科研之友
微信
新浪微博
Facebook
分享链接
摘要
利用序贯滤波对时变声速剖面进行反演追踪,通常会将声速剖面的时变特性描述为一阶随机游走过程。为了使状态方程更好的预测状态变量的走向,本文利用循环神经网络学习历史水文数据,对浅海环境下的时变声速剖面进行建模,利用集合卡尔曼滤波进行对声速剖面的反演,并对声源进行定位。结果相较于使用一阶随机游走过程的联合反演结果误差更小,在声源深度上均方根误差有着80%的降低,声速剖面反演结果误差有着38.2%的降低。本文通过实测声速剖面的仿真声学数据验证了该方法的可行性。
- 单位
利用序贯滤波对时变声速剖面进行反演追踪,通常会将声速剖面的时变特性描述为一阶随机游走过程。为了使状态方程更好的预测状态变量的走向,本文利用循环神经网络学习历史水文数据,对浅海环境下的时变声速剖面进行建模,利用集合卡尔曼滤波进行对声速剖面的反演,并对声源进行定位。结果相较于使用一阶随机游走过程的联合反演结果误差更小,在声源深度上均方根误差有着80%的降低,声速剖面反演结果误差有着38.2%的降低。本文通过实测声速剖面的仿真声学数据验证了该方法的可行性。
