对此，中科院声学所声场声信息国家重点实验室研究生刘一宁及其导师牛海强、李整林研究员提出了一种适用于失配海洋环境基于多任务学习（multi-task learning, MTL）的深海被动定位方法。该方法利用声传播模型生成训练样本，对一个多任务卷积神经网络（convolutional neural network, CNN）进行训练，实现了失配环境下单个网络对单个声源的距离和深度估计。
相关研究成果2020年8月在线发表于国际学术期刊 Journal of the Acoustical Society of America 。
这是一种基于多任务学习的深海被动定位方法，使用自适应的权重对距离、深度估计的误差进行加权。为了处理环境不确定性，研究人员在验证数据集中使用不同的环境参数。敏感性分析结果表明，相对于传统匹配场方法，该方法对阵列倾斜和海水深度失配更稳健。为了进一步缓解阵列倾斜的影响，他们在训练数据集中加入粗粒度不同的倾斜角度，仿真结果表明该方法对阵列倾斜十分稳健。
图1 不同方法对阵列倾斜的敏感性对比：（a）距离估计结果；（b）深度估计结果（图/中科院声学所）
研究人员利用2016年的一次海试实验数据对方法进行验证。他们对1~57 km范围内的486个声源进行定位，对比多任务学习的卷积网络和传统匹配场方法可以发现，在匹配场方法失效的距离区间，这种新方法仍然能准确地对声源进行定位，验证了该算法在环境失配条件下的有效性。
图2 多任务学习方法和匹配场方法的对比：（a）距离估计结果；（b）深度估计结果（图/中科院声学所）
仿真表明阵列倾斜是影响定位结果的主要因素。增加不同倾斜角度训练数据能进一步提高该方法对倾斜的稳健性。海试实验定位误差统计结果表明，92.8%的距离估计相对误差低于10%，86.2%的深度估计绝对误差低于20 m。
本研究得到了国家自然科学基金（No.11434012, No.11874061）资助。
关键词：
多任务学习；环境失配；深海环境；水下声源定位
参考文献：
LIU Yining, NIU Haiqiang, LI Zhenglin. Block sparse Bayesian learning for broadband mode extraction in shallow water from a vertical array.Journal of the Acoustical Society of America, vol. 148, no. 2, pp. 873-883, August 2020. DOI: 10.1121/10.0001762.
论文链接：
https://asa.scitation.org/doi/10.1121/10.0001762
