一种基于特征选择和并行残余神经网络的水下车辆辐射噪声的快速预测方法
Fang Ji1, Ziming Li1, Weijia Feng1
1China Ship Research and Development Academy, Beijing 100101, China.
Sensors (Basel, Switzerland)
|January 10, 2026
概括
这项研究介绍了ADE-PNN-ResNet,这是一种用于预测水下车辆辐射噪声 (URN) 的新型模型. 数据驱动的方法实现了高准确性和速度,为战舰隐形评估提供了一个实用的解决方案.
科学领域:
- 海军建筑和海洋工程
- 声学 声学 在声学方面
- 人工智能的人工智能
背景情况:
- 准确预测水下车辆辐射噪声 (URN) 对战舰隐形至关重要.
- 基于物理学的传统模型面临着复杂性和有限的预测能力的挑战.
研究的目的:
- 开发一个快速,高精度的数据驱动模型,用于URN预测.
- 克服传统建模方法在复杂性和精度方面的局限性.
主要方法:
- 拟议的ADE-PNN-ResNet模型将适应差异进化 (ADE) 与并行残余神经网络 (PNN-ResNet) 集成在一起.
- 使用ADE用于测量点和频段的联合特征选择策略.
- 构建了一个并行神经网络 (PNN),结合了辐射基函数神经网络 (RBFNN) 和多层感知器 (MLP),通过剩余连接进行级联.
主要成果:
- 在湖泊实验中,在96%的1/3八度频段 (100-2000 Hz) 中,实现了低于3dB的绝对预测误差.
- 预测推理时间仅为几秒钟.
- 通过缩放水下车辆的振动和噪声数据验证了模型.
结论:
- ADE-PNN-ResNet提供了一个可行的智能解决方案,用于工程应用中的快速URN预测.
- 该模型有效地平衡了预测准确性和计算效率.
- 与传统方法相比,这种数据驱动的框架显著降低了复杂性.
