(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111539273.X (22)申请日 2021.12.15 (71)申请人 浙江大学 地址 310027 浙江省杭州市西湖区余杭塘 路866号 (72)发明人 张婷　陈鸿楠　徐文　梁婧瑶　 (74)专利代理 机构 杭州天正专利事务所有限公 司 33201 代理人 王兵 (51)Int.Cl. G01S 7/539(2006.01) G06N 20/00(2019.01) (54)发明名称 一种基于机器学习的快速匹配场海底声学 参数反演方法 (57)摘要 一种基于机器学习的快速匹配场海底声学 参数反演方法， 首先根据实验海域的环境先验信 息和收发配置， 选择声学传播模型建立仿真环 境； 然后在不同的海底声学参数下结合测量声场 计算目标函数值， 基于该正向映射建立数据集， 用于训练与测试机器学习模型； 最后在匹配场反 演的参数更新过程中， 针对扰动前后的参数， 先 利用机器学习模 型快速筛选有效扰动， 再利用声 学传播模型判断接受或者拒绝， 经过多轮参数更 新后收敛至全局最优。 本发明在传统匹配场反演 过程中引入基于机器学习的预筛选处理， 减少声 学传播模型的调用次数， 进而降低反演耗时， 而 声学传播模 型的进一步判断保障了反演准确性， 能提高快速海底特性分析能力。 权利要求书2页 说明书5页 附图3页 CN 114280586 A 2022.04.05 CN 114280586 A 1.一种基于 机器学习的快速匹配场海底声学参数反演方法， 包 含以下步骤： S1、 获取数据集； 根据实验先验信息， 选择声学传播模型建立仿真环境， 在不同的海底声学参数下计算 接收声场， 通常又被称为拷贝声场， 以前者为机器学习模型输入量， 记为特征， 后者为模型 预测参考量， 记为标签， 建立数据集； S2、 训练与测试机器学习模型； 构建目标函数衡量拷贝声场与测量声场的匹配度， 将数据集的标签转换为目标函数 值， 利用新的数据集， 建立机器学习模型进行训练与测试； S3、 将机器学习模型引入传统匹配场反演 在传统匹配场反演过程中， 使用优化算法在高维参数空间搜索全局最优， 参数更新过 程为 其中， 接受条件由优化算法决定。 m和m ′表示扰动前后的海底声学参数， 基于声学传播 模型计算扰动前后的目标函数值f和f ′， 若Δf＝f ′ ‑f满足接受条件则更新为扰动后的参 数， 否则参数保持不变； 引入机器学习模型后参数 更新过程变为 其中， 针对扰动前后的海底声学参数m和m ′， 先基于机器学习模型快速计算扰动前后的 目标函数值F和F ′， 根据ΔF＝F ′ ‑F和接受条件进行预筛选， 若通过预筛选则进一步基于声 学传播模 型准确计算扰动前后的目标函数值f和f ′， 若Δf＝f ′ ‑f满足接受条件则更新为扰 动后的参数， 否则参数保持不变； S4、 估计海底声学参数； 根据测量声场和参数搜索区间， 使用基于机器学习的快速匹配场海底声学参数反演方 法估计全局最优参数。 2.根据权利要求1所述的一种基于机器学习的快速匹配场海底声学参数反演方法， 其 特征在于： 当发射信号频谱未知时， 步骤S2所述的目标函数使用阵元相干(phone ‑ coherent)目标函数， 以衡量拷贝 声场与测量声场的匹配度： 其中， m＝[m1 m2...mK]T表示K个海底声学参数组成的参数向量， ( ·)T和(·)H分别表示 转置和共轭转置， NF和NH分别是接收声场频率数和接收阵阵元数， 令dn(fi)表示第n个阵元 处频率为fi的测量声压值， 是NH个阵元在频率fi处的测量声 压向量， 令gn(fi,m)表示给定参数向量m， 第n个阵元处频率为fi的拷贝声压值， 是给定参数向量m， NH个阵元在频率fi处的拷贝权　利　要　求　书 1/2 页 2 CN 114280586 A 2声压向量。 3.根据权利要求1所述的一种基于机器学习的快速匹配场海底声学参数反演方法， 其 特征在于： 当阵元位置不确定性较大时， 步骤S2所述的目标函数使用对阵列形状失配不敏 感的频率相干(frequency ‑coherent)目标函数， 以衡量拷贝 声场与测量声场的匹配度： 其中， 是第n个阵元在NF个频率处的测量声压向量， 是给定参数向量m， 第n个阵元在NF个频率处的 拷贝声压向量。权　利　要　求　书 2/2 页 3 CN 114280586 A 3