来源：分析测试百科网

　　近年来，浅海声源定位，尤其是水下低频宽带声源的定位问题，受到了国内外研究者的广泛关注。匹配场等传统方法需要环境的先验知识对声场进行建模，而环境参数瞬息万变，往往不能准确获得，环境参数的这种不确定性会造成传统方法的定位性能不佳。

　　为了减少对环境先验知识的依赖，近日，中国科学院声学研究所语言声学与内容理解重点实验室博士生黄兆琼及其导师徐及等人提出了一种基于深度学习的水下目标定位新方法，为水下目标定位提供了新思路。相关研究成果5月16日在线发表于国际学术期刊The Journal of the Acoustical Society of America (JASA)第143卷。

　　研究人员提出两种深度神经网络框架，第一种采用前端特征提取加后端深度学习的策略，第二种采用卷积神经网络加前馈神经网络的框架，直接学习从时域信号到目标位置的映射关系，构成了新的基于深度学习的水下目标定位方法，并开展实验检测该方法在不同信噪比环境下以及环境失配条件下的性能。

　　信噪比环境实验结果表明，在不同信噪比环境下，该方法均表现良好，在较低信噪比条件下要明显优于传统匹配场方法。

　　环境失配实验结果表明，环境失配会对定位性能造成一些偏差，且基于深度学习方法得到的偏差规律与国内外已有的研究一致。为解决环境失配问题，研究人员采用不同环境数据联合训练的方法对偏差进行了有效校正。

　　实际条件下，获取供深度学习的数据量较难且花费巨大。为解决这个问题，研究人员采用仿真数据训练网络、实际数据开展测试的方法。测试结果表明在环境参数大体确定的条件下，深度学习方法可以摆脱对实际数据的依赖。

　　该研究获得国家自然科学基金(No.11590770)与中科院创新基金(No. CXQZ201701) 资助。