动态多任务神经网络,用于端到端预测深海声传输损失
Yongxian Wang1, Zhao Sun1, Houwang Tu1
1College of Meteorology and Oceanography, National University of Defense Technology, Changsha 410073, China.
The Journal of the Acoustical Society of America
|February 17, 2026
概括
本研究引入了一个动态的多任务U-Net (DMT-UNet) 以有效地预测深海声传输损失. 该模型显著提高了水下声场建模的计算速度和准确性.
科学领域:
- 海洋学 海洋学 海洋学
- 声学 声学 在声学方面
- 人工智能的人工智能
背景情况:
- 准确预测深海声传输损失对于声纳和水下通信至关重要.
- 传统的数值模型在分析各种空间范围内的声场时,计算成本昂贵.
研究的目的:
- 开发一种新的深度学习模型,以高效准确地预测深海声传输损失.
- 为了解决与传统声场建模方法相关的高计算成本.
主要方法:
- 提出了一个动态的多任务U-Net (DMT-UNet) 神经网络,利用多任务学习框架.
- 该模型整合了源信息和声速配置文件,以提高环境适应性.
- 通过动态网络结构调整,在不同的计算范围实现了对声传输损失的端到端联合建模.
主要成果:
- 在模拟数据集上,DMT-UNet的平均平方误差约为1.6dB.
- 与传统的数值模型相比,计算效率提高了98.8%以上.
- 基于梯度的可视化展示了模型在重建声场分布中的可解释性.
结论:
- DMT-UNet为深海声学建模提供了高预测准确度和计算效率.
- 该模型与物理定律保持一致,并表现出强大的概括能力.
- 在复杂的深海环境中实现实时,多任务的声学建模.
