利用声传播数据和无监督机器学习的海底沉积分类方法技术

本发明专利技术公开了一种利用声传播数据和无监督机器学习的海底沉积分类方法，涉及海底沉积分类技术领域，其技术方案要点是：包括以下步骤：步骤1：基于物理机制生成声场分布值；步骤2：生成训练数据集；步骤3：非监督机器学习分类，以获得不同沉积类型神经元；步骤4：获取最匹配神经元，求解声场分布的实测值与输出层的神经元间的Euclidean距离，将距离最小的输出层神经元确定为最匹配神经元，而最匹配神经元对应的沉积类型值即为对应的分类结果。本发明专利技术通过声学方法可以实现大面积即时的海底沉积分类，采用声传播数据，通过引入声传播的物理机制，解决了特定海洋环境下机器学习样本缺乏的问题，通过机器学习的应用提升了海底沉积物类型判断的精确度。

【技术实现步骤摘要】
利用声传播数据和无监督机器学习的海底沉积分类方法
本专利技术涉及海底沉积分类
，更具体地说，它涉及一种利用声传播数据和无监督机器学习的海底沉积分类方法。
技术介绍
海底沉积物类型是海洋工程作业重要的环境信息，对于水下声学探测尤其重要，是目标识别、声源定位、水下通讯等水声学应用必要的信息。对于沉积物分类的研究是海洋研究的基础课题，涉及地震学、沉积学、地质史、地貌学等多个学科。获得海洋沉积物类别的直接方法是通过海底采样，然后在实验室进行测试。海底采样通常采用的是重力取样，费时费力，当海底很硬时不容易获取样本。同时，样本在海水中受到冲刷容易失去原貌，也丧失了原来的压力温度条件，与实际有出入。最后，这种方法只能获得离散点位的资料，无法满足大范围连续海底资料的需求。声波作为唯一能在水下远距离传播的能量形式，基于声波的海底沉积分类方法具有不改变沉积原貌，可以连续大范围测量的特点，成为海底沉积探测的重要手段。通常情况下，声学类的海底沉积分类方法都是对声学回波的图像进行，而图像包含的是海深、地形、粗糙度、海底分层等多种信息，从中分离出海底的类型信息是非常困难的。近年来，机器学习被引入了海底沉积分类的应用，相关的方法被证实可以有效提升分类的效果，但是由于机器学习需要依赖大量样本进行训练，要获取各类沉积物在各类不同海况下的大量声学性质样本基本是不可能的，这降低了相关方法的有效性。现有技术中的方法主要包括以下三种：(一)海底直接采样方法。通常采用重力柱采样，但是缺点非常明显：首先，采样过程费时费力，当海底很硬时不容易获取样本；其次，样本在海水中受到冲刷容易失去原貌，也丧失了原来的压力温度条件，与实际有出入；最后，这种方法只能获得离散点位的资料，无法满足大范围连续海底资料的需求。(二)基于声学回波图像的图像处理方法。声学图像包含的是海深、地形、沉积粗糙度、海底分层等多种信息，从中分离出海底的类型信息是非常困难的，这类方法的结果极易受到其他因素的影响。(三)采用机器学习对声学回波图像进行处理。因为机器学习是需要大量的样本，而每次海上作业的海洋环境千差万别，要想针对作业海况获得大量的各类沉积数据的样本是非常困难的，这直接降低了这类方法的有效性。因此，本专利技术旨在设计一种利用声传播数据和无监督机器学习的海底沉积分类方法，以解决上述问题。
技术实现思路
本专利技术的目的是提供一种利用声传播数据和无监督机器学习的海底沉积分类方法，本专利技术通过声学方法可以实现大面积即时的海底沉积分类，采用声传播数据，通过引入声传播的物理机制，能够解决特定海洋环境下机器学习样本缺乏的问题，并通过机器学习的应用提升了海底沉积物类型判断的精确度。本专利技术的上述技术目的是通过以下技术方案得以实现的：一种利用声传播数据和无监督机器学习的海底沉积分类方法，具体包括以下步骤：步骤1：基于物理机制生成声场分布值，将作业海域的环境波导参数和典型沉积分类的声学参数输入计算模型，从而输出声场分布值，具体方法为：将所述的环境波导参数和典型沉积分类的声学参数输入简正波声场计算程序KRAKENC中，计算水听器接收到的声压分布，对应生成沉积物样本共900组的声场分布值；步骤2：生成训练数据集，在步骤1生成的900组声场分布值的样本基础上，加入零均值高斯白噪声，随机生成1000组叠加，此时的样本为900个沉积物样本，1000组白噪声，共生成900000组声场分布样本值；步骤3：非监督机器学习分类，利用自组织竞争型神经网络对步骤2中的声场分布样本值进行训练，生成神经网络拓扑结构，以获得不同沉积类型神经元；步骤4：获取最匹配神经元，求解声场分布的实测值与输出层的神经元间的Euclidean距离，将距离最小的输出层神经元确定为最匹配神经元，而最匹配神经元对应的沉积类型值即为对应的分类结果。进一步地，步骤1中所述的作业海域的环境波导参数为声传播所需要的除海底参数外的所有参数，且所述环境波导参数包括声速剖面、声源频率、源级、声源深度、传播距离和接收阵列的深度。进一步地，步骤1中所述的典型沉积分类的声学参数采用经典的Hamilton分类标准，且所述的典型沉积分类的声学参数包括9种沉积物的密度、声速和吸收系数。进一步地，步骤S3中所述的神经网络拓扑结构的输入层中将声压分布值、沉积厚度、沉积种类为一组向量Xn，共900000组向量，且所述神经网络拓扑结构的输出层设置为1000000个神经元。进一步地，步骤S4中声场分布的实测值存在多组现场声场分布实测数据时，通过计算对应的分类结果的比例，即为当前沉积对应类型沉积类型的概率。综上所述，本专利技术具有以下有益效果：本专利技术的优点：(1)本专利技术的方法中采用了声学方法，可以实现大面积即时的海底沉积分类，与现有技术中的采样方法相对比，本专利技术的方法便捷度高；(2)本专利技术的方法中采用声传播数据进行分类，通过引入声传播的物理机制，便于解决特定海洋环境下机器学习样本缺乏的问题，通过机器学习的应用提升了海底沉积物类型判断的效率和精度；(3)本专利技术的方法中，采用了无监督的机器学习的方法，运用自组织竞争型神经网络，便于发掘现场实测声传播数据与沉积类型间的内在联系，从而便于提升分类精度；(4)此外，在本专利技术的方法中，对声场的测量硬性要求不高，仅需通过获取足够信息量即可，因此本专利技术的方法的实施较为灵活。附图说明图1是本专利技术实施例中的流程图；图2是本专利技术实施例中的波导参数图；图3是本专利技术实施例中自组织竞争性神经网络的结构示意图。具体实施方式以下结合附图1-3对本专利技术作进一步详细说明。实施例：一种利用声传播数据和无监督机器学习的海底沉积分类方法，如图1所示，具体包括以下步骤：步骤1：基于物理机制生成声场分布值，将作业海域的环境波导参数和典型沉积分类的声学参数输入计算模型，从而输出声场分布值，具体方法为：将所述的环境波导参数和典型沉积分类的声学参数输入简正波声场计算程序KRAKENC中，计算水听器接收到的声压分布，对应生成沉积物样本共900组的声场分布值；步骤2：生成训练数据集，在步骤1生成的900组声场分布值的样本基础上，加入零均值高斯白噪声，随机生成1000组叠加，此时的样本为900个沉积物样本，1000组白噪声，共生成900000组声场分布样本值；步骤3：非监督机器学习分类，利用自组织竞争型神经网络对步骤2中的声场分布样本值进行训练，生成神经网络拓扑结构，以获得不同沉积类型神经元；步骤4：获取最匹配神经元，求解声场分布的实测值与输出层的神经元间的Euclidean距离，将距离最小的输出层神经元确定为最匹配神经元，而最匹配神经元对应的沉积类型值即为对应的分类结果。其中，步骤1中所述的作业海域的环境波导参数为声传播所需要的除海底参数外的所有参数，且所述环境波导参数包括声速剖面、声源频率、源级、声源深度、传播距离和接收阵列的深度。其中本文档来自技高网...

【技术保护点】
1.一种利用声传播数据和无监督机器学习的海底沉积分类方法，其特征是：具体包括以下步骤：/n步骤1：基于物理机制生成声场分布值，将作业海域的环境波导参数和典型沉积分类的声学参数输入计算模型，从而输出声场分布值，具体方法为：将所述的环境波导参数和典型沉积分类的声学参数输入简正波声场计算程序KRAKENC中，计算水听器接收到的声压分布，对应生成沉积物样本共900组的声场分布值；/n步骤2：生成训练数据集，在步骤1生成的900组声场分布值的样本基础上，加入零均值高斯白噪声，随机生成1000组叠加，此时的样本为900个沉积物样本，1000组白噪声，共生成900000组声场分布样本值；/n步骤3：非监督机器学习分类，利用自组织竞争型神经网络对步骤2中的声场分布样本值进行训练，生成神经网络拓扑结构，以获得不同沉积类型神经元；/n步骤4：获取最匹配神经元，求解声场分布的实测值与输出层的神经元间的Euclidean距离，将距离最小的输出层神经元确定为最匹配神经元，而最匹配神经元对应的沉积类型值即为对应的分类结果。/n

【技术特征摘要】
1.一种利用声传播数据和无监督机器学习的海底沉积分类方法，其特征是：具体包括以下步骤：
步骤1：基于物理机制生成声场分布值，将作业海域的环境波导参数和典型沉积分类的声学参数输入计算模型，从而输出声场分布值，具体方法为：将所述的环境波导参数和典型沉积分类的声学参数输入简正波声场计算程序KRAKENC中，计算水听器接收到的声压分布，对应生成沉积物样本共900组的声场分布值；
步骤2：生成训练数据集，在步骤1生成的900组声场分布值的样本基础上，加入零均值高斯白噪声，随机生成1000组叠加，此时的样本为900个沉积物样本，1000组白噪声，共生成900000组声场分布样本值；
步骤3：非监督机器学习分类，利用自组织竞争型神经网络对步骤2中的声场分布样本值进行训练，生成神经网络拓扑结构，以获得不同沉积类型神经元；
步骤4：获取最匹配神经元，求解声场分布的实测值与输出层的神经元间的Euclidean距离，将距离最小的输出层神经元确定为最匹配神经元，而最匹配神经元对应的沉积类型值即为对应的分类结果。


2.根据权利要求1所述的一种利用声传...

【专利技术属性】
技术研发人员：屈科，
申请(专利权)人：广东海洋大学，
类型：发明
国别省市：广东;44