李 理 孫玉林 曹 然*④ 郭龍祥

①(哈爾濱工程大學(xué)水聲技術(shù)重點(diǎn)實(shí)驗(yàn)室 哈爾濱 150001)

②(哈爾濱工程大學(xué)海洋信息獲取與安全工信部重點(diǎn)實(shí)驗(yàn)室 哈爾濱 150001)

③(哈爾濱工程大學(xué)水聲工程學(xué)院 哈爾濱 150001)

④(哈爾濱工程大學(xué)青島創(chuàng)新發(fā)展中心 青島 266400)

1 引言

水下聲場(chǎng)環(huán)境中，文獻(xiàn)[1,2] 指出聲源測(cè)距一般采用匹配場(chǎng)處理(Matched Field Processing, MFP)來解決，但匹配場(chǎng)處理需要對(duì)水下聲場(chǎng)精確建模才能給出合理的預(yù)測(cè)。從Bucker[3]提出匹配場(chǎng)處理開始，F(xiàn)izell等人[4]證明匹配場(chǎng)的應(yīng)用價(jià)值后，匹配失真的問題層出不窮。水下聲場(chǎng)是時(shí)變和空變的，充滿著復(fù)雜和不確定性，這易造成建模聲場(chǎng)與實(shí)測(cè)環(huán)境的失配。一些學(xué)者提出將環(huán)境參數(shù)加入改進(jìn)的匹配場(chǎng)算法，如文獻(xiàn)[5]中的環(huán)境聚焦匹配場(chǎng)處理等，但這些方法增加了計(jì)算量，并且引入了更多的包括環(huán)境參數(shù)在內(nèi)的先驗(yàn)信息，進(jìn)一步提升了構(gòu)建有效匹配場(chǎng)模型的難度。

另外，文獻(xiàn)[6,7]指出隨著機(jī)器學(xué)習(xí)理論和技術(shù)的不斷進(jìn)步，基于該方法下的水聲被動(dòng)測(cè)距方法成為一個(gè)可靠的研究方向。通過文獻(xiàn)[8-11]可知，機(jī)器學(xué)習(xí)應(yīng)用于水聲領(lǐng)域中已經(jīng)有很長(zhǎng)時(shí)間，而應(yīng)用于水聲被動(dòng)測(cè)距卻剛走向成熟。近幾年來，文獻(xiàn)[12-14]基于最小二乘和傳感器網(wǎng)絡(luò)實(shí)現(xiàn)了車輛以及水下傳感器網(wǎng)絡(luò)節(jié)點(diǎn)的高精度測(cè)距，文獻(xiàn)[15-19]證明了機(jī)器學(xué)習(xí)在水聲聲源測(cè)距方面優(yōu)于傳統(tǒng)的匹配場(chǎng)處理方法，文獻(xiàn)[20,21]也證明了神經(jīng)網(wǎng)絡(luò)估計(jì)水下聲源距離和深度的可靠性。

雖然機(jī)器學(xué)習(xí)方法進(jìn)行水下聲源測(cè)距不需要環(huán)境先驗(yàn)信息，但機(jī)器學(xué)習(xí)算法通常需要足夠多的訓(xùn)練樣本支撐，而數(shù)據(jù)樣本獲取難度大，訓(xùn)練樣本稀缺恰恰是水聲領(lǐng)域的突出問題。相比于文獻(xiàn)[15,16]將單一航次的數(shù)據(jù)劃分為訓(xùn)練集和測(cè)試集進(jìn)行性能驗(yàn)證的應(yīng)用場(chǎng)景，更期望能用已知的歷史信息作為訓(xùn)練樣本訓(xùn)練模型，對(duì)新獲取的未知數(shù)據(jù)進(jìn)行有效分析。傳統(tǒng)機(jī)器學(xué)習(xí)理論有效的一個(gè)基本假設(shè)是訓(xùn)練樣本與測(cè)試樣本滿足獨(dú)立同分布，不同的水聲實(shí)驗(yàn)任務(wù)中獲取的數(shù)據(jù)很難滿足該前提，致使使用傳統(tǒng)機(jī)器學(xué)習(xí)方法基于歷史數(shù)據(jù)構(gòu)建的模型泛化能力非常有限。針對(duì)上述問題，本文嘗試采用基于遷移學(xué)習(xí)的方法進(jìn)行解決。由文獻(xiàn)[22]可知遷移學(xué)習(xí)是機(jī)器學(xué)習(xí)技術(shù)的一種，雷波等人[23]的研究初步驗(yàn)證了遷移學(xué)習(xí)算法在針對(duì)前向散射聲吶進(jìn)行主動(dòng)測(cè)距，但是在被動(dòng)測(cè)距的應(yīng)用鮮有見刊。在遷移學(xué)習(xí)的理論中，所有已有的知識(shí)稱為源域(source domain)，將要學(xué)習(xí)的新知識(shí)稱為目標(biāo)域(target domain)，其中源域和目標(biāo)域分別屬于不同的特征空間；而基于特征的遷移學(xué)習(xí)方法將來自源域和目標(biāo)域的數(shù)據(jù)映射到共同的特征空間，減少域之間的差異性。基于遷移學(xué)習(xí)思想，本文將已標(biāo)注航次航跡數(shù)據(jù)當(dāng)作源域，將要進(jìn)行測(cè)距任務(wù)的未標(biāo)注航次航跡數(shù)據(jù)當(dāng)作目標(biāo)域，而學(xué)習(xí)的目標(biāo)是將從源域中學(xué)到的特征更好地適配于未知航跡數(shù)據(jù)的學(xué)習(xí)過程，最終提升測(cè)距模型的泛化能力。

本文應(yīng)用聯(lián)合分布適配(Joint Distribution Adaptation, JDA)算法對(duì)船舶在不同航跡時(shí)與垂直接收陣之間距離的回歸和預(yù)測(cè)：引入文獻(xiàn)[24]提出的聯(lián)合分布適配算法至水下測(cè)距問題中，提出了基于聯(lián)合分布適配的水下聲源測(cè)距方法；詳細(xì)說明了實(shí)驗(yàn)數(shù)據(jù)的預(yù)處理過程和目標(biāo)測(cè)距算法的性能指標(biāo)；對(duì)比了K近鄰(KNN)、支持向量機(jī)(Support Vector Machine, SVM)、卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)和完成遷移學(xué)習(xí)后再由3種分類器回歸預(yù)測(cè)的實(shí)驗(yàn)結(jié)果；最后分析對(duì)比了遷移學(xué)習(xí)的遷移效果，結(jié)果表明基于聯(lián)合分布適配的水下聲源測(cè)距算法的距離估計(jì)精度更高。

2 基于聯(lián)合分布適配的水下聲源測(cè)距算法

本文提出一種基于聯(lián)合分布適配的水下聲源測(cè)距算法，從目標(biāo)距離差異引起聲場(chǎng)統(tǒng)計(jì)特性不同的角度出發(fā)，建立起互譜密度矩陣信息與目標(biāo)位置的映射關(guān)系，將水下聲源距離估計(jì)問題轉(zhuǎn)化為分類問題。聯(lián)合分布適配則是針對(duì)概率分布差異提出的一種遷移學(xué)習(xí)算法，下面將介紹聯(lián)合分布適配方法，并提出基于聯(lián)合分布適配的水下聲源測(cè)距算法。

2.1 聯(lián)合分布適配方法思想

針對(duì)目標(biāo)域沒有標(biāo)注數(shù)據(jù)的無監(jiān)督遷移學(xué)習(xí)中，已有方法通常僅適配了邊緣概率分布，但這會(huì)導(dǎo)致域間概率分布的欠適配問題，嚴(yán)重影響學(xué)習(xí)模型的泛化性能。由此，Long等人[24]提出了聯(lián)合分布適配方法，這種方法適用于遷移學(xué)習(xí)的領(lǐng)域自適應(yīng)(domain adaptation)方向，并在圖像遷移領(lǐng)域有著較多的應(yīng)用。JDA方法是一個(gè)適配于概率分布的方法，其主要的思想是將源域以及目標(biāo)域的聯(lián)合概率作為適配的對(duì)象。由于水下聲源距離參數(shù)估計(jì)中的源域和目標(biāo)域邊緣分布不同且源域和目標(biāo)域條件分布不同，為了同時(shí)適配于兩個(gè)分布，該方法必須適配于兩者的聯(lián)合概率。

文獻(xiàn)[25]提出JDA方法的具體過程如圖1所示，給定有標(biāo)注源域Ds(已標(biāo)注航次航跡數(shù)據(jù))和無標(biāo)注目標(biāo)域Dt(待預(yù)測(cè)航次航跡數(shù)據(jù))，如圖1(a)，可以看出，由于兩者概率分布的差異，Ds訓(xùn)練得到的判別面f不能準(zhǔn)確地分類Dt。因此該方法首先進(jìn)行邊緣分布適配(MDA)，最小化邊緣分布之間的距離，如圖1(b)，從而增加分類結(jié)果的準(zhǔn)確率；然后進(jìn)行條件分布適配(CDA)，最小化條件分布的差異，如圖1(c)，使類別中心與Dt對(duì)應(yīng)；最后進(jìn)行流形正則化(MR)改變判別面f的位置，如圖1(d)保證可以得到更加可靠的標(biāo)注距離。

圖1 聯(lián)合適配正則化工作原理示意圖

2.2 聯(lián)合分布適配方法原理

本文提出算法通過上述方式將源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)映射到共享特征空間，降低了不同任務(wù)域數(shù)據(jù)服從分布的差異性，最終提升了基于此構(gòu)建的分類器的分類精度和泛化能力。

2.3 測(cè)距算法流程

本節(jié)提出一個(gè)基于聯(lián)合分布適配的聲源測(cè)距算法，圖2為水下聲源測(cè)距算法具體流程圖。

圖2 水下聲源測(cè)距算法流程圖

(1)數(shù)據(jù)預(yù)處理。對(duì)采集到的聲壓時(shí)域信號(hào)求互相關(guān)得到采樣協(xié)方差矩陣，對(duì)其做傅里葉變換得到歸一化的互譜密度矩陣，將該矩陣作為數(shù)據(jù)特征。

(2)為源域和目標(biāo)域標(biāo)注。根據(jù)距離信息和對(duì)應(yīng)樣本數(shù)為源域數(shù)據(jù)與目標(biāo)域數(shù)據(jù)標(biāo)注。

(3)遷移學(xué)習(xí)。用源域數(shù)據(jù)和源域標(biāo)注訓(xùn)練的KNN分類器給出目標(biāo)域的預(yù)標(biāo)注，將源域數(shù)據(jù)、源域標(biāo)注和目標(biāo)域數(shù)據(jù)、目標(biāo)域預(yù)標(biāo)注作為輸入，尋找令最大均值差異最小化的變換矩陣，同時(shí)調(diào)整源域和目標(biāo)域的邊緣分布適配與條件分布適配，進(jìn)行聯(lián)合分布適配，在此過程中迭代尋優(yōu)使得源域和目標(biāo)域的分布差異最小化，由此得到新的源域數(shù)據(jù)(JDA-source)和目標(biāo)域數(shù)據(jù)(JDA-target)。

(4)預(yù)測(cè)目標(biāo)域的標(biāo)注。由JDA-source和源域標(biāo)注作訓(xùn)練集訓(xùn)練所選分類器，用訓(xùn)練好的分類器預(yù)測(cè)JDA-target，然后將預(yù)測(cè)結(jié)果映射到距離信息得到目標(biāo)聲源距離。

3 實(shí)驗(yàn)驗(yàn)證及結(jié)果分析

本文使用了聯(lián)合分布適配進(jìn)行遷移學(xué)習(xí)，使用支持向量機(jī)、K近鄰、卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分類，其中聯(lián)合分布適配前使用的預(yù)標(biāo)注分類器為KNN。

3.1 實(shí)驗(yàn)數(shù)據(jù)及預(yù)處理方法介紹

基于文獻(xiàn)[15,16,20]，一些基于傳統(tǒng)機(jī)器學(xué)習(xí)的水下聲源測(cè)距算法優(yōu)于傳統(tǒng)匹配場(chǎng)的Bartlett處理器，本文不再多進(jìn)行對(duì)比。本文用于驗(yàn)證所提出算法的數(shù)據(jù)集來源于文獻(xiàn)[26]中R/V New Horizon在Noise09試驗(yàn)中輻射的船舶噪聲數(shù)據(jù)，預(yù)處理過程參考了牛海強(qiáng)等人[7]對(duì)實(shí)驗(yàn)的做法。

在Noise09試驗(yàn)中，利用接收陣列接收的船舶輻射噪聲共有5組連續(xù)的信號(hào)。其中，垂直接收陣列(VLA)包含16個(gè)間距為1m的水聽器，用于接收船舶輻射噪聲，接收陣元水聽器的采樣頻率為25 kHz，文獻(xiàn)[26]給出試驗(yàn)數(shù)據(jù)集來源的船舶航跡和接收陣列位置如圖3所示。

圖3 船舶軌跡和接收陣列GPS信息圖

數(shù)據(jù)處理過程中，將試驗(yàn)數(shù)據(jù)轉(zhuǎn)換為采樣協(xié)方差矩陣，設(shè)置快拍(snapshots)為10，并對(duì)采樣協(xié)方差矩陣做傅里葉變換得到互譜密度矩陣，取其上三角并向量化，得到維度為7200維的數(shù)據(jù)特征，數(shù)據(jù)的樣本數(shù)由采樣頻率和航行時(shí)間決定，每組數(shù)據(jù)樣本數(shù)不盡相同。

陣列接收信號(hào)經(jīng)過上述預(yù)處理得到源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)，再由GPS記錄值計(jì)算出對(duì)應(yīng)樣本的目標(biāo)船舶距離，由目標(biāo)船舶距離映射得到源域和目標(biāo)域的標(biāo)注。

3.2 實(shí)驗(yàn)設(shè)計(jì)

為了驗(yàn)證所提出算法的泛化能力，本文將5個(gè)航次航跡的數(shù)據(jù)集分為3個(gè)源域和目標(biāo)域的組合，用4個(gè)航跡的已標(biāo)注數(shù)據(jù)對(duì)剩余1組航跡的未標(biāo)注數(shù)據(jù)進(jìn)行預(yù)測(cè)。源域和目標(biāo)域的劃分、距離范圍和各個(gè)實(shí)驗(yàn)任務(wù)的樣本數(shù)及維度如表1所示。

表1 源域和目標(biāo)域劃分及其規(guī)模和維度

5個(gè)航跡中目標(biāo)船舶與接收陣列之間的距離在0～2960 m，因?yàn)閿?shù)據(jù)量少以及需要盡量減少預(yù)測(cè)距離誤差，所以標(biāo)注時(shí)需保證每個(gè)標(biāo)注下的樣本數(shù)量不會(huì)太少且標(biāo)注對(duì)應(yīng)距離間隔不會(huì)過大。由此，為源域和目標(biāo)域數(shù)據(jù)標(biāo)注1～149，間隔為1，映射在0～2960 m，間隔為20 m。

實(shí)驗(yàn)中，本文首先使用K近鄰、支持向量機(jī)兩個(gè)典型的淺層分類器，和卷積神經(jīng)網(wǎng)絡(luò)作為深層分類器代表，共3個(gè)分類器對(duì)原始數(shù)據(jù)進(jìn)行距離標(biāo)注預(yù)測(cè)，之后用聯(lián)合分布適配對(duì)源域和目標(biāo)域數(shù)據(jù)遷移，再用3個(gè)分類器重新預(yù)測(cè)。其中，對(duì)于KNN，其參數(shù)決定最鄰近的k個(gè)樣本作為同一推測(cè)類別，在本文所用實(shí)驗(yàn)數(shù)據(jù)中不同實(shí)驗(yàn)任務(wù)需選用不同的k值從2～5，從而保證預(yù)測(cè)誤差達(dá)到最低。對(duì)于SVM，我們經(jīng)過對(duì)線性核、多項(xiàng)式核、高斯核的分別測(cè)試，得出結(jié)論，高斯核效果最好，所以本文中均使用高斯核對(duì)經(jīng)過預(yù)處理的數(shù)據(jù)進(jìn)行訓(xùn)練和分類，其中高斯核自帶參數(shù)γ取值經(jīng)過從0.0005到1間隔為0.0005分別訓(xùn)練計(jì)算預(yù)測(cè)結(jié)果誤差，得到最優(yōu)值，并得到誤差最小的結(jié)果。對(duì)于CNN，本文使用的結(jié)構(gòu)主要由兩層卷積-池化層和兩層全連接層構(gòu)成，由于本文實(shí)驗(yàn)條件中每類數(shù)據(jù)量較小，因此不進(jìn)行隨機(jī)丟棄，優(yōu)化器選擇Adam。

3.3 實(shí)驗(yàn)結(jié)果及分析

圖4、圖5為實(shí)驗(yàn)1的預(yù)測(cè)結(jié)果圖(藍(lán)色為預(yù)測(cè)結(jié)果，紅色為實(shí)際距離)和樣本空間的數(shù)據(jù)可視化(TSNE，同一形狀顏色的點(diǎn)標(biāo)注相同)3維圖。

實(shí)驗(yàn)1的預(yù)測(cè)距離范圍為900～3000 m。從圖4(a)-圖4(c)對(duì)比來看，KNN和SVM要明顯優(yōu)于CNN，CNN的距離預(yù)測(cè)精度很低，這是因?yàn)槊總€(gè)類別數(shù)據(jù)量不夠多的情況下CNN容易過擬合，值得注意的是，3個(gè)分類器對(duì)2000 m以上的部分預(yù)測(cè)誤差均較大。圖4(d)-圖4(f)對(duì)比來看，經(jīng)過JDA算法遷移后的數(shù)據(jù)再進(jìn)行分類，分類誤差比遷移前更小，CNN和KNN分類器的提升尤為明顯，而SVM的性能最好，同時(shí)，3個(gè)分類器的遠(yuǎn)距離預(yù)測(cè)結(jié)果提升也極其明顯。經(jīng)過對(duì)遷移前和遷移后的樣本數(shù)據(jù)做數(shù)據(jù)可視化得到圖5可以看出，聯(lián)合分布適配前樣本數(shù)據(jù)的分布較為雜亂，分類器很難判別給出正確結(jié)果，而聯(lián)合分布適配后同一標(biāo)注的樣本數(shù)據(jù)更加集中，有利于分類器構(gòu)建超平面進(jìn)行判別給出正確的分類結(jié)果。

圖4 實(shí)驗(yàn)1測(cè)距結(jié)果

圖5 實(shí)驗(yàn)1的數(shù)據(jù)可視化(TSNE)3維圖

圖6、圖7為實(shí)驗(yàn)2的預(yù)測(cè)結(jié)果圖(藍(lán)色為預(yù)測(cè)結(jié)果，紅色為實(shí)際距離)和TSNE3維圖。

實(shí)驗(yàn)2的預(yù)測(cè)距離范圍同樣為900～3000 m。圖6(a)、圖6(c)的對(duì)比結(jié)果與實(shí)驗(yàn)1的結(jié)論基本相同。但從圖6(d)-圖6(f)對(duì)比來看，遷移前的KNN和SVM在2000 m以上的遠(yuǎn)距離分類上部分預(yù)測(cè)誤差甚至超過1000 m，遷移后的3種分類器在該部分的預(yù)測(cè)誤差普遍減小，JDA效果明顯。通過圖7可以看出數(shù)據(jù)經(jīng)過聯(lián)合分布適配后聚類效果提升明顯，因此分類精度也顯著提升。

圖6 實(shí)驗(yàn)2測(cè)距結(jié)果

圖7 實(shí)驗(yàn)2的數(shù)據(jù)可視化(TSNE) 3維圖

圖8、圖9為實(shí)驗(yàn)3的預(yù)測(cè)結(jié)果圖(藍(lán)色為預(yù)測(cè)結(jié)果，紅色為實(shí)際距離)和TSNE3維圖。

從圖8的測(cè)距結(jié)果可以看出，本數(shù)據(jù)的一個(gè)特點(diǎn)是針對(duì)1600～1800 m的區(qū)間，SVM和CNN的識(shí)別效果均不佳。圖8(a)-圖8(c)對(duì)比來看，在遷移學(xué)習(xí)前，SVM距離預(yù)測(cè)結(jié)果精度最高，只有在1600～1800 m的距離預(yù)測(cè)誤差較大，而KNN的遠(yuǎn)距離預(yù)測(cè)出現(xiàn)1000 m以上的誤差，CNN預(yù)測(cè)結(jié)果最差；遷移學(xué)習(xí)后，SVM除在1600～1800 m的距離預(yù)測(cè)誤差比KNN略高外，其余距離的測(cè)距精度均較KNN更高。圖8(d)-圖8(f)對(duì)比來看，KNN的遠(yuǎn)距離預(yù)測(cè)性能提升尤其明顯，SVM在1600～1800 m的距離預(yù)測(cè)誤差有一定程度的減小，CNN總體提升明顯。由圖9可以看出，樣本數(shù)據(jù)經(jīng)過聯(lián)合分布適配后明顯更有利于減少分類結(jié)果相差極大的情況。

圖9 實(shí)驗(yàn)3的數(shù)據(jù)可視化(TSNE) 3維圖

為更好量化距離估計(jì)方法的預(yù)測(cè)性能，用均方根誤差(RMSE)和平均絕對(duì)誤差(Mean Absolute Error, MAE)[7]對(duì)預(yù)測(cè)性能進(jìn)行評(píng)估，其中均方根誤差與平均絕對(duì)誤差分別定義為

其中，預(yù)測(cè)值：y? ={y?1,y?2,...,y?n}，真實(shí)值：y={y1,y2,...,yn}。RMSE能較為直觀地給出預(yù)測(cè)距離和實(shí)際距離之間的偏差，而MAE考慮了錯(cuò)誤范圍估計(jì)中的誤差大小以及總體平均的預(yù)測(cè)效果。

在本文中，3個(gè)預(yù)測(cè)任務(wù)分別獨(dú)立完成，與GPS真值作對(duì)比計(jì)算度量誤差。圖10，圖11分別是3種分類器的預(yù)測(cè)以及進(jìn)行聯(lián)合分布適配后再預(yù)測(cè)目標(biāo)域兩種度量誤差的直觀比較圖。

從圖10可以看出，從單獨(dú)的各個(gè)實(shí)驗(yàn)任務(wù)來看，CNN和KNN的分類誤差最大，在最大預(yù)測(cè)距離不超過3 km的情況下，均方根誤差甚至達(dá)到300 m以上，平均絕對(duì)誤差最高在100 m以上。經(jīng)過JDA遷移學(xué)習(xí)后，均方根誤差和平均絕對(duì)誤差均有明顯改善，誤差降低幅度極大。其中CNN主要是因?yàn)閿?shù)據(jù)量較小，難以形成有效的學(xué)習(xí)過程，而KNN分類方式過于簡(jiǎn)單，所以兩者在遷移學(xué)習(xí)前分類誤差相對(duì)較大，SVM的分類誤差相對(duì)于KNN和CNN最小。經(jīng)過遷移學(xué)習(xí)后，SVM分類后距離誤差明顯低于其他分類器，KNN的分類效果其次，CNN分類效果最差，誤差相對(duì)較大。從與實(shí)際值的偏差來看，SVM的RMSE降低值最小，降低幅度較大；KNN的誤差降低值其次，降低幅度較大；CNN的誤差降低值最大，降低幅度較小。從圖11MAE來看，經(jīng)過遷移學(xué)習(xí)后，SVM分類結(jié)果精度最高，其次是KNN, CNN效果最差；CNN降低值最大，其次是KNN, SVM降低值最??；SVM降低幅度較小，KNN和CNN的降低幅度較大。

圖10 測(cè)距評(píng)價(jià)指標(biāo)RMSE

圖11 測(cè)距評(píng)價(jià)指標(biāo)MAE

4 結(jié)論

本文提出了一種基于聯(lián)合分布適配的水下聲源測(cè)距算法?？紤]到不同時(shí)間和方位上的航船軌跡數(shù)據(jù)服從不同的分布基于機(jī)器學(xué)習(xí)的聲源測(cè)距方法造成的影響。本文將歸一化的互譜密度矩陣作為輸入，通過對(duì)已標(biāo)注數(shù)據(jù)和未標(biāo)注待預(yù)測(cè)數(shù)據(jù)進(jìn)行JDA映射，從而使得原本服從不同概率密度函數(shù)的數(shù)據(jù)實(shí)現(xiàn)一致性分布，之后訓(xùn)練3種機(jī)器學(xué)習(xí)模型對(duì)水下聲源距離進(jìn)行預(yù)測(cè)以求對(duì)所提出算法進(jìn)行驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，在同樣樣本空間的條件下，經(jīng)過聯(lián)合分布適配遷移后在不同時(shí)間不同航跡下的距離預(yù)測(cè)結(jié)果的RMSE都降低超過20 m，降低幅度都超過40%，預(yù)測(cè)結(jié)果的MAE除實(shí)驗(yàn)1中的KNN都降低超過10 m，降低幅度都超過30%，相比沒有進(jìn)行遷移學(xué)習(xí)前可以更好地完成水下聲源測(cè)距任務(wù)。此外，使用并不服從獨(dú)立同分布的歷史數(shù)據(jù)構(gòu)建的分類模型，對(duì)未來數(shù)據(jù)進(jìn)行分析在水聲領(lǐng)域成為可能，這對(duì)于解決該領(lǐng)域天然面臨的數(shù)據(jù)稀缺性問題具有顯著的實(shí)際意義。同時(shí)本研究還得到一個(gè)重要結(jié)論，即盡管深度學(xué)習(xí)算法在特征提取方面有著理論上更強(qiáng)的能力，但是針對(duì)具體的任務(wù)時(shí)，例如水聲測(cè)距任務(wù)的數(shù)據(jù)特點(diǎn)，并不能使得普通的深度學(xué)習(xí)算法凸顯優(yōu)勢(shì)，反倒由于數(shù)據(jù)量不足和差異性過大導(dǎo)致訓(xùn)練結(jié)果比諸如KNN和SVM之類的典型淺層分類器更差。

致謝 感謝Scripps海洋學(xué)研究所的海洋物理實(shí)驗(yàn)室團(tuán)隊(duì)提供的Noise09實(shí)驗(yàn)數(shù)據(jù)集。