基于神经网络的海面噪声预测算法

陶　荣，詹　锋

(1.广西工商职业技术学院,广西 南宁 530008； 2.广西大学,广西 南宁530004)

基于神经网络的海面噪声预测算法

陶荣1，詹锋2

(1.广西工商职业技术学院,广西 南宁 530008； 2.广西大学,广西 南宁530004)

摘要：海面噪声是整个海洋噪声研究领域的重要组成部分，准确预测海面噪声对于船舶探测系统及水声系统性能至关重要。本文对影响海面噪声的信号源特性进行分析，通过统计学方法对噪声源的分布情况及噪声传播条件进行研究，分析传播中的射线原理对噪声的影响。最后利用神经网络算法对简正波模型进行改进，研究小角度范围内噪声场的密度函数，并发散至大广角范围，得到海面噪声以及噪声信道的统计特性函数，并进行了实验。

关键词：神经网络；简正波；海面噪声

0引言

随着海洋开发的持续深入，船舶及探测系统已越来越向纵深发展。海底探测现行主要技术是声呐探测，但是海洋环境噪声对声呐探测会造成一定干扰，所以对海洋噪声的研究成为海洋探测领域中很重要的课题，在对目标物进行探测定位时，首先需要了解目标物周围的噪声场统计特性。

现在已发展了多种海洋噪声预测模式对噪声的特性进行预测，如简正波模型、射线模型以及波束积分模型，这些模型都是基于噪声独立分布于海面上，并且没有考虑海水的折射反射影响。同时，经过多年的实验测量表明，海面噪声统计特性往往是深海噪声特性的Wenz曲线，所以海面噪声是整个海洋噪声研究的基础。

本文在分析海面噪声简正波模型以及射线理论的基础上，利用神经网络算法对小角度范围内噪声场进行研究，得到其密度函数，同时计算获得了海面噪声空间及强度的算术表达式。

1海面噪声数学模型分析

1.1　海面噪声的射线理论模型

假设海面噪声源在海面均匀分布，并且所有噪声源信号发射向下，如图1所示。

图1　海面噪声模型Fig.1　The sea surface noise model

图1假设噪声源信号以倾斜角度a角度向水下辐射，则其声压指向为：

D(a,φ)=0，a<0；

Eγ(a),a>0。

(1)

式中：a为噪声源与海平面的角度；γ(π/2)=1； E为噪声统计平均值。射线理论模型有如下假设：

1)假设噪声源在海面均匀分布，数量为N，δ=N(E2)为噪声源垂直于海面的噪声强度。

2)假设海面至海底为分层信道，声音在海水中速度为c(z)，海水密度恒定，海深为h，海面与海底反射强度分别为-Vs(as)和Vb(ab)e-iφ。

N个噪声源噪声辐射如图2所示。

图2　海面噪声声线图Fig.2　The line graph of sea surface noise

图2模型的海面噪声方向密度函数Nr(a,z)为：

Nr(a,z)=δγ2(as)exp(-2aL1)[1-V2exp(-2aL)sinas]>，a<0，

(2)

1.2　海面噪声场简正波模型

同样假设噪声源均匀发散在海面下一定深度的平面上，其分布如图3所示。

图3　海面噪声模型几何图Fig.3　The geometric figure of sea surface noise surface model

图3噪声源离海面深度为z=z′，信号接收器在(r,z)处的噪声场表达式为：

φ(r,z)=∫S(r′)g(r,r′,z,z′)d2r′。

(3)

式中：S为噪声源的统计量；(r,r′,z,z′)为格林表达式。

2基于简正波模型的实验数据分析

2.1　数据实验

本实验在东海海域测试了大量海面噪声数据：假设相邻噪声源信号经过相同信道的时序信号为x1(t),x2(t)， 按间隔ΔTi对信号截取，截取后分为n段，对其进行傅里叶变换，变换后的信号记为：

(4)

为了弱化海面噪声源随机统计特性及冲激函数对最后结果的影响，对n时间段归一化取均值，算式为：

(5)

图4分别给出了100 Hz广角范围内噪声场水平相关实验数据、简正波模型计算结果比较及100 Hz噪声波速的功率谱。

图4　实验噪声场水平相关与简正波模型计算结果比较Fig.4　Experimental measurement data compared with computing　result based on normal-mode

图4中，圆圈代表式(4)处理的精确实验记录的统计噪声水平相关数值与噪声源距离曲线图，实线代表利用简正波算数模型求得的噪声预报相关系统的结果，实验统计的噪声频率为100 Hz，噪声源水平间距为20 m。可以看出，实验实际的噪声水平相关系数与利用简正波模型预报得出的噪声场水平相关系数误差较大。本次计算的参数如下：海面至统计噪声源器件深度H1=30.5 m，噪声沉积面距离海面H2=25.5 m，H1处的密度为ρ1=1.83 g/cm2，H2处的密度为ρ2=1.95 g/cm2，沉积面的噪声传播的梯度分界c1=1 565.3 s/m，c1=1 653.3 s/m，沉积面及海面海底具有相同的信道衰减系数β1=β2=0.265(f/1000)1.96db/m。

在100 Hz噪声场波速角度与噪声功率谱的关系结果如图5所示。

图5　噪声场波速形成结果Fig.5　The wave form result of noise field

2.2　数据结果分析

首先，通过简正波数学模型计算的海底噪声传播速率、噪声信道的衰减参数、噪声功率以及噪声密度相关系数存在着较大的不确定性。如海底噪声传播速率在大角度海面环境以及高频噪声环境下，海底的噪声信道衰减系数会随之变大，从而在此环境中，引起的噪声场相关系数也随之变大。

其次，对实验噪声数据进行水平波速分析，如图5所示。用简正波模型进行计算时，在45°方向得到最大的噪声功率谱，之后随着角度的变大急剧衰减。

一般情况下，利用射线理论及简正波模型适合高频远场噪声源及小角度范围内的高频噪声源的噪声场密度。对于大角度范围的低频噪声信号有较大的漏辐射，具有一定的局限性。

3基于神经网络的海面噪声预测算法

3.1　算法模型

神经网络是一种模拟生物神经功能的算法模型，本文利用现流行的多层前传神经元网络对噪声模型进行预测。

多层前传神经元网络包含输入层、网络层以及输出层，中间的网络层又可以有多层结构。

(6)

f(x)=A/{1+exp[-B°x+θ]}。

(7)

式中：x为输入元素；θ为阀值；A和B分别为整个网络的幅度及斜率参数。

根据第1.2节描述的简正波模型，假设在(r,z)有一离散舰船，则其在位置(r1,z1)及(r2,z2)处的噪声场为：

φ(r1,z1)=∫S(r′)g(r,r′,z,z′)d2r′+S(r)g(r1,r,z1,z)，

(8)

φ(r2,z2)=∫S(r″)g(r2,r″,z2,z′)d2r″+Sr(r)g(r2,r,z2,z)。

(9)

(10)

则第k-1层的第i噪声场与第k层的第j噪声场的互谱密度如下：

(11)

把式(10)代入式(11)得到：

(12)

考虑到海面噪声功率密度函数可用均匀分布在海面及海底的噪声源密度函数与接受的离散船舶的声场密度函数的耦合相关表示，最后得到归一化后的第k-1层的第i噪声场与第k层的第j噪声场的互谱密度为：

(13)

3.2　基于神经网络模型海面噪声数据实验

100 Hz广角范围内的噪声场水平相关实验数据、基于神经网络的海面噪声预测模型计算结果比较及100 Hz噪声波速的功率谱如图6所示。

图6　实验噪声场水平相关与神经网络模型计算比较Fig.6　Experimental measurement data compared with computing　result based on neural net model

对比图(4)可看出，图6的预测结果更接近真实值。噪声场波速角度与噪声功率谱的关系结果如图7所示。

图7　噪声场波速形成结果Fig.7　The wave form result of noise field

4结语

在现代海洋探测领域中，对海面噪声及整个海洋环境噪声的精确预测是其关键，其对船舶的探测系统至关重要。本文首先分析噪声源的分布情况，随后研究了噪声预测的简正波模型、射线模型的原理，并在此基础上通过对简正波数学模型进行实验收集的噪声数据进行分析，与真实噪声进行了对比，分析了模型的利弊。

最后利用神经网络算法对现有的简正波预测模型进行了改进，通过神经自适应来修正预测的噪声场密度函数，最后通过实验数据进行预测，结果显示新的噪声预测模型更为精确。

参考文献：

[1]JENSON F B,KUPERMAN W A,PORTER M B,et al.Computational ocean acoustics[M].New York:AIP Press,1994：518-523.

[2]KUPERMAN W A,INGENITO F.Spatial correlation of surface generated noise in a stratified ocean[J].Acoust Soc Am,1980,67(6):1988-1996.

[3]HARRISON C H.Formulas for ambient noise level and coherence[J].Acoust Soc Am,1996,99(4):2055-2066.

[4]杜敬林,迟寿育,马忠成.基于矢量水听器浅海波导中海面噪声场的空间特性研究[J].舰船科学技术,2009,31(10):56-59.

DU Jing-lin,CHI Shou-yu,MA Zhong-cheng.Research on spatial character of surface noise in shallow sea based on vector sensor[J].Ship Science and Technology,2009,31(10):56-59.

[5]WATKINS L H.Environmental impact of roads and traffic[M].England:Applied Science Publishers,1981.

Research on the ocean ambient noise prediction based on neural net

TAO Rong1,ZHAN Feng2

(1.Guangxi Vocational College of Technology and Business,Nanning 530008,China；

2.Guangxi University,Nanning 530004,China)

Abstract：Sea surface noise is an important part of the whole ocean noise field, it's also important to the performance of ship detection system and underwater acoustic system. The paper study the propagation of noise through the statistical method, also study the normal-mode formula of the directional density function suitable model. At last, the normal-mode theory of surface-generated noise is developed based on neural net.

Key words：neural net; normal-model; sea surface noise

作者简介：陶荣( 1981 - ) ，女，硕士，讲师，主要研究方向为计算机技术。

收稿日期：2014-06-20； 修回日期： 2014-07-18

文章编号：1672-7649(2015)02-0172-04

doi：10.3404/j.issn.1672-7649.2015.02.038

中图分类号：TP391

文献标识码：A