肖旭 王同 王文博 苏林 马力 任群言

(1 中国科学院水声环境特性重点实验室 北京 100190)

(2 中国科学院声学研究所 北京 100190)

(3 中国科学院大学 北京 100049)

0 引言

声源被动测距作为声呐系统的重要功能之一，一直是水声工作者密切关注的问题[1]。由于水声观测信号受复杂的时、空、频变及强多途、高噪声和多普勒效应等因素影响，传统的匹配场处理方法往往面临计算量大和环境失配等问题。近年来，深度学习作为基于数据驱动方式的新兴分支，以其强大的特征提取能力和高效处理复杂、高维、非线性系统问题的独特优势[2]，为水声被动测距提供了一种新思路。

深度神经网络通过大量数据样本建立高维参数之间的复杂非线性映射，适用于物理建模困难的问题，引发了水声研究者的关注。Lefort等[3]通过水箱实验研究了机器学习算法在水声目标测距中的测距性能。Niu等[4]利用单水听器和残差卷积神经网络对声源进行定位。Wang等[5]提出了一种用于水下声源测距的深度迁移学习方法，将从仿真环境获得的预测能力迁移到实验海域。

水声接收信号包含声源和声信道的大量信息，其特征提取和构造是深度学习方法的关键环节。早期特征提取通常利用信号的自相关函数和功率谱估计，或采用时-频分析方法来提取一些时频联合域特征，如短时傅里叶变换(Short-time Fourier transform,STFT)、Wingner-Ville分布等。然而，无论是功率谱分析还是时频分析[6]，它们包含大量与声源位置不相关的信息或冗余信息，在形式上维数较大，一般无法直接应用于测距任务。……