楊麗燕 王黎明 韓星程 武國(guó)強(qiáng) 王鴻儒 馬 文

（1.中北大學(xué)信息探測(cè)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?cái)?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(guó)所知，針對(duì)海洋研制的艦船越來(lái)越多，與此同時(shí)，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(xiǎn)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(shí)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(duì)目標(biāo)造成巨大的破壞［2］。魚雷攻擊靶船的位置是評(píng)定艦船抗爆炸沖擊能力以及武器毀傷能力的一個(gè)關(guān)鍵判據(jù)［3］。因此，對(duì)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(shí)法、水聲定位法、水聲GPS聯(lián)測(cè)法、最小誤差逼近法、匹配場(chǎng)定位法等。機(jī)械定位法通過(guò)剛性固定水下震源與目標(biāo)的位置來(lái)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(shí)法通過(guò)聲信號(hào)在目標(biāo)和傳感器節(jié)點(diǎn)之間的傳輸時(shí)間進(jìn)行測(cè)距，測(cè)距精度高，但是需要目標(biāo)和傳感器節(jié)點(diǎn)之間保持時(shí)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(lái)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(cè)量傳感器，獲取沖擊波傳播的時(shí)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(shí)，沖擊波零時(shí)法對(duì)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(zhǎng)基線水聲定位的原理，提出一種適用于懸浮震源的長(zhǎng)基線水聲定位測(cè)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(chǎng)定位法（Matched Field Processing，MFP）是基于聲音的傳播規(guī)律，需要獲得聲場(chǎng)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(shí)-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(lái)，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(dòng)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(guò)仿真淺海聲場(chǎng)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(duì)比了MTL-CNN 網(wǎng)絡(luò)模型與MTL-Attention-UNet模型的平均絕對(duì)誤差，仿真結(jié)果表明：使用MTL-Attention-UNet模型對(duì)震源進(jìn)行定位的平均絕對(duì)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(huì)造成匹配場(chǎng)定位性能的下降，應(yīng)用MTL-CNN 定位方法可以通過(guò)學(xué)習(xí)不同環(huán)境的聲場(chǎng)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(huì)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(duì)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(shí)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(lái)，建立MTL-Attention-UNet模型對(duì)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(duì)水下震源的距離與深度兩個(gè)參數(shù)的輸出，單任務(wù)只能完成一個(gè)任務(wù)，多任務(wù)可以同時(shí)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(duì)輸入特征進(jìn)行壓縮，作為特征提取模塊，通過(guò)輸入層時(shí)進(jìn)行4 次特征壓縮，每次壓縮通過(guò)卷積核為3×3 的卷積、激活函數(shù)ReLU 和池化核2×2 步長(zhǎng)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(guò)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(chǎng)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(cè)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(cè)試集對(duì)訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行測(cè)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(chǎng)環(huán)境模型

水下震源定位中，實(shí)測(cè)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(chǎng)數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練集［11］。常用的聲場(chǎng)模型包括簡(jiǎn)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(jiǎn)正波模型適用于水平不變環(huán)境、低頻原場(chǎng)條件的聲場(chǎng)仿真，本文使用Kraken簡(jiǎn)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(shuō)，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(píng)估參數(shù)的靈敏度，如式（1）。

圖5 展示了十個(gè)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(duì)于其它參數(shù)的MSE 變化更大，也就是說(shuō)參數(shù)更加敏感，因此對(duì)輸入特征的貢獻(xiàn)更大?；陟`敏度分析，生成訓(xùn)練集時(shí)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(guò)程中監(jiān)測(cè)損失。采用平均絕對(duì)誤差（MAE）作為評(píng)價(jià)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(gè)周期時(shí)，網(wǎng)絡(luò)估計(jì)距離的平均絕對(duì)誤差為0.83km，深度的平均絕對(duì)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(duì)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(duì)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(cè)試結(jié)果

4 結(jié)語(yǔ)

本文構(gòu)建了淺海聲場(chǎng)數(shù)據(jù)集，使用多任務(wù)神經(jīng)網(wǎng)絡(luò)MTL-Attention-UNet 對(duì)水下震源定位進(jìn)行訓(xùn)練，并使用測(cè)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(duì)水下震源進(jìn)行定位的平均絕對(duì)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。