.png){kind=icon}
返回
DL-SDE: A deep learning framework for source depth estimation in shallow water using vertical linear array
.png){kind=icon}
PRE
AI
DOI：10.1121/10.0039667.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
水下声学中，鲁棒且精确的声源深度估计仍然是一个重大挑战。这项工作的核心启示在于发现，由模式干涉产生的垂直线列阵交叉谱密度矩阵内的干涉结构，呈现出对声源深度敏感的多尺度局部和非均匀全局干涉模式。受此物理机制分析直接启发，提出了一种基于深度学习的声源深度估计（DL-SDE）框架。该框架整合了多尺度卷积模块，通过级联核（具有扩展感受野）捕获多尺度局部干涉模式，并引入残差多头自注意力模块以建模干涉场中的全局非均匀关系。数值模拟表明，与匹配场处理（MFP）相比，DL-SDE在环境失配条件下表现出显著更强的鲁棒性，且在100 Hz以上频率及阵列深度覆盖至少50%水柱时性能稳定。此外，显著性可视化验证了这些受物理指导的组件学习到的表征与多尺度干涉模式一致。在SACLANT 1993实验中验证了显著的性能提升，相较于MFP，均方误差减少了11.63 m，可信定位概率提高了71%。(c) 2025 Acoustical Society of America. https://doi.org/10.1121/10.0039667
Keyword:
CONVOLUTIONAL NEURAL-NETWORK
SOURCE LOCALIZATION
MATCHED-MODE
PERFORMANCE
RANGE
OCEAN
期刊
J
IF:
2.3
论文数:
585
被引数:
5.1W
机构
引用论文
Source localization by matching sound intensity with a vertical array in the deep ocean深海中利用垂直阵列匹配声强进行声源定位
OAAI
OAAI分享收藏Source depth estimation with feature matching using convolutional neural networks in shallow water基于卷积神经网络的特征匹配浅水环境声源深度估计
PREAI
分享收藏A feature-compressed multi-task learning U-Net for shallow-water source localization in the presence of internal waves.png)
APPLIED ACOUSTICS
APPLIED ACOUSTICSIF3.6
PREAI
分享收藏
查看更多内容