.png){kind=icon}
返回
Physics-informed machine learning for matched field source-range estimation
.png){kind=icon}
PRE
AI
DOI：10.1121/10.0041850.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
提出了一种基于匹配场处理（MFP）的海洋声源定位物理信息机器学习（ML）框架。物理信息神经网络（PINN）根据稀疏压力测量值和已知的声速剖面（SSP）预测复杂的声压场。这些由PINN预测的复制场被整合到MFP方案中，能够在不要求详细地声学底床参数的情况下实现高分辨率声源-接收器距离估计。利用Shallow Water Evaluation Cell Experiment 1996（SWellEx-96）实验数据进行验证，结果表明该方法能够实现准确的距离估计，包括在具有挑战性的最近接近点区域。该方法在从PINN训练中排除的阵列单元深度进行定位，以及在稀疏阵列配置和中等SSP失配条件下仍能保持性能。与传统的基于模型的MFP相比，该方法避免了完整的环境表征，并缓解了环境失配效应。与纯数据驱动的ML方法不同，它融入了控制波动物理，生成物理上一致的复制场，并提高了对训练中未使用的距离和阵列单元深度进行插值/外推的能力。这些结果突显了在现实、数据受限环境中，物理信息数据驱动方法在海洋声学定位中的优势。
Keyword:
ACOUSTIC SOURCE LOCALIZATION
NEURAL-NETWORK
BAYESIAN OPTIMIZATION
GEOACOUSTIC INVERSION
ARRAY
RECONSTRUCTION
VARIABILITY
FRAMEWORK
COHERENT
MODEL
期刊
J
IF:
2.3
论文数:
585
被引数:
5.1W
机构
引用论文
Label distribution-guided transfer learning for underwater source localization标签分布引导下的水下源定位迁移学习
PREAI
分享收藏Yoon, S.; Park, Y.; Gerstoft, P.; Seong, W. Predicting ocean pressure field with a physics-informed neural network. J. Acoust. Soc. Am. 2024, 155, 2037–2049. [Google Scholar] [CrossRef] [PubMed]Yoon, S.; Park, Y.; Gerstoft, P.; Seong, W. 使用物理信息神经网络预测海洋压力场。J. Acoust. Soc. Am. 2024, 155, 2037–2049. [Google Scholar] [CrossRef] [PubMed].png)
IF0
PREAI
分享收藏Bayesian coherent and incoherent matched-field localization and detection in the ocean海洋中贝叶斯相干与非相干匹配场定位与检测
PREAI
分享收藏Physics-Informed Neural Networks (PINNs) for Wave Propagation and Full Waveform Inversions用于波传播和全波形反转的物理通知神经网络 (PINNs)
OAAI
OAAI分享收藏Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations物理信息神经网络: 一种用于解决涉及非线性偏微分方程的正反问题的深度学习框架OAAI
OAAI分享收藏分享收藏Impact of data augmentation on supervised learning for a moving mid-frequency source数据增强对移动中频源监督学习的影响
OAAI
OAAI分享收藏
查看更多内容