基于RBF神经网络的声速剖面反演及软件实现

发布时间：2020-06-22 20:33

【摘要】：海水的声速剖面对水声信号的传播起决定作用,由于声速剖面随海水的动态变化而变化,及时准确的获取海水的声速剖面,对海洋的环境探测和监测、海洋水性的评价、海底资源的开采以及潜艇的定位、海底战力的部署等都有重要的意义。总之,声速剖面是水声学研究的重点之一。本文对海区声速剖面反演方法进行研究,分析了仅依据历史数据声速剖面反演方法的局限性。在已有的研究基础上,提出了一种基于RBF神经网络的声速剖面反演方法。该方法利用RBF神经网络算法的拟合性和局部响应特性映射海区表面温度、历史数据、海区稳定特征与实际声速剖面之间的非线性复杂关系。针对RBF神经网络学习算法中隐含层中心、宽度和输出权值确定的相互独立,同时容易陷入局部极小的缺点,采用遗传算法来优化RBF神经网络的三个参数,将这三个待确定参数作为一个整体统一编码,加强了 RBF隐含层和输出层的合作关系,得到全局最优参数的网络模型。针对遗传算法自身的缺陷,对遗传算法的交叉、变异和后代的产生进行了改进,保证了遗传算法的全局寻优能力。本文以我国南海某区域2006-2017年的Argo观测数据对模型进行仿真验证,对该海区声速剖面变化规律进行了分析和研究,获得了该区域内海水声速剖面呈稳定规律变化的特征,而实测数据表明海区声速剖面在此稳定特征上下波动。在此基础上,利用本文提出的GA-RBF反演方法,并结合海区表面实测温度和历史数据对模型进行仿真研究。以均方根误差值为评价指标,以该区域2016、2017年6月和12月数据进行测试,将本文方法与其他方法进行对比,得到本文方法的两年平均均方根误差值是AVG方法的26.93%,EOF方法的50%,BP方法的63.30%,未优化RBF方法的66.34%。仿真结果表明:基于GA-RBF网络模型并利用海区表面实测温度的反演结果更趋近实测声速剖面,该模型可用于海区垂直声速剖面的反演。利用RBF神经网络的拟合能力,学习能力,对非线性函数逼近能力,提高声速剖面实时反演的精度和适用范围。最后,本文以LabVIEW开发软件为平台,以SQL Server 2012数据库为依托,采用模块化设计思想,设计开发了可视化的声速剖面反演软件。软件界面友好、操作便捷,易于用户学习和使用,便于升级和维护。该软件的开发可作为水声信号处理的基础研究工具,所得到的反演数据可作为水声信号处理算法模型的输入参数,具有十分重要的工程应用价值。
【学位授予单位】：湘潭大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP183;O427
【图文】：

第二章声速剖面反演逡逑声信号是海水中信息传递的主要信号，其在海水中传播的方式受海水环境数的影响很大，其中受海水声速剖面的影响最大。在获取海水声速剖面时，快性和准确性是非常重要的。由于直接测量方法在获取大面积声速剖面时存在许的缺陷，目前一般通过反演的方法获得声速剖面。本章主要介绍声速剖面反演基础和声速剖面反演方法。逡逑２．１声速剖面反演基础逡逑２．１．１典型声速剖面逡逑声速剖面是指海水的深度为自变量，以声信号传播速度作为应变量的函数系。典型的声速剖面由表面层、主跃层和深海等温层构成［３４］。典型声速剖面如２．１所示。逡逑ｖ／ｍ邋？邋ｓ邋１逡逑

逑和使用的海区要求内，才能保证计算结果的准确性。国标公式是由Ｍａｃｋｅｎｚｉｅ公逡逑式得来，二者计算结果如图２．２所示。逡逑0逦Ｉ逦Ｉ逦Ｉ逦Ｉ逦Ｉ逦＇ｉ逡逑５００邋－逦／逦－国ｔｉ、公式逡逑／ｙ逦—Ｍａｃｋｅｎｚｉｅ邋公式逡逑Ｉ逦／逡逑１邋000邋－（；逡逑Ｉ逡逑１逦５００邋Ｖ逡逑＼逡逑２邋０００１逦＾逦一邋Ｊ逦１逦Ｌ逦邋１逦逡逑１邋４８０逦１邋４９０逦１邋５００逦１邋５１０逦１邋５２０逦１邋５３０逦１邋５４０逡逑ｖ／ｍｓ＇１逡逑图２．邋２国标公式和Ｍａｃｋｅｎｚｉｅ公式计算声速剖面对比逡逑２．１．３声速剖面反演数据来源逡逑声速剖面反演是基于历史声速剖面数据进行的，用于反演的历史数据主要是逡逑由Ａｒｇｏ观测网络提供。该观测网络是地转海洋学实时观测阵的缩写［３９］，其全球逡逑分布如图２．３所示。该观测网络是由美国联合其他几个国家在１９９８年发起的全球逡逑海洋观测项目，它计划在２０００到２００３年在全球海洋上以每隔３００公里的距离，逡逑放置一个观测浮标，该浮标可以和卫星通信，利用卫星对其进行跟踪。在全球总逡逑共投放约３０００个这种浮标，建、＇Ｚ：—个全球性的海洋环境参数观测Ｎ络。每个浮标逡逑设计的使用券命大约是５年左右，可以Ｍ过沉浮测

本文编号：2726206