luò)中進(jìn)行訓(xùn)練；網(wǎng)絡(luò)訓(xùn)練誤差曲線收斂后，保存網(wǎng)絡(luò)訓(xùn)練的權(quán)重，并使用測試集對訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行測試，得到定位結(jié)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(huán)境模型

水下震源定位中，實(shí)測數(shù)據(jù)獲取成本較高，一般使用聲傳播模型仿真的大量聲場數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)訓(xùn)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(shù)積分模型（Wavenumber Integration Techniques）［12］。簡正波模型適用于水平不變環(huán)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(huán)境為水平不變豎直分層的典型淺海波導(dǎo)，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(huán)境與參數(shù)如表1所示［11］。

表1 仿真數(shù)據(jù)集環(huán)境參數(shù)

圖3 仿真環(huán)境參數(shù)設(shè)置

3.2 數(shù)據(jù)可視化

根據(jù)表1 驗(yàn)證集參數(shù)仿真數(shù)據(jù)，得到的數(shù)據(jù)集圖像為圖4。聲源深度變化的數(shù)據(jù)集灰度圖呈現(xiàn)為波浪狀，聲源距離變化的數(shù)據(jù)集灰度圖呈現(xiàn)條紋狀。

圖4 數(shù)據(jù)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(guān)的波導(dǎo)不變量被應(yīng)用于聲源定位上。物理上說，干涉結(jié)構(gòu)取決于聲源的位置和不同靈敏度的波導(dǎo)參數(shù)。均方根誤差（MSE）被用于評估參數(shù)的靈敏度，如式（1）。

圖5 展示了十個參數(shù)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(shù)的MSE 變化更大，也就是說參數(shù)更加敏感，因此對輸入特征的貢獻(xiàn)更大?；陟`敏度分析，生成訓(xùn)練集時應(yīng)盡可能改變靈敏度大的參數(shù)，這樣才能保證網(wǎng)絡(luò)具有很好的穩(wěn)健性。

圖5 參數(shù)靈敏度分析

3.4 訓(xùn)練和驗(yàn)證誤差

為了保證最終選擇的模型在不同的環(huán)境下的泛化能力，驗(yàn)證集被用于訓(xùn)練過程中監(jiān)測損失。采用平均絕對誤差（MAE）作為評價定位結(jié)果的標(biāo)準(zhǔn)：

其中，yi是真實(shí)值，i是估計(jì)值。訓(xùn)練10 個周期時，網(wǎng)絡(luò)估計(jì)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(wǎng)絡(luò)和使用本文提出的MTL-Attention-UNet 網(wǎng)絡(luò)模型對水下震源進(jìn)行定位的結(jié)果如圖6 所示，其中實(shí)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(jié)果。

圖6 測試結(jié)果

4 結(jié)語

本文構(gòu)建了淺海聲場數(shù)據(jù)集，使用多任務(wù)神經(jīng)網(wǎng)絡(luò)MTL-Attention-UNet 對水下震源定位進(jìn)行訓(xùn)練，并使用測試集比較MTL-CNN 模型和多任務(wù)神經(jīng)網(wǎng)絡(luò)算法MTL-Attention-UNet 的定位效果。仿真結(jié)果表明，用MTL-Attention-UNet模型對水下震源進(jìn)行定位的平均絕對誤差比MTL-CNN 網(wǎng)絡(luò)模型小，定位性能更好，計(jì)算速度更快。