技术领域
[0001] 本
发明涉及一种海洋温跃层特征参数寻优反演方法，尤其是一种基于声信号的海洋温跃层特征参数寻优反演方法。
背景技术
[0002] 海洋温跃层作为一种重要海洋环境现象，对于
气候变化、海洋渔业、
水下通讯以及潜艇活动都有重大的影响。利用常规传统方法获得温跃层信息具有耗时长、成本高的不足，于是利用声学方法获取海洋温跃层特征参数将成为了一种有效的方法。因此，有必要设计出一种基于声信号的海洋温跃层特征参数寻优反演方法，能够通过构建基于声信号的海洋温跃层参数寻优反演优化模型，并采用粒子群-遗传融合
算法进行求解，得到海洋温跃层特征参数。
发明内容
[0003] 本发明的目的在于：提供一种基于声信号的海洋温跃层特征参数寻优反演方法，能够通过构建基于声信号的海洋温跃层参数寻优反演优化模型，并采用粒子群-遗传融合算法进行求解，得到海洋温跃层特征参数。
[0004] 为了实现上述发明目的，本发明提供了一种基于声信号的海洋温跃层特征参数寻优反演方法，包括如下步骤：
[0005] 步骤1，获取海洋环境的
温度和
盐度的垂直剖面分布；
[0006] 步骤2，基于声反射原理构建声回波
预测模型，根据声回波预测模型获得声回波预测信号；
[0007] 步骤3，利用海洋环境的温度垂直剖面分布、盐度垂直剖面分布以及声回波预测信号构建温跃层特征参数反演模型；
[0008] 步骤4，对构建的温跃层特征参数反演模型进行求解，得到海洋温跃层的特征参数。
[0009] 进一步地，步骤1中，海洋环境的温度垂直剖面分布表示式为：
[0010]
[0011] 式(1)中，z为水深，αi为温度EOF系数，T0(z)为平均温度剖面，fi(z)为
特征向量。
[0012] 进一步地，平均温度剖面T0(z)的计算公式为：
[0013]
[0014] 式(2)中，N为温度剖面的个数，ti(z)为不同剖面的温度值。
[0015] 进一步地，特征向量fi(z)的计算过程为：
[0016] 首先通过得到温度剖面的距平值：
[0017] ΔTi(z)＝ti(z)-T0(z) (3)
[0018] 然后将距平值组成矩阵X：
[0019]
[0020] 再计算矩阵X的协方差矩阵S：
[0021] S＝XXT (5)
[0022] 再对协方差矩阵S做特征值分解得到特征值向量σ，则特征向量矩阵F有：
[0023] SF＝Fσ (6)
[0024] F＝[f1(z)，f2(z)，…，fN(z)] (7)
[0025] σ＝[σ1，σ2，…，σN] (8)
[0026] 最后对分解出的特征向量σ进行显著性检验，从而判断特征向量σ中的各个特征值是有物理意义信号还是噪音信号，检验公式为：
[0027]
[0028] 当式(9)成立，则特征值σk和σk+1是可分离的，再对特征值分解进行检验后，将特征值按从大到小的顺序进行排序，选取特征值较大的前m阶特征值对应的特征向量fi(z)。
[0029] 进一步地，海洋环境的盐度垂直剖面分布是根据T-S关系对盐度进行多项式拟合，拟合公式为：
[0030]
[0031] 式(10)中，z为水深，Pk为盐度EOF系数，T(z)为温度的垂直剖面温度值。
[0032] 进一步地，步骤2中，在根据声回波预测模型获得声回波预测信号时的具体步骤为：
[0033] 首先构建声回波预测模型为：
[0034] y(n)＝h(n)*x(n) (11)
[0035] 式(11)中，h(n)为
海水环境介质的冲激响应，即当入射信号为δ脉冲时所接收到的回波记录，冲激响应h(n)包含着海洋温跃层结构的特征信息，y(n)为接收到的声回波信号，x(n)为入射声信号，*表示卷积；
[0036] 然后再依据等时间厚度的分层介质模型，当
输入信号为冲激信号δ(t)时，各分层的冲激响应信号表示为：
[0037]
[0038] 式(12)中，f(0,0)＝1,f(n,0)＝1,f(n,n)＝r0rn，n≥1，ri为各分层的声反射系数，D(0)＝δ(t)为冲激信号，将计算得到的h(n)代入到式(11)便能得到声回波预测信号。
[0039] 进一步地，步骤3中，构建的温跃层特征参数反演模型为：
[0040]
[0041] 式(14)中，T(z),和S(z)分别为反演的温度和盐度两个要素，T(z),和S(z)均为水深z的函数，H为声回波信号的
采样个数，i为声回波信号采样的序列号，yi表示预测得到的声回波信号，为入射声信号与海水环境介质冲激响应的卷积，yi′表示实际测量获得的声回波信号。
[0042] 进一步地，步骤4中，对构建的温跃层特征参数反演模型进行求解时，利用粒子群-遗传融合算法对温跃层特征参数反演模型进行寻优
迭代求解，获得温度剖面参数和盐度剖面参数，再根据温度剖面参数和盐度剖面参数计算声速剖面参数为：
[0043] c＝1449.14+ΔcT+ΔcS+ΔcP+ΔcSTP (17)
[0044] 式中：
[0045] ΔcT＝4.5721T-4.4532×10-2T2-2.6045×10-4T3+7.985×10-6T4
[0046] ΔcS＝1.3980(S-35)+1.692×10-3(S-35)2
[0047] ΔcP＝1.60272×10-1P+1.0268×10-5P2+3.5216×10-9P3-3.3603×10-12P4[0048] ΔcSTP＝(S-35)(-1.1244×10-2T+7.7711×10-7T2+7.7016×10-5P-1.2943×10-7P2+3.1580×10-8PT+1.5790×10-9PT2)+P(-1.8607×10-4T+7.4812×10-6T2+4.5283×10-8T3)+P2(-2.5294×10-7T+1.8563×10-9T2)+P3(-1.9646×10-10T)
[0049] P＝1.033+1.028126×10-1Z+2.38×10-7Z2-6.8×10-17Z4
[0050] T为温度，单位为摄氏度；S为盐度，单位为‰；P为压强，单位维克/平方厘米；Z为深度，单位为米。
[0051] 本发明的有益效果在于：基于声回波信号实现了海洋温跃层特征参数高效率反演，有效解决了传统声学方法提取反演效率低的难题，为海洋温跃层的高效反演提供了一种有效的方法。
附图说明
[0053] 图2为本发明的反射回波原理示意图；
[0054] 图3为本发明的粒子-遗传动态并行融合算法流程图。
具体实施方式
[0055] 下面结合附图对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述
实施例。
[0056] 实施例1：
[0057] 如图1所示，本发明公开的基于声信号的海洋温跃层特征参数寻优反演方法，包括如下步骤：
[0058] 步骤1，获取海洋环境的温度和盐度的垂直剖面分布；
[0059] 步骤2，基于声反射原理构建声回波预测模型，根据声回波预测模型获得声回波预测信号；
[0060] 步骤3，利用海洋环境的温度垂直剖面分布、盐度垂直剖面分布以及声回波预测信号构建温跃层特征参数反演模型；
[0061] 步骤4，对构建的温跃层特征参数反演模型进行求解，得到海洋温跃层的特征参数。
[0062] 海洋中对
声波影响最大的是温度，其次是盐度。在通常的水声反演中，常常以声速为反演对象，而海水介质的基本参数是温度和盐度等，利用温度和盐度可以较为方便的派生计算出其他关心的物理量，因此可尽可能地将反演结果归结到海水介质本身的基本参数形式；同时，反演模型的未知数应该尽量地少，以提高反演的效率。基于这些考虑，在对海洋温度剖面和盐度剖面性质研究的
基础上，利用经验
正交函数法可以表征温度剖面及盐度剖面分布，因此，步骤1中，海洋环境的温度垂直剖面分布表示式为：
[0063]
[0064] 式(1)中，z为水深，αi为温度EOF系数，T0(z)为平均温度剖面，fi(z)为特征向量。
[0065] 进一步地，平均温度剖面T0(z)的计算公式为：
[0066]
[0067] 式(2)中，N为温度剖面的个数，ti(z)为不同剖面的温度值。
[0068] 进一步地，特征向量fi(z)的计算过程为：
[0069] 首先通过得到温度剖面的距平值：
[0070] ΔTi(z)＝ti(z)-T0(z) (3)
[0071] 然后将距平值组成矩阵X：
[0072]
[0073] 再计算矩阵X的协方差矩阵S：
[0074] S＝XXT (5)
[0075] 再对协方差矩阵S做特征值分解得到特征值向量σ，则特征向量矩阵F有：
[0076] SF＝Fσ (6)
[0077] F＝[f1(z)，f2(z),…，fN(z)] (7)
[0078] σ＝[σ1，σ2，…,σN] (8)
[0079] 最后对分解出的特征向量σ进行显著性检验，从而判断特征向量σ中的各个特征值是有物理意义信号还是噪音信号，检验公式为：
[0080]
[0081] 当式(9)成立，则特征值σk和σk+1是可分离的，特征值是有物理意义的，在对特征值分解进行检验后，将特征值按从大到小的顺序进行排序，选取特征值较大的前m阶特征值对应的特征向量fi(z)。
[0082] 进一步地，海洋环境的盐度垂直剖面分布是根据T-S关系对盐度进行多项式拟合，拟合公式为：
[0083]
[0084] 式(10)中，z为水深，Pk为盐度EOF系数，T(z)为温度的垂直剖面温度值。建立以温度和盐度为主要参数的海洋环境介质模型，通过实验分析，温度、盐度环境参数用七阶经验正交函数即可较为精确的描述温度、盐度的垂直分布。
[0085] 针对海水具有非均匀性的特点，于是借鉴分层介质模型，在小范围内可以将海水近似为分层介质模型，如图2所示，即认为海水介质水平方向上是均匀的，而在垂直方向上采用等时厚模型，将海水视为U个等时间层厚的细密平
面层，每一个层里的内部参数是相同的，即均匀层；而每层之间是突变的，在每个分层具有相同的传输时间Δt，而不是相同的空间厚度Δx。然而，这和实际介质是连续的情况存在一定的差异，如果将细密平面层厚度控制在入射波
波长的 那么分层介质的反射波特性和连续介质一致，如果分层数目U取得足够大，则等时厚分层和实际的海水剖面相接近。
[0086] 对一次探测而言，海水介质在时间尺度上的变动远小于空间尺度上的变化，因而，可以将海水介质当作一个线性时不变系统，海洋温跃层的反射回波可看作是入射声波和海洋环境参数的冲激响应的卷积。于是步骤2中，在根据声回波预测模型获得声回波预测信号时的具体步骤为：
[0087] 首先构建声回波预测模型为：
[0088] y(n)＝h(n)*x(n) (11)
[0089] 式(11)中，h(n)为海水环境介质的冲激响应，即当入射信号为δ脉冲时所接收到的回波记录，冲激响应h(n)包含着海洋温跃层结构的特征信息，y(n)为接收到的声回波信号，x(n)为入射声信号，*表示卷积；
[0090] 然后再依据等时间厚度的分层介质模型，当输入信号为冲激信号δ(t)时，各分层的冲激响应信号表示为：
[0091]
[0092] 式(12)中，f(0，0)＝1，f(n，0)＝1,f(n，n)＝r0rn,n≥1，ri为各分层的声反射系数，D(0)＝δ(t)为冲激信号，将计算得到的h(n)代入到式(11)便能得到声回波预测信号。
[0093] 由于声波在海水中传播主要受到温度、盐度等海洋环境参数的影响，本发明构建的海洋温跃层参数反演数学模型，反演对象以温度、盐度作为研究对象，其实质就是基于当模拟反演的声回波
模拟信号与测量场的声回波信号最接近时，可认为模拟的温跃层参数与实际测量场海洋温跃层参数最佳近似，因此，步骤3中，构建的温跃层特征参数反演模型为：
[0094]
[0095] 式(14)中，T(z),和S(z)分别为反演的温度和盐度两个要素，T(z),和S(z)均为水深z的函数，H为声回波信号的采样个数，i为声回波信号采样的序列号，yi表示预测得到的声回波信号，为入射声信号与海水环境介质冲激响应的卷积，yi′表示实际测量获得的声回波信号。
[0096] 进一步地，步骤4中，对构建的温跃层特征参数反演模型进行求解时，利用粒子群-遗传融合算法对温跃层特征参数反演模型进行寻优迭代求解，获得温度剖面参数和盐度剖面参数，再根据温度剖面参数和盐度剖面参数计算声速剖面参数为：
[0097] c＝1449.14+ΔcT+ΔcS+ΔcP+ΔcSTP (17)
[0098] 式中：
[0099] ΔcT＝4.5721T-4.4532×10-2T2-2.6045×10-4T3+7.985×10-6T4
[0100] ΔcS＝1.3980(S-35)+1.692×10-3(S-35)2
[0101] ΔcP＝1.60272×10-1P+1.0268×10-5P2+3.5216×10-9P3-3.3603×10-12P4[0102] ΔcSTP＝(S-35)(-1.1244×10-2T+7.7711×10-7T2+7.7016×10-5P-1.2943×10-7P2+3.1580×10-8PT+1.5790×10-9PT2)+P(-1.8607×10-4T+7.4812×10-6T2+4.5283×10-8T3)+P2(-2.5294×10-7T+1.8563×10-9T2)+P3(-1.9646×10-10T)
[0103] P＝1.033+1.028126×10-1Z+2.38×10-7Z2-6.8×10-17Z4
[0104] C为声速，单位为米/秒；T为温度，单位为摄氏度；S为盐度，单位为‰；P为压强，单位维克/平方厘米；Z为深度，单位为米。
[0105] 如图3所示，进一步地，粒子群-遗传融合算法的基本原理为：群体中的个体在每一次的寻优迭代程中，首先，利用排序选择法选出一定数目适应度值大的个体进行交叉操作产生下一代，然后，对交叉操作生成的子代按照一定的变异概率进行变异操作，得到子代的
位置和速度，同时，对于没有执行交叉操作的父个体仍然按照粒子群算法速度和位置更新公式生成下一代，并且两种操作方式中个体的最优位置和群体的最优位置共享。粒子群-遗传融合算法的执行步骤为：
[0106] 步骤(Ⅰ)，对群体规模、初始群体中个体的位置和速度、权重因子、最大速度、交叉概率、变异概率以及最大迭代次数进行初始化，初始群体中个体的位置和速度为随机产生的温度EOF系数和盐度EOF系数，初始化群体规模设为50，权重因子为1.0，最大速度为5.0，交叉概率为0.8，变异概率为0.05；
[0107] 步骤(Ⅱ)，根据式(14)计算出每一个个体的函数值，选取一个个体的当前函数值，并与历史最佳函数值进行比较，若当前函数值高于历史最佳函数值，则用当前函数值更新历史最佳函数值，反之，则保留历史最佳函数值；
[0108] 步骤(Ⅲ)，逐一将每一个个体的当前函数值与群体全局最佳位置的函数值进行比较，若当前函数值较高，则用当前函数值的位置来更新全局最佳位置，反之，则保留原来的全局最佳位置；
[0109] 步骤(Ⅳ)，根据函数值的大小对所有个体进行排序，选择最优的2M个个体进行交叉和变异运算；
[0110] 步骤(Ⅴ)，群体中除2M个个体以外的个体按照粒子群位置和速度更新公式进行更新；
[0111] 步骤(Ⅵ)，若满足最大迭代次数的终止条件，则寻优迭代结束，否则，返回步骤(Ⅱ)。
[0112] 进一步地，步骤(Ⅴ)中，进行交叉运算时，将个体适应度进行排序，得到排在前面的2M个个体，将2M个个体两两
配对，交叉运算的公式为：
[0113]
[0114] 式(15)中， 代表子代的速度和位置， 代表父代的速度和位置，k为迭代的次数，r为[0，1]之间的随机数，用符合高斯分布的随机数表示；
[0115] 步骤(Ⅴ)中，变异运算的公式为：
[0116]
[0117] 式(16)中， 代表子代的速度和位置， 代表父代的速度和位置，k为迭代的次数，Ci为[0，1]之间的随机数。
[0118] 如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附
权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上作出各种变化。
