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(diǎn)實(shí)驗(yàn)室， 陜西 西安 710072)

水下目標(biāo)定位是水聲信號(hào)處理領(lǐng)域的熱點(diǎn)，其中被動(dòng)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(dòng)定位方法大多為基于水聲模型的匹配場(chǎng)處理(matched field processing，MFP)，Bucker[4]提出了線性匹配場(chǎng)處理器，并建立實(shí)際環(huán)境模型，通過(guò)計(jì)算距離-深度的模糊函數(shù)實(shí)現(xiàn)被動(dòng)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(chǎng)處理技術(shù)，得到增加帶寬可以有效提高匹配場(chǎng)算法的準(zhǔn)確度。Michalopoulou等[6]通過(guò)非相關(guān)方法疊加各個(gè)頻點(diǎn)的窄帶模糊度函數(shù)，得到非相關(guān)方法在寬帶匹配場(chǎng)處理算法中具有可行性。Soares等[7]基于各個(gè)頻點(diǎn)之間的相關(guān)性，設(shè)計(jì)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(chǎng)景中，設(shè)計(jì)了一種線性匹配場(chǎng)處理算法，從而實(shí)現(xiàn)干擾的抑制。匹配場(chǎng)處理方法基于水聲信道特性將聲傳播模型和陣列信號(hào)相結(jié)合，實(shí)現(xiàn)對(duì)水下目標(biāo)深度和距離的估計(jì)，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(chǎng)景中，該方法的準(zhǔn)確度會(huì)受到嚴(yán)重影響。

數(shù)據(jù)驅(qū)動(dòng)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(dòng)方法在水聲被動(dòng)定位領(lǐng)域得到了廣泛的應(yīng)用。Steinberg等[9]針對(duì)均勻介質(zhì)中的點(diǎn)聲源，建立單層神經(jīng)網(wǎng)絡(luò)模型，從而實(shí)現(xiàn)深度估計(jì)。但當(dāng)時(shí)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(dòng)定位算法是匹配場(chǎng)處理方法，因此，在水聲被動(dòng)定位領(lǐng)域，機(jī)器學(xué)習(xí)方法很長(zhǎng)一段時(shí)間的發(fā)展較為緩慢。Wang等[10]在水聲被動(dòng)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(shí)現(xiàn)有效的目標(biāo)距離估計(jì)。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(chǎng)景中，實(shí)現(xiàn)了水下目標(biāo)距離估計(jì)。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(shí)現(xiàn)水下目標(biāo)距離估計(jì)。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(duì)水下單目標(biāo)進(jìn)行了位置估計(jì)，取得了較好的效果。

遷移學(xué)習(xí)是對(duì)不同但相關(guān)領(lǐng)域問(wèn)題利用已存有的知識(shí)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(lái)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(shí)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(guò)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(shí)測(cè)數(shù)據(jù)，研究表明該方法可有效實(shí)現(xiàn)未探測(cè)海域的聲源距離估計(jì)。

對(duì)陌生海域，既沒(méi)有足夠的水聲數(shù)據(jù)，也沒(méi)有環(huán)境參數(shù)用來(lái)產(chǎn)生大量拷貝場(chǎng)數(shù)據(jù)，無(wú)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(shí)應(yīng)用到陌生海域的探測(cè)中，因此，遷移學(xué)習(xí)在水聲被動(dòng)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(duì)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(cè)距上，利用SWellEX-96實(shí)驗(yàn)無(wú)強(qiáng)干擾的S5數(shù)據(jù)和有強(qiáng)干擾的S59數(shù)據(jù)驗(yàn)證了2種環(huán)境下該方法的可行性。

1 匹配場(chǎng)處理

通過(guò)簡(jiǎn)正波模型以及環(huán)境參數(shù)，可以計(jì)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(jiǎn)正波模型下，(0,zs)處單頻點(diǎn)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(hào)簡(jiǎn)正波的模深函數(shù)(特征函數(shù))和水平波數(shù)。

對(duì)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(jì)算得到的距離-深度模糊表面中尋找最大值，該點(diǎn)對(duì)應(yīng)位置即為估計(jì)位置[18]。由互譜密度矩陣R和拷貝向量ω計(jì)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(chǎng)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(gè)快拍下基陣頻域數(shù)據(jù)向量。對(duì)寬帶信號(hào)，累加平均各個(gè)頻率對(duì)應(yīng)的模糊度平面，即可得到寬帶信號(hào)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(cè)距的遷移學(xué)習(xí)利用從一個(gè)場(chǎng)景(模型聲場(chǎng)或者歷史環(huán)境聲場(chǎng))學(xué)習(xí)到的知識(shí)來(lái)對(duì)新環(huán)境的聲源進(jìn)行測(cè)距。傳統(tǒng)機(jī)器學(xué)習(xí)模型對(duì)不同領(lǐng)域的數(shù)據(jù)集進(jìn)行獨(dú)立訓(xùn)練，無(wú)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(gè)預(yù)訓(xùn)練模型遷移到一個(gè)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(shí)驗(yàn)水聲數(shù)據(jù)訓(xùn)練得到，并將其遷移到另一個(gè)海域僅有小樣本水聲數(shù)據(jù)的目標(biāo)距離估計(jì)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(cè)距方法的定位性能，將平均絕對(duì)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(cè)數(shù)據(jù)；Rti為實(shí)際數(shù)據(jù)。

2.3 神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)

本文采用CNN的回歸模型實(shí)現(xiàn)測(cè)距，網(wǎng)絡(luò)包含3個(gè)卷積層，3個(gè)池化層、全連接層和輸出層，各個(gè)卷積層后即為一個(gè)池化層，3個(gè)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(gè)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(cè)海域的小樣本水聲數(shù)據(jù)集T2，對(duì)探測(cè)海域測(cè)試集T3進(jìn)行目標(biāo)距離估計(jì)，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(cè)海域的小樣本水聲數(shù)據(jù)，對(duì)采集到的時(shí)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(yàn)證

3.1 實(shí)驗(yàn)描述

SWellEX-96實(shí)驗(yàn)共包含S5和S59這2個(gè)航次，圖5為海試環(huán)境參數(shù)，圖6為該實(shí)驗(yàn)S5和S59航次地圖。本文將該實(shí)驗(yàn)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(cè)試，分別用于研究無(wú)強(qiáng)干擾和有強(qiáng)干擾條件下的距離估計(jì)。實(shí)驗(yàn)船一共同時(shí)拖曳了深(54 m)和淺(9 m)2個(gè)聲源，2個(gè)聲源分別發(fā)射在49～400 Hz和109～385 Hz多個(gè)頻點(diǎn)的CW信號(hào)，且2個(gè)聲源發(fā)射CW信號(hào)的頻點(diǎn)不重合，實(shí)驗(yàn)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(shí)驗(yàn)中，干擾信號(hào)由水面艦船發(fā)出，頻段為62～401 Hz[19]。實(shí)驗(yàn)使用共有22個(gè)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(shí)驗(yàn)中有一個(gè)水聽器出現(xiàn)故障，因此僅可使用其他21個(gè)水聽器的測(cè)量數(shù)據(jù)。

圖5 SWellEX-96 實(shí)驗(yàn)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(shí)驗(yàn)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(shí)驗(yàn)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(shí)驗(yàn)中2個(gè)聲源發(fā)射CW信號(hào)的頻點(diǎn)不重合，所以，本文通過(guò)提取不同頻點(diǎn)的復(fù)聲壓，可分別對(duì)2個(gè)聲源進(jìn)行距離估計(jì)研究。在SWellEX-96實(shí)驗(yàn)中發(fā)射聲源級(jí)最大的一組頻點(diǎn)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(shí)驗(yàn)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(cè)試集，各個(gè)數(shù)據(jù)集的分布見圖6。

在SWellEX-96實(shí)驗(yàn)無(wú)強(qiáng)干擾下的S5數(shù)據(jù)中，實(shí)驗(yàn)前30 min中，每1 s提取對(duì)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(shí)驗(yàn)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(cè)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(shí)驗(yàn)強(qiáng)干擾下的S59數(shù)據(jù)中，實(shí)驗(yàn)前18.75 min中，每1 s提取對(duì)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(shí)驗(yàn)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(cè)試集(為避免測(cè)試集泄露，去除其中與小樣本數(shù)據(jù)集重合的樣本點(diǎn))，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(chǎng)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(jì)算拷貝場(chǎng)。測(cè)試海域?yàn)闇\海，且為距離不相關(guān)的波導(dǎo)環(huán)境，聲源發(fā)射信號(hào)為低頻，因此使用基于簡(jiǎn)正波模型的Kraken程序進(jìn)行仿真。聲壓場(chǎng)的互譜密度矩陣由S5實(shí)驗(yàn)T3數(shù)據(jù)集中3個(gè)1 s的快拍數(shù)據(jù)計(jì)算得到，基于Bartlett算法估計(jì)出水下目標(biāo)聲源的空間位置，圖7為無(wú)強(qiáng)干擾下匹配場(chǎng)處理方法下的距離估計(jì)結(jié)果?？芍跓o(wú)強(qiáng)干擾下，由于簡(jiǎn)正波模型在距離為0～2 km的條件下不適用，該部分測(cè)試集的估計(jì)準(zhǔn)確度較低，而其他測(cè)試集的估計(jì)性能較好，但仍有一定的誤差，相對(duì)深源，淺源的估計(jì)結(jié)果較好。

對(duì)于強(qiáng)干擾下的S59數(shù)據(jù)，拷貝場(chǎng)數(shù)據(jù)同上，聲壓場(chǎng)的互譜密度矩陣由S59實(shí)驗(yàn)T3數(shù)據(jù)集中3個(gè)1 s的快拍數(shù)據(jù)計(jì)算得到，圖8為強(qiáng)干擾下匹配場(chǎng)處理方法下的距離估計(jì)結(jié)果，可得到，因?yàn)榛谀Ｐ万?qū)動(dòng)的MFP方法嚴(yán)重依賴環(huán)境參數(shù)，拷貝場(chǎng)已與強(qiáng)干擾下的實(shí)際環(huán)境相差過(guò)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(jì)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(wú)強(qiáng)干擾下S5數(shù)據(jù)的小樣本場(chǎng)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(shí)，圖9、10和11分別為無(wú)強(qiáng)干擾下3種訓(xùn)練集下T3數(shù)據(jù)集的估計(jì)結(jié)果，可得到，在無(wú)強(qiáng)干擾的環(huán)境中，訓(xùn)練集為T1時(shí)，由于訓(xùn)練集與測(cè)試集距離相差較大，神經(jīng)網(wǎng)絡(luò)模型不易對(duì)測(cè)試集進(jìn)行預(yù)測(cè)，所以，該場(chǎng)景無(wú)法實(shí)現(xiàn)有效距離估計(jì)；訓(xùn)練集為T2時(shí)，由于訓(xùn)練集和測(cè)試集均在同一片海域，所以，可在一定程度上實(shí)現(xiàn)距離估計(jì)，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(shí)，因?yàn)榛旌蠑?shù)據(jù)集不僅數(shù)據(jù)量較大，而且包含和測(cè)試集同一海域的T2數(shù)據(jù)集，所以可以較好地實(shí)現(xiàn)距離估計(jì)，但仍有一定的誤差。

圖9 無(wú)強(qiáng)干擾下訓(xùn)練集T1傳統(tǒng)CNN估計(jì)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(chǎng)景中，網(wǎng)絡(luò)結(jié)構(gòu)和無(wú)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(jì)結(jié)果?？芍?，傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)在強(qiáng)干擾和小樣本場(chǎng)景中，由于強(qiáng)干擾下，訓(xùn)練集和測(cè)試集差別較大，訓(xùn)練得到的CNN模型無(wú)法對(duì)測(cè)試集實(shí)現(xiàn)有效預(yù)測(cè)，導(dǎo)致3種訓(xùn)練集下均無(wú)法得到準(zhǔn)確的距離估計(jì)結(jié)果。

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

圖11 無(wú)強(qiáng)干擾下T1和T2混合訓(xùn)練集傳統(tǒng)CNN估計(jì)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(jì)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(wú)強(qiáng)干擾下S5數(shù)據(jù)的小樣本場(chǎng)景中，經(jīng)遷移學(xué)習(xí)模型訓(xùn)練，圖15為其距離估計(jì)結(jié)果，可得到，在無(wú)強(qiáng)干擾下，通過(guò)遷移學(xué)習(xí)方法，對(duì)淺源和深源均可以實(shí)現(xiàn)有效地距離估計(jì)。對(duì)于強(qiáng)干擾下S59數(shù)據(jù)的小樣本場(chǎng)景，遷移學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)和無(wú)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(jì)結(jié)果?？芍啾萂FP和傳統(tǒng)CNN方法，遷移學(xué)習(xí)可較為準(zhǔn)確地實(shí)現(xiàn)目標(biāo)距離估計(jì)，但由于存在運(yùn)動(dòng)中的干擾源，相比無(wú)強(qiáng)干擾環(huán)境，強(qiáng)干擾下深源和淺源的距離估計(jì)結(jié)果均較差。

表1和表2分別列出了無(wú)強(qiáng)干擾和強(qiáng)干擾下各個(gè)方法距離估計(jì)結(jié)果的MAPE。由橫向?qū)Ρ瓤傻?，淺源和深源在遷移學(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(jì)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(jì)性能較好，由此可見，訓(xùn)練集和測(cè)試集位置相差較小時(shí)，估計(jì)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(duì)測(cè)試集得到較準(zhǔn)確的距離估計(jì)結(jié)果，但在小樣本場(chǎng)景中，通過(guò)傳統(tǒng)CNN無(wú)法實(shí)現(xiàn)有效距離估計(jì)；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(jì)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(jì)，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(duì)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(duì)包含測(cè)試集的小樣本海域?qū)崿F(xiàn)小范圍地重點(diǎn)訓(xùn)練和精確估計(jì)，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(jì)結(jié)果較好。由縱向?qū)Ρ瓤傻茫啾壬钤?，淺源的估計(jì)性能普遍較好，這是某些時(shí)間深源的信號(hào)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(hào)分別以388 Hz和235 Hz為例，橢圓區(qū)域均有不同程度的信號(hào)缺失，而實(shí)驗(yàn)中淺源的信號(hào)較為完整。

圖13 強(qiáng)干擾下T2訓(xùn)練集下傳統(tǒng)CNN估計(jì)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(jì)結(jié)果Fig.14 The traditional CNN estimation results of T1 and T2 hybrid training set with strong interference

圖15 無(wú)強(qiáng)干擾下遷移學(xué)習(xí)模型距離估計(jì)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(jì)結(jié)果Fig.16 Transfer learning model estimation results with strong interference

表1 無(wú)強(qiáng)干擾下淺源和深源在不同方法下距離估計(jì)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(jì)結(jié)果的MAPE

圖17 SWellEX-96 實(shí)驗(yàn)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(dòng)定位領(lǐng)域的結(jié)合日益密切，在僅有探測(cè)海域的小樣本水聲數(shù)據(jù)時(shí)，遷移學(xué)習(xí)可以作為學(xué)習(xí)框架，將已有的知識(shí)應(yīng)用到新的環(huán)境中，減少了探測(cè)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(shí)驗(yàn)無(wú)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(yàn)證，對(duì)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(jì)性能。實(shí)驗(yàn)數(shù)據(jù)處理結(jié)果表明，在無(wú)強(qiáng)干擾和小樣本場(chǎng)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(shí)有著較好的定位，而遷移學(xué)習(xí)方法可以實(shí)現(xiàn)穩(wěn)健的距離估計(jì)，在強(qiáng)干擾和小樣本場(chǎng)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(jì)。

3)遷移學(xué)習(xí)模型在水聲被動(dòng)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(cè)試集與訓(xùn)練集深度不同等場(chǎng)景下的目標(biāo)距離估計(jì)，有待進(jìn)一步的探索。