姚琦海， 汪勇， 楊益新

(1.西北工業(yè)大學(xué) 航海學(xué)院， 陜西 西安 710072； 2.陜西省水下信息技術(shù)重點實驗室， 陜西 西安 710072)

水下目標(biāo)定位是水聲信號處理領(lǐng)域的熱點，其中被動定位技術(shù)憑借其優(yōu)良的隱蔽性，在軍事和民用領(lǐng)域中有著廣泛的應(yīng)用[1-3]。傳統(tǒng)的被動定位方法大多為基于水聲模型的匹配場處理(matched field processing，MFP)，Bucker[4]提出了線性匹配場處理器，并建立實際環(huán)境模型，通過計算距離-深度的模糊函數(shù)實現(xiàn)被動定位。Baggeroer等[5]建立基于水平分層海洋環(huán)境波導(dǎo)模型的匹配場處理技術(shù)，得到增加帶寬可以有效提高匹配場算法的準(zhǔn)確度。Michalopoulou等[6]通過非相關(guān)方法疊加各個頻點的窄帶模糊度函數(shù)，得到非相關(guān)方法在寬帶匹配場處理算法中具有可行性。Soares等[7]基于各個頻點之間的相關(guān)性，設(shè)計了歸一化相關(guān)處理器和匹配相位相關(guān)處理器。楊坤德等[8]在環(huán)境失配條件下強(qiáng)干擾的場景中，設(shè)計了一種線性匹配場處理算法，從而實現(xiàn)干擾的抑制。匹配場處理方法基于水聲信道特性將聲傳播模型和陣列信號相結(jié)合，實現(xiàn)對水下目標(biāo)深度和距離的估計，但其定位性能嚴(yán)重依賴海深、聲速剖面等參數(shù)，在強(qiáng)干擾和環(huán)境失配的場景中，該方法的準(zhǔn)確度會受到嚴(yán)重影響。

數(shù)據(jù)驅(qū)動模型不依賴海洋環(huán)境參數(shù)，以神經(jīng)網(wǎng)絡(luò)為代表的數(shù)據(jù)驅(qū)動方法在水聲被動定位領(lǐng)域得到了廣泛的應(yīng)用。Steinberg等[9]針對均勻介質(zhì)中的點聲源，建立單層神經(jīng)網(wǎng)絡(luò)模型，從而實現(xiàn)深度估計。但當(dāng)時機(jī)器學(xué)習(xí)技術(shù)較為薄弱，未得到廣泛的應(yīng)用，以及主流被動定位算法是匹配場處理方法，因此，在水聲被動定位領(lǐng)域，機(jī)器學(xué)習(xí)方法很長一段時間的發(fā)展較為緩慢。Wang等[10]在水聲被動定位領(lǐng)域引入了廣義回歸神經(jīng)網(wǎng)絡(luò)方法，在淺海高信噪比的環(huán)境中，得到該方法可實現(xiàn)有效的目標(biāo)距離估計。Liu等[11]基于一維卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)和集成學(xué)習(xí)技術(shù)，在深度范圍大致確定的場景中，實現(xiàn)了水下目標(biāo)距離估計。姚琦海等[12]建立經(jīng)優(yōu)化的廣義回歸神經(jīng)網(wǎng)絡(luò)模型，在淺海強(qiáng)干擾的環(huán)境中，有效實現(xiàn)水下目標(biāo)距離估計。以上研究利用卷積神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等模型對水下單目標(biāo)進(jìn)行了位置估計，取得了較好的效果。

遷移學(xué)習(xí)是對不同但相關(guān)領(lǐng)域問題利用已存有的知識進(jìn)行求解的一種機(jī)器學(xué)習(xí)方法[13]。在圖像處理領(lǐng)域，遷移學(xué)習(xí)已有大量的應(yīng)用。Dai等[14]基于遷移學(xué)習(xí)模型，借助文本數(shù)據(jù)來輔助圖像聚類，可得到該方法可有效地提高圖像聚類的準(zhǔn)確度。Zhu等[15]將圖像上的標(biāo)簽信息作為圖像與文本之間知識遷移的橋梁，有助于提高圖像分類的效果。而遷移學(xué)習(xí)在水聲定位領(lǐng)域的應(yīng)用較少。Wang等[16]通過訓(xùn)練大量仿真數(shù)據(jù)得到預(yù)訓(xùn)練模型，再訓(xùn)練小樣本實測數(shù)據(jù)，研究表明該方法可有效實現(xiàn)未探測海域的聲源距離估計。

對陌生海域，既沒有足夠的水聲數(shù)據(jù)，也沒有環(huán)境參數(shù)用來產(chǎn)生大量拷貝場數(shù)據(jù)，無法訓(xùn)練出準(zhǔn)確的深度神經(jīng)網(wǎng)絡(luò)，而遷移學(xué)習(xí)可作為學(xué)習(xí)框架，將已知海域的知識應(yīng)用到陌生海域的探測中，因此，遷移學(xué)習(xí)在水聲被動定位領(lǐng)域的應(yīng)用有著較大的研究意義。本文充分利用了已知海域的大量水聲數(shù)據(jù)，訓(xùn)練得到對應(yīng)的預(yù)訓(xùn)練模型，將遷移學(xué)習(xí)應(yīng)用在僅有少量水聲數(shù)據(jù)的海域目標(biāo)測距上，利用SWellEX-96實驗無強(qiáng)干擾的S5數(shù)據(jù)和有強(qiáng)干擾的S59數(shù)據(jù)驗證了2種環(huán)境下該方法的可行性。

1 匹配場處理

通過簡正波模型以及環(huán)境參數(shù)，可以計算出聲源在特定位置情況下接收陣上的復(fù)聲壓，作為拷貝向量。在簡正波模型下，(0,zs)處單頻點聲源在(r,z)處產(chǎn)生的聲壓表達(dá)式[17]為：

(1)

式中：ρ為介質(zhì)密度；Ψm(z)和krm分別為第m號簡正波的模深函數(shù)(特征函數(shù))和水平波數(shù)。

對水聽器陣列接收到的數(shù)據(jù)與拷貝向量進(jìn)行匹配，在計算得到的距離-深度模糊表面中尋找最大值，該點對應(yīng)位置即為估計位置[18]。由互譜密度矩陣R和拷貝向量ω計算MFP的定位模糊度平面B：

B(φ)=ωH(φ)Rω(φ)

(2)

(3)

ω=[p1,p2,…,pl,…,pL]T,l=1,2,…,L

(4)

式中：ω為拷貝向量；pl為拷貝場下基陣接收到的復(fù)聲壓；φ為聲源位置參數(shù)；L為快拍數(shù)；Pl為第l個快拍下基陣頻域數(shù)據(jù)向量。對寬帶信號，累加平均各個頻率對應(yīng)的模糊度平面，即可得到寬帶信號的模糊度平面。

2 深度遷移學(xué)習(xí)與數(shù)據(jù)預(yù)處理

用于水下測距的遷移學(xué)習(xí)利用從一個場景(模型聲場或者歷史環(huán)境聲場)學(xué)習(xí)到的知識來對新環(huán)境的聲源進(jìn)行測距。傳統(tǒng)機(jī)器學(xué)習(xí)模型對不同領(lǐng)域的數(shù)據(jù)集進(jìn)行獨立訓(xùn)練，無法直接應(yīng)用在其他環(huán)境中(如圖1所示)。卷積神經(jīng)網(wǎng)絡(luò)是深度神經(jīng)網(wǎng)絡(luò)中的一種，并已大量應(yīng)用于水聲目標(biāo)的分類和定位中。遷移學(xué)習(xí)建立在傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，可以將一個預(yù)訓(xùn)練模型遷移到一個新的領(lǐng)域中(如圖2所示)。本文中，預(yù)訓(xùn)練模型由經(jīng)歸一化后的實驗水聲數(shù)據(jù)訓(xùn)練得到，并將其遷移到另一個海域僅有小樣本水聲數(shù)據(jù)的目標(biāo)距離估計研究中。

2.1 數(shù)據(jù)預(yù)處理

為了減小聲源振幅的影響，L元陣列接收的頻域復(fù)聲壓進(jìn)行范數(shù)歸一化操作：

(5)

(6)

圖1 傳統(tǒng)機(jī)器學(xué)習(xí)系統(tǒng)Fig.1 Traditional machine learning system

圖2 遷移學(xué)習(xí)系統(tǒng)Fig.2 Transfer learning system

2.2 衡量標(biāo)準(zhǔn)

為比較不同聲源測距方法的定位性能，將平均絕對百分比誤差(mean absolute percentage error，MAPE)作為衡量指標(biāo)，其定義為：

(7)

式中：Rgi為神經(jīng)網(wǎng)絡(luò)預(yù)測數(shù)據(jù)；Rti為實際數(shù)據(jù)。

2.3 神經(jīng)網(wǎng)絡(luò)的設(shè)計

本文采用CNN的回歸模型實現(xiàn)測距，網(wǎng)絡(luò)包含3個卷積層，3個池化層、全連接層和輸出層，各個卷積層后即為一個池化層，3個卷積層中卷積濾波器大小分別為5×5、3×3和3×3，數(shù)量分別為128、128和256，3個池化層大小均為2×2，輸出采用CNN的回歸層，配置訓(xùn)練參數(shù)，優(yōu)化算法設(shè)置為sgdm，初始學(xué)習(xí)率為0.000 1，批訓(xùn)練樣本數(shù)量為128，如圖3所示。

圖3 CNN模型Fig.3 CNN model

遷移學(xué)習(xí)模型可充分利用預(yù)選海域的大量水聲數(shù)據(jù)集T1和探測海域的小樣本水聲數(shù)據(jù)集T2，對探測海域測試集T3進(jìn)行目標(biāo)距離估計，總體流程其搭建和訓(xùn)練如圖4所示，具體分為以下步驟：

圖4 遷移學(xué)習(xí)方法總體流程框Fig.4 General flow chart of transfer learning method

1)采集預(yù)選海域的大量水聲數(shù)據(jù)和探測海域的小樣本水聲數(shù)據(jù)，對采集到的時域聲壓，利用fft提取頻域復(fù)聲壓，并進(jìn)行范數(shù)歸一化處理；

3)在傳統(tǒng)CNN的基礎(chǔ)上搭建遷移學(xué)習(xí)模型，將預(yù)訓(xùn)練模型的卷積層和池化層的權(quán)重保留，即凍結(jié)其卷積層和池化層，作為遷移層；調(diào)整全連接層和輸出層的權(quán)重，作為調(diào)整層，并由遷移層和調(diào)整層搭建成新的網(wǎng)絡(luò)；

3 海試數(shù)據(jù)驗證

3.1 實驗描述

SWellEX-96實驗共包含S5和S59這2個航次，圖5為海試環(huán)境參數(shù)，圖6為該實驗S5和S59航次地圖。本文將該實驗中S5和S59的垂直陣接收的數(shù)據(jù)用于網(wǎng)絡(luò)的訓(xùn)練和測試，分別用于研究無強(qiáng)干擾和有強(qiáng)干擾條件下的距離估計。實驗船一共同時拖曳了深(54 m)和淺(9 m)2個聲源，2個聲源分別發(fā)射在49～400 Hz和109～385 Hz多個頻點的CW信號，且2個聲源發(fā)射CW信號的頻點不重合，實驗船速度約為2.5 m/s，S5和S59航次分別共采集了75 min和65 min數(shù)據(jù)。在S59實驗中，干擾信號由水面艦船發(fā)出，頻段為62～401 Hz[19]。實驗使用共有22個水聽器的垂直陣，采樣頻率為1.5 kHz，布放的深度為94.125～212.25 m，在實驗中有一個水聽器出現(xiàn)故障，因此僅可使用其他21個水聽器的測量數(shù)據(jù)。

圖5 SWellEX-96 實驗淺海環(huán)境參數(shù)模型Fig.5 Swellex-96 experiment shallow sea environment parameter model

圖6 SWellEX-96 實驗航次地圖及數(shù)據(jù)集分布圖[19]Fig.6 SWellEX-96 experimental voyage map and data set distribution map[19]

3.2 實驗數(shù)據(jù)處理及結(jié)果分析

3.2.1 數(shù)據(jù)集的選取

由于實驗中2個聲源發(fā)射CW信號的頻點不重合，所以，本文通過提取不同頻點的復(fù)聲壓，可分別對2個聲源進(jìn)行距離估計研究。在SWellEX-96實驗中發(fā)射聲源級最大的一組頻點中取得的{109，198，385}和{112，235，388}Hz分別作為淺源和深源的寬帶頻率。在SWellEX-96實驗數(shù)據(jù)中，選取出T1、T2和T3數(shù)據(jù)集分別作為預(yù)訓(xùn)練數(shù)據(jù)集、小樣本數(shù)據(jù)集和測試集，各個數(shù)據(jù)集的分布見圖6。

在SWellEX-96實驗無強(qiáng)干擾下的S5數(shù)據(jù)中，實驗前30 min中，每1 s提取對應(yīng)頻率的1 s快拍數(shù)據(jù)，共得到1 800組數(shù)據(jù)用于預(yù)訓(xùn)練，設(shè)為T1數(shù)據(jù)集；實驗后15 min中，每5 s提取一組1 s快拍數(shù)據(jù)作為小樣本訓(xùn)練集，共180組數(shù)據(jù)，設(shè)為T2數(shù)據(jù)集，并在該期間，每19 s提取一組1 s快拍數(shù)據(jù)作為測試集，共48組數(shù)據(jù)，設(shè)為T3數(shù)據(jù)集，其中，T1和T2數(shù)據(jù)集的間距為4.5 km。

在SWellEX-96實驗強(qiáng)干擾下的S59數(shù)據(jù)中，實驗前18.75 min中，每1 s提取對應(yīng)頻率的1 s快拍數(shù)據(jù)，共得到1 125組數(shù)據(jù)用于預(yù)訓(xùn)練，設(shè)為T1數(shù)據(jù)集；實驗后18 min中，每8 s提取一組1 s快拍數(shù)據(jù)作為小樣本訓(xùn)練集，共207組數(shù)據(jù)，設(shè)為T2數(shù)據(jù)集，并在該期間，每19 s提取一組數(shù)據(jù)作為測試集(為避免測試集泄露，去除其中與小樣本數(shù)據(jù)集重合的樣本點)，共76組數(shù)據(jù)，設(shè)為T3數(shù)據(jù)集，其中，T1和T2數(shù)據(jù)集的間距為4.2 km。

3.2.2 匹配場處理

設(shè)置海域的搜素距離范圍是0～5 km，間隔為10 m；深度范圍1～200 m，間隔為1 m，利用上述參數(shù)計算拷貝場。測試海域為淺海，且為距離不相關(guān)的波導(dǎo)環(huán)境，聲源發(fā)射信號為低頻，因此使用基于簡正波模型的Kraken程序進(jìn)行仿真。聲壓場的互譜密度矩陣由S5實驗T3數(shù)據(jù)集中3個1 s的快拍數(shù)據(jù)計算得到，基于Bartlett算法估計出水下目標(biāo)聲源的空間位置，圖7為無強(qiáng)干擾下匹配場處理方法下的距離估計結(jié)果?？芍跓o強(qiáng)干擾下，由于簡正波模型在距離為0～2 km的條件下不適用，該部分測試集的估計準(zhǔn)確度較低，而其他測試集的估計性能較好，但仍有一定的誤差，相對深源，淺源的估計結(jié)果較好。

對于強(qiáng)干擾下的S59數(shù)據(jù)，拷貝場數(shù)據(jù)同上，聲壓場的互譜密度矩陣由S59實驗T3數(shù)據(jù)集中3個1 s的快拍數(shù)據(jù)計算得到，圖8為強(qiáng)干擾下匹配場處理方法下的距離估計結(jié)果，可得到，因為基于模型驅(qū)動的MFP方法嚴(yán)重依賴環(huán)境參數(shù)，拷貝場已與強(qiáng)干擾下的實際環(huán)境相差過大，導(dǎo)致MFP方法已不適用。

圖8 強(qiáng)干擾下MFP方法的距離估計結(jié)果Fig.8 Distance estimation of MFP method with strong interference

3.2.3 傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)

在研究無強(qiáng)干擾下S5數(shù)據(jù)的小樣本場景中，利用傳統(tǒng)CNN方法訓(xùn)練，當(dāng)訓(xùn)練集分別為T1數(shù)據(jù)集、T2數(shù)據(jù)集和T1/T2數(shù)據(jù)集時，圖9、10和11分別為無強(qiáng)干擾下3種訓(xùn)練集下T3數(shù)據(jù)集的估計結(jié)果，可得到，在無強(qiáng)干擾的環(huán)境中，訓(xùn)練集為T1時，由于訓(xùn)練集與測試集距離相差較大，神經(jīng)網(wǎng)絡(luò)模型不易對測試集進(jìn)行預(yù)測，所以，該場景無法實現(xiàn)有效距離估計；訓(xùn)練集為T2時，由于訓(xùn)練集和測試集均在同一片海域，所以，可在一定程度上實現(xiàn)距離估計，但受限于訓(xùn)練集數(shù)據(jù)量較小，誤差仍較大；訓(xùn)練集為T1和T2的混合數(shù)據(jù)集時，因為混合數(shù)據(jù)集不僅數(shù)據(jù)量較大，而且包含和測試集同一海域的T2數(shù)據(jù)集，所以可以較好地實現(xiàn)距離估計，但仍有一定的誤差。

圖9 無強(qiáng)干擾下訓(xùn)練集T1傳統(tǒng)CNN估計結(jié)果Fig.9 The traditional CNN estimation results of T1 training set without strong interference

在研究強(qiáng)干擾下S59數(shù)據(jù)的小樣本場景中，網(wǎng)絡(luò)結(jié)構(gòu)和無強(qiáng)干擾下的一致，經(jīng)傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練，圖12～14分別為強(qiáng)干擾下3種訓(xùn)練集的T3數(shù)據(jù)集距離估計結(jié)果。可知，傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)在強(qiáng)干擾和小樣本場景中，由于強(qiáng)干擾下，訓(xùn)練集和測試集差別較大，訓(xùn)練得到的CNN模型無法對測試集實現(xiàn)有效預(yù)測，導(dǎo)致3種訓(xùn)練集下均無法得到準(zhǔn)確的距離估計結(jié)果。

圖10 無強(qiáng)干擾下訓(xùn)練集T2傳統(tǒng)CNN估計結(jié)果Fig.10 The traditional CNN estimation results of T2 training set without strong interference

圖11 無強(qiáng)干擾下T1和T2混合訓(xùn)練集傳統(tǒng)CNN估計結(jié)果Fig.11 The traditional CNN estimation results of T1 and T2 hybrid training set without strong interference

圖12 強(qiáng)干擾下T1訓(xùn)練集下傳統(tǒng)CNN估計結(jié)果Fig.12 The traditional CNN estimation results of T1 training set with strong interference

3.2.4 遷移學(xué)習(xí)

在研究無強(qiáng)干擾下S5數(shù)據(jù)的小樣本場景中，經(jīng)遷移學(xué)習(xí)模型訓(xùn)練，圖15為其距離估計結(jié)果，可得到，在無強(qiáng)干擾下，通過遷移學(xué)習(xí)方法，對淺源和深源均可以實現(xiàn)有效地距離估計。對于強(qiáng)干擾下S59數(shù)據(jù)的小樣本場景，遷移學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)和無強(qiáng)干擾下的一致，圖16為強(qiáng)干擾下遷移學(xué)習(xí)模型距離估計結(jié)果。可知，相比MFP和傳統(tǒng)CNN方法，遷移學(xué)習(xí)可較為準(zhǔn)確地實現(xiàn)目標(biāo)距離估計，但由于存在運(yùn)動中的干擾源，相比無強(qiáng)干擾環(huán)境，強(qiáng)干擾下深源和淺源的距離估計結(jié)果均較差。

表1和表2分別列出了無強(qiáng)干擾和強(qiáng)干擾下各個方法距離估計結(jié)果的MAPE。由橫向?qū)Ρ瓤傻茫瑴\源和深源在遷移學(xué)習(xí)下的MAPE均遠(yuǎn)小于傳統(tǒng)CNN和MFP，遷移學(xué)習(xí)的估計性能明顯優(yōu)于傳統(tǒng)CNN和MFP；相比訓(xùn)練集為T1，訓(xùn)練集為T2數(shù)據(jù)集的傳統(tǒng)CNN估計性能較好，由此可見，訓(xùn)練集和測試集位置相差較小時，估計性能較好，若T2數(shù)據(jù)集樣本數(shù)較多，傳統(tǒng)CNN理論上也可對測試集得到較準(zhǔn)確的距離估計結(jié)果，但在小樣本場景中，通過傳統(tǒng)CNN無法實現(xiàn)有效距離估計；由于相比訓(xùn)練集僅為T1或T2，訓(xùn)練集為T1/T2的傳統(tǒng)CNN方法數(shù)據(jù)量較大，從而可以更充分地訓(xùn)練，所以，在各種訓(xùn)練集的傳統(tǒng)CNN方法中其估計性能最好；訓(xùn)練集為T1/T2的傳統(tǒng)CNN方法和遷移學(xué)習(xí)方法用于訓(xùn)練的數(shù)據(jù)量一致，但前者是在大范圍地訓(xùn)練和估計，而后者是在已經(jīng)訓(xùn)練出的相近模型權(quán)重的條件下，對小樣本海域再訓(xùn)練，即在充分利用了相近海域水聲數(shù)據(jù)的基礎(chǔ)上，對包含測試集的小樣本海域?qū)崿F(xiàn)小范圍地重點訓(xùn)練和精確估計，所以，相比訓(xùn)練集為T1/T2的傳統(tǒng)CNN方法，遷移學(xué)習(xí)方法估計結(jié)果較好。由縱向?qū)Ρ瓤傻茫啾壬钤?，淺源的估計性能普遍較好，這是某些時間深源的信號缺失造成的，見圖17中橢圓標(biāo)注，S5和S59數(shù)據(jù)中深源的信號分別以388 Hz和235 Hz為例，橢圓區(qū)域均有不同程度的信號缺失，而實驗中淺源的信號較為完整。

圖13 強(qiáng)干擾下T2訓(xùn)練集下傳統(tǒng)CNN估計結(jié)果Fig.13 The traditional CNN estimation results of T2 training set with strong interference

圖14 強(qiáng)干擾下T1和T2混合訓(xùn)練集下傳統(tǒng)CNN估計結(jié)果Fig.14 The traditional CNN estimation results of T1 and T2 hybrid training set with strong interference

圖15 無強(qiáng)干擾下遷移學(xué)習(xí)模型距離估計結(jié)果Fig.15 Transfer learning model estimation results without strong interference

圖16 強(qiáng)干擾下遷移學(xué)習(xí)模型距離估計結(jié)果Fig.16 Transfer learning model estimation results with strong interference

表1 無強(qiáng)干擾下淺源和深源在不同方法下距離估計結(jié)果的MAPE

表2 強(qiáng)干擾下淺源和深源在不同方法下距離估計結(jié)果的MAPE

圖17 SWellEX-96 實驗聲源功率譜圖Fig.17 Sound source power spectrum diagram of SWellEX-96 experimental

4 結(jié)論

1)機(jī)器學(xué)習(xí)在水聲被動定位領(lǐng)域的結(jié)合日益密切，在僅有探測海域的小樣本水聲數(shù)據(jù)時，遷移學(xué)習(xí)可以作為學(xué)習(xí)框架，將已有的知識應(yīng)用到新的環(huán)境中，減少了探測海域所需的訓(xùn)練集數(shù)據(jù)量。

2)本文提出了基于卷積神經(jīng)網(wǎng)絡(luò)的遷移學(xué)習(xí)模型，并利用SWellEX-96實驗無強(qiáng)干擾的S5航次數(shù)據(jù)和有強(qiáng)干擾的S59航次數(shù)據(jù)進(jìn)行了方法的驗證，對比了MFP、傳統(tǒng)CNN和遷移學(xué)習(xí)3種方法的水下目標(biāo)距離估計性能。實驗數(shù)據(jù)處理結(jié)果表明，在無強(qiáng)干擾和小樣本場景下，MFP方法在距離為0～2 km的環(huán)境中不適用，傳統(tǒng)CNN方法僅在訓(xùn)練集為T1/T2時有著較好的定位，而遷移學(xué)習(xí)方法可以實現(xiàn)穩(wěn)健的距離估計，在強(qiáng)干擾和小樣本場景下，MFP和傳統(tǒng)CNN方法均已不適用，而遷移學(xué)習(xí)方法可以得到有效準(zhǔn)確的距離估計。

3)遷移學(xué)習(xí)模型在水聲被動定位領(lǐng)域的研究較少，有著較大的研究空間，不同類型的干擾、測試集與訓(xùn)練集深度不同等場景下的目標(biāo)距離估計，有待進(jìn)一步的探索。