陳文景，郭常升，王景強(qiáng)，侯正瑜

?

基于遺傳BP神經(jīng)網(wǎng)絡(luò)的海底沉積物聲速預(yù)報(bào)

陳文景1，2，3，郭常升1，2*，王景強(qiáng)4，侯正瑜1，2，3

(1.中國(guó)科學(xué)院海洋研究所，山東 青島 266071；2.中國(guó)科學(xué)院海洋地質(zhì)與環(huán)境重點(diǎn)實(shí)驗(yàn)室，山東 青島 266071；3.中國(guó)科學(xué)院大學(xué)，北京 100049；4.國(guó)家海洋局第一海洋研究所 海洋沉積與環(huán)境地質(zhì)國(guó)家海洋局重點(diǎn)實(shí)驗(yàn)室，山東 青島266061)

摘要：在海底沉積物聲速預(yù)報(bào)中，針對(duì)傳統(tǒng)經(jīng)驗(yàn)公式存在預(yù)測(cè)精度差、適用范圍窄、缺乏物理意義等問(wèn)題，在已有BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的基礎(chǔ)上，運(yùn)用遺傳算法優(yōu)化其初始權(quán)值和閾值的方法，構(gòu)建出基于含水量、孔隙度的聲速預(yù)報(bào)模型。將南沙海域采集得到的海底沉積物樣品分為兩部分，抽取120組涵蓋陸架、陸坡、海槽等地貌單元的樣品作為訓(xùn)練數(shù)據(jù)，另外剩余6組作為測(cè)試數(shù)據(jù)。經(jīng)試驗(yàn)對(duì)比后發(fā)現(xiàn)，在對(duì)本區(qū)域進(jìn)行聲速預(yù)報(bào)時(shí)，宜采用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)，其要優(yōu)于傳統(tǒng)的單參數(shù)、雙參數(shù)回歸擬合預(yù)報(bào)方法和國(guó)內(nèi)外其他學(xué)者所得到的經(jīng)驗(yàn)公式。此種預(yù)報(bào)方法具有一定的科學(xué)依據(jù)和廣泛的應(yīng)用前景，可在今后為建立明確、統(tǒng)一的聲速預(yù)報(bào)模型提供參考。

關(guān)鍵詞：遺傳算法；BP神經(jīng)網(wǎng)絡(luò)；海底沉積物；聲速預(yù)報(bào)

1引言

隨著海洋科學(xué)、海洋地質(zhì)學(xué)等學(xué)科的發(fā)展以及海洋工程和海洋開(kāi)發(fā)的需要，海底沉積物聲學(xué)特性研究具有重要的現(xiàn)實(shí)意義，并受到越來(lái)越廣泛的重視。目前，聲學(xué)參數(shù)與物理參數(shù)之間的關(guān)系、海底沉積物聲波傳播特性等是其研究熱點(diǎn)。海底沉積物通常被認(rèn)為是一種固液雙相介質(zhì)[1—2]，其結(jié)構(gòu)和物理性質(zhì)直接決定了聲波在其中的傳播速度，是聲波傳播的物理基礎(chǔ)。構(gòu)建明確、統(tǒng)一的海底沉積物聲速與物理參數(shù)模型，對(duì)于開(kāi)展聲速反演、地聲模型建立、工程實(shí)踐等方面的研究都具有重要的意義。

國(guó)內(nèi)外的研究學(xué)者對(duì)縱波聲速(下文統(tǒng)一簡(jiǎn)稱“聲速”)與沉積物物理參數(shù)之間的關(guān)系進(jìn)行了大量的研究，并取得了一些有意義的成果。在理論上，Biot[3]和Stoll[4]、Wood[5]、Buckingham[6]等分別建立和發(fā)展了Biot-Stoll飽和多孔介質(zhì)模型、Wood方程、Buckingham模型，Hamilton[7]、Anderson[8]、Orsi和Dunn[9]、盧博[10]、唐永祿[11]、鄒大鵬等[12]、闞光明等[13—14]，根據(jù)實(shí)際調(diào)查工作，建立了適用于不同海域沉積物的聲速與物理參數(shù)之間的經(jīng)驗(yàn)公式。這些經(jīng)驗(yàn)公式的建立在一定程度上揭示了兩者之間的相互關(guān)系，但由于經(jīng)驗(yàn)公式大多采用簡(jiǎn)單的回歸擬合得到，再加上海洋沉積環(huán)境的多樣性及復(fù)雜性，在進(jìn)行聲速預(yù)報(bào)反演時(shí)，回歸誤差過(guò)大，適用范圍也相當(dāng)有限，并缺乏物理意義。羅忠輝等[15]采用人工智能BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)算法在聲速預(yù)報(bào)方面做出了有益的嘗試，預(yù)報(bào)精度得到了提高。但傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)存在網(wǎng)絡(luò)震蕩不穩(wěn)定、易陷入局部極值等問(wèn)題，近年來(lái)，一種新的優(yōu)化搜索算法——遺傳算法(Genetic Algorithms，GA)正迅速發(fā)展起來(lái)，將兩者相互結(jié)合體現(xiàn)出了非常強(qiáng)的解決問(wèn)題的能力，是目前十分活躍的研究領(lǐng)域[16—21]。但在海底沉積物聲速預(yù)報(bào)領(lǐng)域尚未有人將兩者結(jié)合進(jìn)行研究，本文嘗試?yán)眠z傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值的方法，將GA算法與BP神經(jīng)網(wǎng)絡(luò)有機(jī)結(jié)合，并應(yīng)用于海底沉積物聲速預(yù)報(bào)。

2研究區(qū)域與數(shù)據(jù)來(lái)源

研究區(qū)域位于南沙海域，分布在4°～8°N，110°～116°E范圍內(nèi)(圖1)。測(cè)量采集站位21個(gè)，共獲得126組樣品數(shù)據(jù)，樣品來(lái)自于不同的地貌單元(表1)。在下文的聲速預(yù)報(bào)試驗(yàn)中，為使得到的模型在不同的地貌單元下預(yù)報(bào)聲速具有更好的適應(yīng)性，按照大致相同的比例，從不同的地貌單元中選擇樣品，共選取120組樣品作為訓(xùn)練數(shù)據(jù)，另外6組作為檢驗(yàn)?zāi)Ｐ皖A(yù)報(bào)精度的測(cè)試數(shù)據(jù)。海底沉積物聲速直接在甲板上測(cè)量得到[22]，其物理參數(shù)，如密度、含水量、孔隙度等在后期實(shí)驗(yàn)室測(cè)量獲得。

表1　不同地貌單元樣品的個(gè)數(shù)

圖1　南海南沙海域21個(gè)采集站位圖Fig.1　21 experimental stations in the southern South China Sea

3BP神經(jīng)網(wǎng)絡(luò)與GA算法

3.1BP神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是基于模擬大腦神經(jīng)功能而建立起來(lái)的一種信息處理系統(tǒng)。BP神經(jīng)網(wǎng)絡(luò)作為一種多層前饋神經(jīng)網(wǎng)絡(luò)，其主要特點(diǎn)是信號(hào)正向傳遞、誤差反向傳播，是目前應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)模型之一，已被廣泛應(yīng)用于函數(shù)逼近、模式識(shí)別、分類等領(lǐng)域[23—26]。其拓?fù)浣Y(jié)構(gòu)包括輸入層、隱含層、輸出層等，根據(jù)實(shí)際需要，隱含層可設(shè)置為單層或多層，本文采用的是較為成熟的三層結(jié)構(gòu)(圖2)。同層內(nèi)神經(jīng)元不相互干擾，每一層的神經(jīng)元狀態(tài)只影響下一層神經(jīng)元狀態(tài)。在正向傳遞中，輸入信號(hào)從輸入層傳入，經(jīng)全部隱含層逐層處理后，傳遞至輸出層。如果滿足誤差要求，則計(jì)算結(jié)束。如果輸出層得不到期望輸出，則轉(zhuǎn)入反向傳播，根據(jù)預(yù)測(cè)誤差調(diào)整并更新網(wǎng)絡(luò)權(quán)值和閾值，從而使BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出不斷向期望輸出逼近。

圖2　BP神經(jīng)網(wǎng)絡(luò)原理圖Fig.2　The schematic of BP neural network

3.2GA算法

GA算法是1962年由美國(guó)Michigan大學(xué)的John Holland及其同事[27—28]在對(duì)細(xì)胞自動(dòng)機(jī)進(jìn)行研究時(shí)首次提出的，它是模擬達(dá)爾文的生物進(jìn)化論和孟德?tīng)柕淖匀唤邕z傳機(jī)制而成的一種全局性概率搜索算法。其中被優(yōu)化問(wèn)題的解稱為個(gè)體(染色體或基因串)，它表示的是一個(gè)變量序列，用字符串或數(shù)字串進(jìn)行表示的過(guò)程稱為編碼。將GA算法應(yīng)用于優(yōu)化參數(shù)形成的編碼串聯(lián)群體中，每一代中的所有個(gè)體都會(huì)按照所選擇的適應(yīng)度函數(shù)計(jì)算得到一個(gè)適應(yīng)度值，然后通過(guò)遺傳過(guò)程中的選擇、交叉和變異對(duì)個(gè)體進(jìn)行篩選，依據(jù)“適應(yīng)度越高，被選擇的機(jī)會(huì)越高，而適應(yīng)度越低，被選擇的機(jī)會(huì)越低”的原則，使適應(yīng)度值高的個(gè)體被保留，適應(yīng)度差的個(gè)體被淘汰，新的群體既繼承了上一代的信息，又優(yōu)于上一代。通過(guò)這樣不斷反復(fù)地進(jìn)行優(yōu)勝劣汰、代代相傳，直至得到“最優(yōu)秀”的個(gè)體，從而得到所需優(yōu)化問(wèn)題的解。

4GA-BP的實(shí)現(xiàn)

根據(jù)本文研究?jī)?nèi)容的需要，基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)海底沉積物聲速預(yù)報(bào)可分為BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定、遺傳算法優(yōu)化和BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)3個(gè)部分(圖3)。

圖3　GA-BP算法流程圖Fig.3　Procedure of GA-BP

4.1BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定

本文選擇了兩個(gè)能夠揭示海底沉積物綜合特性的物理參數(shù)與聲速建立關(guān)系(圖4)。

(1) 孔隙度n(%)

(1)

式中，Vw為海底沉積物液固兩相介質(zhì)中孔隙的體積，也即水的體積，Vα為沉積物的總體積。

(2) 含水量ω(%)

(2)

式中，Mw為海底沉積物中水的質(zhì)量，Ms為沉積物中固體顆粒的質(zhì)量。

圖4　南海南沙海域孔隙度-含水量與聲速相關(guān)關(guān)系分布圖Fig.4　Relationship between porosity-water content with sound velocity of sea-floor sediments in the southern South China Sea

孔隙度表示了沉積物的體積構(gòu)成，是海底沉積物孔隙體積與總體積的比值，國(guó)內(nèi)外大量學(xué)者通過(guò)研究多個(gè)海域海底沉積物的各項(xiàng)物理化學(xué)性質(zhì)指標(biāo)對(duì)聲速的影響，一致認(rèn)為孔隙度與聲速的相關(guān)關(guān)系是最好的[7—15，29—31]。含水量表示沉積物的質(zhì)量構(gòu)成，是沉積物中水的質(zhì)量與固體顆粒質(zhì)量的比值，沉積物中的水和固體顆粒一起構(gòu)成了聲波傳播的介質(zhì)，與聲速的關(guān)系也較為明顯，一般規(guī)律是含水量越高，聲速越低[10]。兩者相互結(jié)合又包含了密度的信息，同時(shí)微觀構(gòu)成的某些信息也得到了體現(xiàn)[12，32]。

從網(wǎng)絡(luò)預(yù)報(bào)精度和訓(xùn)練時(shí)間上綜合考慮，由于本次所涉及到的物理參數(shù)與聲速間的映射關(guān)系相對(duì)簡(jiǎn)單，隱含層層數(shù)選擇為單層。BP神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)為含水量、孔隙度，輸出參數(shù)為聲速，隱含層節(jié)點(diǎn)數(shù)設(shè)置為5個(gè)[33]。所以設(shè)置的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為2-5-1。

4.2遺傳算法優(yōu)化

(1) 種群初始化

個(gè)體編碼方式采用實(shí)數(shù)編碼，每個(gè)個(gè)體均為一個(gè)實(shí)數(shù)串，由輸入層與隱含層連接權(quán)值、隱含層閾值、隱含層與輸出層連接權(quán)值以及輸出層閾值4部分組成，編碼長(zhǎng)度為21。

(2) 適應(yīng)度函數(shù)

BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)希望預(yù)測(cè)值與期望值的誤差盡可能的小，所以把預(yù)測(cè)輸出與期望輸出之間的誤差絕對(duì)值和作為個(gè)體的適應(yīng)度值。相應(yīng)的，誤差絕對(duì)值越小，個(gè)體的適應(yīng)度值越高，也就越優(yōu)秀。

(3) 選擇

選擇是根據(jù)新個(gè)體的適應(yīng)度的高低進(jìn)行的，一般是從舊群體中以一定的概率選擇個(gè)體到新群體中，個(gè)體適應(yīng)度值越好，被選擇的概率越大，而適應(yīng)度值較差的個(gè)體也有機(jī)會(huì)，這樣就保證了群體中個(gè)體的多樣性。

(4) 交叉

交叉操作就是從群體中選擇兩個(gè)父代，通過(guò)隨機(jī)選擇一點(diǎn)或多點(diǎn)的染色體位置進(jìn)行交換組合而產(chǎn)生新的優(yōu)秀個(gè)體的過(guò)程。

(5) 變異

變異操作是從群體中選擇一個(gè)個(gè)體，選擇染色體的一點(diǎn)進(jìn)行變異，從而形成新的優(yōu)秀個(gè)體。

目前，選擇合適的種群規(guī)模、交叉變異概率，并沒(méi)有統(tǒng)一的參數(shù)設(shè)置[34]。為兼顧運(yùn)算效率和結(jié)果精度，本文的遺傳算法的參數(shù)設(shè)置為：種群規(guī)模為10，進(jìn)化次數(shù)為10次，交叉概率為0.3，變異概率為0.1。

4.3BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)

經(jīng)以上處理后，將獲取得到的最優(yōu)初始權(quán)值和閾值賦予BP神經(jīng)網(wǎng)絡(luò)，進(jìn)一步訓(xùn)練后得到最佳的網(wǎng)絡(luò)預(yù)報(bào)模型。將訓(xùn)練好的模型，對(duì)6組測(cè)試數(shù)據(jù)進(jìn)行反演就能得到聲速預(yù)報(bào)結(jié)果。

5結(jié)果

5.1相同訓(xùn)練數(shù)據(jù)

基于以上方法和操作而得到的GA-BP神經(jīng)網(wǎng)絡(luò)模型，為更好地檢驗(yàn)其聲速預(yù)報(bào)精度，本文將與傳統(tǒng)的聲速預(yù)報(bào)方法進(jìn)行對(duì)比，具體如下：

第一，包括有雙參數(shù)一次曲線擬合、單參數(shù)二次曲線擬合的統(tǒng)計(jì)回歸預(yù)測(cè)模型。

(1) 含水量-孔隙度(雙參數(shù))

(3)

(2) 含水量(單參數(shù))

(4)

(3) 孔隙度(單參數(shù))

Cp=c1+nc2+n2c3,

(5)

上式(3)～(5)中ai、bi、ci(i=1,2,3)為待定參數(shù)，Cp是聲速，可通過(guò)給定的數(shù)據(jù)(與GA-BP模型所用訓(xùn)練數(shù)據(jù)保持一致)，根據(jù)最小二乘法原理進(jìn)行回歸擬合求得，從而構(gòu)建出相應(yīng)的預(yù)報(bào)方程。

第二，未經(jīng)過(guò)GA算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型。單獨(dú)構(gòu)建BP神經(jīng)網(wǎng)絡(luò)進(jìn)行聲速預(yù)報(bào)，部分配置如下：

拓?fù)浣Y(jié)構(gòu)：2-5-1；

訓(xùn)練數(shù)據(jù)：120組(與GA-BP模型所用訓(xùn)練數(shù)據(jù)保持一致)；

輸出層轉(zhuǎn)移函數(shù)：y=x；

訓(xùn)練函數(shù)：Levenberg_Marquardt算法；

學(xué)習(xí)速率：0.1；

學(xué)習(xí)目標(biāo)：0.000 01.

將以上構(gòu)建的預(yù)報(bào)模型應(yīng)用于6組測(cè)試數(shù)據(jù)，計(jì)算得到聲速預(yù)測(cè)結(jié)果，并與真實(shí)測(cè)試數(shù)據(jù)進(jìn)行誤差分析(表2)。

表2　相同訓(xùn)練數(shù)據(jù)所構(gòu)建預(yù)報(bào)模型間的誤差對(duì)比

從表2可以看出，參照相對(duì)誤差和絕對(duì)誤差平均值等誤差分析參數(shù)，聲速預(yù)報(bào)模型的精度由高到低依次是：GA-BP、BP、孔隙度、含水量、含水量-孔隙度。易知，GA-BP模型的預(yù)報(bào)效果要優(yōu)于傳統(tǒng)的聲速預(yù)報(bào)方法和未經(jīng)過(guò)GA算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型。

5.2不同訓(xùn)練數(shù)據(jù)

本文也將GA-BP算法與國(guó)內(nèi)外眾多研究者總結(jié)得到的經(jīng)驗(yàn)公式進(jìn)行對(duì)比，它們是基于不同海域數(shù)據(jù)所建立起來(lái)的模型，典型的有Hamilton[7]、Anderson[8]、盧博[10]、唐永祿[11]、鄒大鵬等[12]建立的模型。從預(yù)測(cè)結(jié)果可以看出，在與GA-BP模型的對(duì)比中，基于不同訓(xùn)練數(shù)據(jù)而得到的各類經(jīng)驗(yàn)公式預(yù)報(bào)精度預(yù)報(bào)誤差較大且參差不齊。所以，在對(duì)本研究區(qū)進(jìn)行聲速預(yù)報(bào)時(shí)不宜采用前人已建立的經(jīng)驗(yàn)公式(表3)。

綜合以上兩種不同角度的對(duì)比分析后發(fā)現(xiàn)，GA-BP模型具有較好的預(yù)報(bào)精度。在對(duì)本研究區(qū)進(jìn)行聲速預(yù)報(bào)時(shí)，宜采用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)，其在聲速預(yù)報(bào)精度上要優(yōu)于傳統(tǒng)的單參數(shù)、雙參數(shù)回歸擬合預(yù)報(bào)方法和國(guó)內(nèi)外其他學(xué)者所得到的經(jīng)驗(yàn)公式。

6結(jié)論與討論

本文采用GA算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值的方法，將GA與BP神經(jīng)網(wǎng)絡(luò)結(jié)合起來(lái)進(jìn)行海底沉積物聲速預(yù)報(bào)，在理論研究和實(shí)踐中做出了有益的嘗試和探索。試驗(yàn)結(jié)果表明，GA-BP模型要優(yōu)于傳統(tǒng)的經(jīng)驗(yàn)公式預(yù)報(bào)方法。具體來(lái)說(shuō)有以下認(rèn)識(shí)：

(1) 相比于傳統(tǒng)數(shù)學(xué)回歸擬合和BP神經(jīng)網(wǎng)絡(luò)模型，GA-BP模型聲速預(yù)測(cè)精度得到提高，且更加穩(wěn)定；

表3　GA-BP與各類經(jīng)驗(yàn)公式誤差對(duì)比

(2) 神經(jīng)網(wǎng)絡(luò)可以連續(xù)學(xué)習(xí)，如果環(huán)境改變或者獲得更多區(qū)域的測(cè)量數(shù)據(jù)，物理參數(shù)與聲速間的映射關(guān)系可以自適應(yīng)地進(jìn)行調(diào)整，使得模型的適用性增強(qiáng)；

(3) 基于含水量-孔隙度的GA-BP模型，較全面反映了沉積物的物理結(jié)構(gòu)性質(zhì)，避免了單純的數(shù)學(xué)回歸擬合，具有一定的物理意義。

另外，基于GA算法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)，在進(jìn)行模型構(gòu)建時(shí)，參數(shù)配置、結(jié)構(gòu)設(shè)計(jì)并不固定，常因研究?jī)A向的不同而不同。就本文而言，構(gòu)建合適的結(jié)構(gòu)、設(shè)置合理的參數(shù)、預(yù)估精度上限以防止“過(guò)擬合”，從而得到最好的預(yù)報(bào)結(jié)果，都還有進(jìn)步的空間。同時(shí)，也還存在訓(xùn)練數(shù)據(jù)過(guò)少而限制了預(yù)報(bào)精度和準(zhǔn)確度的問(wèn)題。因此，開(kāi)展優(yōu)化算法理論研究，擴(kuò)充、匯總或分類處理各不同海區(qū)數(shù)據(jù)，嘗試構(gòu)建適合各海區(qū)的統(tǒng)一模型及其可行性分析等，都是今后研究工作的重點(diǎn)。

參考文獻(xiàn)：

[1]Stoll R D，Bautista E O. Using the Biot theory to establish a baseline geoacoustic model for seafloor sediments[J]. Continental Shelf Research，1998，18(14): 1839-1857．

[2]朱祖揚(yáng)，王東，周建平，等. 基于非飽Biot-Stoll模型的海底沉積物介質(zhì)聲頻散特性研究[J]. 地球物理學(xué)報(bào)，2012，55(1): 180-188．

Zhu Zuyang，Wang Dong，Zhou Jianping，et al. Acoustic wave dispersion and attenuation in marine sediment based on partially gas-saturated Biot-Stoil model[J]. Chinese Journal of Geophysics，2012，55(1): 180-188．

[3]Biot M A. Generalized theory of acoustic propagation in porous dissipative media[J]. The Journal of the Acoustical Society of America，1962，34(9A): 1254-1264．

[4]Stoll R D. Acoustic Waves in Saturated Sediment[M]//Physics of Sound in Marine Sediments. US:Springer，1974：19-39．

[5]Wood A B. A Textbook of Sound[M]. 3rd edition. London：The Macmillan Company，1964.

[6]Buckingham M J. Theory of acoustic attenuation，dispersion，and pulse propagation in unconsolidated granular materials including marine sediments[J]. The Journal of the Acoustical Society of America，1997，102(5): 2579-2596．

[7]Hamilton E L. Geoacoustic Modeling of the Sea Floor[J]. Acoustical society of America，1980，68：1313-1340．

[8]Anderson R S. Statistical correlation of physical properties and sound velocity in sediments[G]//Physical Sound in Marine Sediments. US : Springer，1974: 481-518．

[9]Orsi T H，Dunn D A. Sound velocity and related physical properties of fine-grained abyssal sediments from the Brazil Basin (South Atlantic Ocean)[J]. Journal of the Acoustical Society of America，1990，88(3):1536-1542．

[10]盧博. 海底淺層沉積物聲速與物理性質(zhì)[J]. 科學(xué)通報(bào)，1994(5):435-437．

Lu Bo. Acoustic velocity and physical properties of the bottom sediment[J]. Chinese Science Bulletin，1994(5):435-437．

[11]唐永祿. 海底沉積物孔隙度與聲速的關(guān)系[J]. 海洋學(xué)報(bào)，1998，20(6): 39-43．

Tang Yonglu. The relationship between porosity of sea bed sediment and sound velocity[J]. Haiyang Xuebao，1998，20(6): 39-43．

[12]鄒大鵬，吳百海，盧博. 海底沉積物聲速經(jīng)驗(yàn)方程的分析和研究[J]. 海洋學(xué)報(bào)，2007，29(4): 43-50．

Zou Dapeng，Wu Baihai，Lu Bo. Analysis and study on the sound velocity empirical equations of seafloor sediments[J]. Haiyang Xuebao，2007，29(4): 43-50．

[13]闞光明，蘇元峰，李官保，等. 南黃海中部海底沉積物原位聲速與物理性質(zhì)相關(guān)關(guān)系[J]. 海洋學(xué)報(bào)，2013，35(3):166-171．

Kan Guangming，Su Yuanfeng，Li Guanbao，et al. The correlations between in-situ sound speeds and physical parameters of seafloor sediments in the middle area of the southern Huanghai Sea[J]. Haiyang Xuebao，2013，35(3):166-171．

[14]Han T C，Liu B H，Kan G M，et al. Joint elastic-electrical properties of sediments in the Yellow Sea[J]. Science China Earth Sciences，2012，55(1): 143-148．

[15]羅忠輝，盧博，楊永. 人工神經(jīng)網(wǎng)絡(luò)技術(shù)在海底沉積物聲速預(yù)報(bào)中的應(yīng)用[J]. 海洋技術(shù)，2009(4): 40-43，57．

Luo Zhonghui，Lu Bo，Yang Yong. Application of artificial neural network technology in sound velocity prediction for marine sediments[J]. Ocean Technology，2009(4): 40-43，57．

[16]Yang F，Liu J. Seabed classification using BP neural network based on GA[J]. Acta Oceanologica Sinica，2003，23(4):523-531．

[17]姚才，金龍，黃明策，等. 遺傳算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合的熱帶氣旋強(qiáng)度預(yù)報(bào)方法試驗(yàn)[J]. 海洋學(xué)報(bào)，2007，29(4): 11-19．

Yao Cai，Jin Long，Huang Mingce，et al. An experiment with methods of forecasting tropical cyclones intensity base on combination of the genetic algorithm and artificial neural network[J]. Haiyang Xuebao，2007，29(4): 11-19．

[18]唐秋華,劉保華,陳永奇,等. 基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的海底底質(zhì)分類[J]. 海洋測(cè)繪，2009(5): 40-43，56．

Tang Qiuhua，Liu Baohua，Chen Yongqi，et al. Seabed classification with improved BP neural network[J]. Hydrographic Surveying and Charting，2009(5): 40-43，56．

[19]Sedki A，Ouazar D，El Mazoudi E. Evolving neural network using real coded genetic algorithm for daily rainfall-runoff forecasting[J]. Expert Systems with Applications，2009，36(3): 4523-4527．

[20]Haixiang G，Xiuwu L，Kejun Z，et al. Optimizing reservoir features in oil exploration management based on fusion of soft computing[J]. Applied Soft Computing，2011，11(1): 1144-1155．

[21]熊明寬，吳自銀，李守軍，等. 基于遺傳小波神經(jīng)網(wǎng)絡(luò)的海底聲學(xué)底質(zhì)識(shí)別分類[J]. 海洋學(xué)報(bào)，2014，36(5): 90-97．

Xiong Mingkuan，Wu Ziyin，Li Shoujun，et al. Wavelet neural network identification and classification of sediment seabed sonar images based on genetic algorithms[J]. Haiyang Xuebao，2014，36(5): 90-97．

[22]侯正瑜，郭常升，王景強(qiáng). 南沙海域深水區(qū)表層沉積物聲速與孔隙度相關(guān)關(guān)系[J]. 海洋科學(xué)，2013(7): 77-82．

Hou Zhengyu，Guo Changsheng，Wang Jingqiang. Surface sediments acoustic velocity and porosity correlation in Nansha sea area abyssal region[J]. Marine Sciences，2013(7): 77-82．

[23]任謝楠. 基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化研究及MATLAB仿真[D]. 天津：天津師范大學(xué)，2014．

Ren Xienan. Study on optimization of BP neural network based on genetic algorithm and Matlab simulation[D]. Tianjin: Tianjin Normal University，2014．

[24]Sun T H，Tien F C. Using backpropagation neural network for face recognition with 2D+3D hybrid information[J]. Expert Systems with Applications，2008，35(1): 361-372．

[25]Raeesi M，Moradzadeh A，Doulati Ardejani F，et al. Classification and identification of hydrocarbon reservoir lithofacies and their heterogeneity using seismic attributes，logs data and artificial neural networks[J]. Journal of Petroleum Science and Engineering，2012，82: 151-165．

[26]徐黎明,王清,陳劍平,等. 基于BP神經(jīng)網(wǎng)絡(luò)的泥石流平均流速預(yù)測(cè)[J]. 吉林大學(xué)學(xué)報(bào)(地球科學(xué)版),2013(1):186-191．

Xu Liming，Wang Qing，Chen Jianping，et al. Forcast for average velocity of debris flow based on BP neural network[J]. Journal of Jilin University (Earth Science Edition)，2013(1):186-191．

[27]Holland J H. Adaptation in natural and artificial system [M]. Michigan: The University of Michigan Press,1975：12-27．

[28]Bagley J D. The behavior of adaptation system which employ genetic and correlation algorithm[J]. Dissertation Abstracts International,1967,28(12):2-4．

[29]王方旗,亓發(fā)慶,姚菁,等. 基于時(shí)間平均的海底沉積物聲速預(yù)測(cè)[J]. 海洋學(xué)報(bào)，2012，34(4): 84-90．

Wang Fangqi，Qi Faqing，Yao Jing，et al. A study on forecasting sound velocity of sea-floor sediments based on the time-average method[J]. Haiyang Xuebao，2012，34(4): 84-90．

[30]Chen M P，Shieh Y T，Chyan J M. Acoustic and physical properties of surface sediments in Northern Taiwan Strait[J]. Acta Oceanographica Taiwanica，1988 (21): 92-118．

[31]孟祥梅,劉保華,闞光明,等. 南黃海海底沉積物聲學(xué)特性及其影響因素試驗(yàn)研究[J]. 海洋學(xué)報(bào)，2012，34(6): 74-83．

Meng Xiangmei，Liu Baohua，Kan Guangming，et al. An experimental study on acoustic properties and their influencing factors of marine sediment in the southern Huanghai Sea[J].Haiyang Xuebao，2012，34(6): 74-83．

[32]鄒大鵬,吳百海,盧博. 海底沉積物孔隙度計(jì)算方法與聲速反演的誤差分析研究[J]. 熱帶海洋學(xué)報(bào)，2007(4):32-36．

Zou Dapeng，Wu Baihai，Lu Bo. A research on error analysis of seabed sediment porosity by calculation method and sonic speed retrieval method[J]. Journal of Tropical Oceanography，2007(4):32-36．

[33]李國(guó)勇. 神經(jīng)模糊控制理論及應(yīng)用[M]. 北京:電子工業(yè)出版社，2009．

Li Guoyong. Neural fuzzy control theory and its application[M]. Beijing: Beijing Electron Industry Press，2009．

[34]席裕庚，柴天佑，惲為民. 遺傳算法綜述[J]. 控制理論與應(yīng)用，1996(6): 697-708．

Xi Yugeng，Chai Tianyou，Yun Weimin. Survey on genetic algorithm[J]. Control Theory and Applications，1996(6): 697-708．

附錄：文中涉及到的公式

(1) 含水量-孔隙度(雙參數(shù))

Cp=1 507-0.707 4 ω+0.624 n；

(2) 含水量(單參數(shù))

Cp=1 577-1.636 ω+0.004 954 ω2；

(3) 孔隙度(單參數(shù))

Cp=1 737-8.188 n+0.057 21 n2；

(4) Hamilton

Cp=2 455.9-21.716 n+0.126 n2；

(5) Anderson

Cp=2 506-27.58 n+0.186 8 n2；

(6) 盧博

Cp=1 809.7-11.17 ω+0.008 ω2；

(7) 唐永祿

Cp=942+C0-25.02 n+0.156 n2(其中C0=1 529.8m/s)；

(8) 鄒大鵬

Cp=1 973.333+0.473 929 ω-7.946 2 n.

收稿日期：2015-01-19；

修訂日期：2015-06-23。

基金項(xiàng)目：海洋公益性行業(yè)科研專項(xiàng)項(xiàng)目(200905025)。

作者簡(jiǎn)介：陳文景(1989—)，男，湖北省孝感市人，研究方向?yàn)楹Ｑ蟮刭|(zhì)聲學(xué)和海洋地球物理。E-mail:chenwenjing13@mails.ucas.ac.cn *通信作者：郭常升(1964—)，男，研究員，主要從事海洋地質(zhì)聲學(xué)和海洋地球物理研究。E-mail:guochine@qdio.ac.cn

中圖分類號(hào):P733.23

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：0253-4193(2016)01-0116-08

A study on forecasting sound velocity of sea-floor sediments based on GA-BP method

Chen Wenjing1,2,3，Guo Changsheng1,2，Wang Jingqiang4，Hou Zhengyu1,2,3

(1.InstituteofOceanology，ChineseAcademyofSciences，Qingdao266071，China; 2.KeyLaboratoryofMarineGeologyandEnvironment，ChineseAcademyofSciences，Qingdao266071，China; 3.UniversityofChineseAcademyofSciences，Beijing100049，China;4.KeyLaboratoryofMarineSedimentologyandEnvironmentGeology，theFirstInstituteofOceanography，StateOceanicAdministration，Qingdao266061，China)

Abstract:In the sea-floor sediments velocity prediction，there exist many problems according to the empirical equations，such as poor accuracy，the narrow scope of application，lack of exact physical meaning. Based on the existing BP neural network，genetic algorithm (GA) is used to optimize the initial weights and threshold. A sea-floor sediment sound velocity forecasting model is established with the relationship of water content，porosity and velocity. Measurement data of study samples from the southern South China Sea are applied. These data are divided into two parts，120 groups including continental shelf，slope，trough samples selected as the training data，the other 6 groups as test data. Experiments show that BP neural network based on GA is superior to the traditional single-parameter，double-parameter sound velocity forecasting empirical equation，which is recommended for the forecasting sound velocity of sea-floor sediments. This GA-BP method has certain scientific basis and broad application prospects in the future，can provide reference for the establishment of the accurate，uniform model．

Key words:GA; BP neural network; sea-floor sediments; sound velocity forecast

陳文景，郭常升，王景強(qiáng)，等. 基于遺傳BP神經(jīng)網(wǎng)絡(luò)的海底沉積物聲速預(yù)報(bào)[J]. 海洋學(xué)報(bào)， 2016， 38(1): 116-123， doi:10.3969/j.issn.0253-4193.2016.01.011

Chen Wenjing， Guo Changsheng， Wang Jingqiang， et al. A study on forecasting sound velocity of sea-floor sediments based on GA-BP method[J]. Haiyang Xuebao， 2016， 38(1): 116-123， doi:10.3969/j.issn.0253-4193.2016.01.011