申请/专利权人：厦门大学

申请日：2023-12-28

公开（公告）日：2024-03-29

公开（公告）号：CN117784250A

主分类号：G01V1/38

分类号：G01V1/38;G06N3/0985;G06N3/0499;G06N3/084;G06F18/15;G06F18/2131

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.16#实质审查的生效;2024.03.29#公开

摘要：一种基于模型无关元学习算法的海底声学参数反演方法，涉及海底声学参数反演领域。为克服基于机器学习的海底声学参数反演方法面临的适应未知环境能力较差和泛化能力较弱等局限性，提供一种基于模型无关元学习算法的海底声学参数反演方法。该方法使用多层感知器神经网络作为基学习器，并在预处理的数据上进行基学习。采用模型无关元学习算法利用基学习阶段的结果进行元优化。通过迭代优化，算法可不断趋近最优初始化参数。引入MAML算法后的海底声学参数反演模型可动态调整模型初始化参数，实现模型在不同环境下更好的适应性；所构建的模型具有较好的反演性能；在海洋环境发生变化时，相较于传统的反演模型表现出更高的反演精度和更快训练速度。

主权项：1.一种基于模型无关元学习算法的海底声学参数反演方法，其特征在于包括以下步骤：1输入数据预处理：在浅水环境下，由声源发射出的声波会在海底与海面之间进行多次反射，接收器接收到的声波数据中携带大量的海底特性信息；这些声波数据经处理后作为海底声学参数反演算法的输入；假设海洋中有1个接收器，接收声源发出的声信号；对接收器接收到的时域数据进行快速傅里叶变换FFT后，得到接收器在不同频率下的复声压数据其中，fn表示所选定的第n个频率，表示该频率下的复声压；在实际海洋环境中获取数据时，不同频率下的源项可能不同，且多次实验时源项也不能保证完全相同；因此，在进行反演前需进行处理： 其中，复数Hfn表示接收器处在频率fn下的格林函数值Green’sFunction，对其取模，最终获得反演数据： 其中，H表示反演数据集，表示接收器处在频率fn下的格林函数值的模；从频率f1到fn，每隔固定频率间隔取一个数据点，一条反演数据H由n个数据点组成；2数据归一化：为便于模型的后续训练，步骤1中得到的反演数据使用下式进行归一化处理： 其中，表示归一化处理后的反演数据，minh、maxh分别表示反演数据的极小值与极大值；同时，用于训练的数据标签也会在进入神经网络前进行同样的归一化处理；3初始化超参数：对元训练集数量、元测试集数量、支持集数量NS和查询集数量NQ进行初始化；确定模型的基学习率α、元学习率β、基学习迭代次数kα和元学习迭代次数kβ；4建立神经网络结构：采用一个简单的多层感知器神经网络作为该基学习器，其网络结构由输入层、输出层和四层隐藏层组成；在输入层，输入长度设置为与反演数据大小相同的n；在隐藏层中，每一层由一个全连接层和一个ReLU激活函数层组成，各全连接层的神经元个数分别为α1，α2，α3，α4；同时，多层感知器的中间部分增加随机失活层，以防止过拟合现象的出现；由于将多层感知器作为回归模型，所以在多层感知器的输出部分设置一个没有激活函数的全连接层，该层的输出长度为1；5数据集划分：将生成的反演任务划分为元训练集Dtrain和元测试集Dtest；6使用Kaiming正态分布初始化基学习器的模型参数；7从元训练集Dtrain中随机抽取一项任务T，从中随机取出NS个样本作为该任务的支持集ST，剩余NQ个样本作为该任务的查询集QT，应满足NS＞NQ；8使用元训练集Dtrain中的支持集ST，利用基学习器进行基学习迭代训练，具体包括如下步骤：8.1前向传播计算：将单个训练样本输入多层感知器神经网络，从前向后逐步计算出每层神经元的值，最终由输出层输出训练样本的预测结果8.2计算损失：利用预测结果计算损失值，损失函数选用均方误差，即： 其中，是神经网络的输出，即海底声学反演参数估计值，ytr为反演参数的实际值，N0为反演参数的个数；8.3反向传播计算并更新权重：反向传播逐层计算基学习器模型参数关于损失函数的导数，使用批量梯度下降优化器进行网络参数迭代更新；8.4重复步骤8.1～步骤8.3，直至迭代次数达到kα；9使用元训练集Dtrain中的查询集QT，对训练出的神经网络进行测试并使用计算出的损失值进行元优化；元优化器采用Adam优化器，损失函数仍然使用均方误差；10重复步骤6～步骤9，直至迭代次数达到kβ；但每次迭代时，不再使用Kaiming正态分布初始化基学习器，而是使用上一次迭代时元学习器得到的初始模型参数进行基学习器模型参数初始化；迭代至最大迭代次数后，模型将得到近似最优初始化参数；11测试模型效果：利用测试集Dtest中的任务对训练好的模型进行测试；设置基学习率和基学习迭代次数与训练阶段相同；对测试集中每一任务，分别利用支持集进行微调，利用查询集进行测试，并对测试结果进行平均，作为最终的测试结果；微调过程同步骤7～步骤9，只是步骤9中计算出的损失值不再进行元优化；这一测试过程在元学习迭代的过程中多次进行，以便观察MAML模型在不同迭代阶段的效果。

全文数据：

权利要求：

百度查询： 厦门大学 一种基于模型无关元学习算法的海底声学参数反演方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD