《IEEE Journal of Oceanic Engineering》：Automatic Detection and Localization of an Unknown Number of Acoustic Sources Using a Network of Unsynchronized Hydrophones in a Dispersive Waveguide
编辑推荐：
在浅水波导中，对未知数量的低频脉冲声源进行定位是一个挑战。本研究针对非同步水听器网络，提出了一种能够自动进行数据关联、定位和剔除野值的方法。该方法利用时域卷积网络（TCN）从单传感器频谱图中检测频散信号并估计声源-接收器距离，并通过k-一致性和k-均匀超图聚类来处理多个来源的测量值。在模拟和基于2022年海底特征实验的真实数据测试中，该全自动流程的定位结果与人工处理相当，并能稳定识别多个声源。
在广阔的海洋中，声音是探测、导航和通信的关键载体。尤其是在相对较浅的海域，低频的爆炸或冲击信号在水下传播，其声波能量会以多种“模式”沿着水体传播。有趣的是，每种模式的声波在水中的传播速度会因其频率不同而略有变化，这种现象被称为“频散”。就像一道白光穿过三棱镜会分解成七色光谱一样，一个脉冲声信号在浅水波导中传播时，也会分解成多个具有不同到达时间的频散模态。更重要的是，这些模态在时频图（一种同时显示信号时间和频率特性的图谱）上的位置，与声源到接收器之间的距离密切相关。这听起来像是一个完美的定位线索：只要我们能在时频图上“看到”这些模态，理论上就能反推出声源的距离。
然而，现实远比理论复杂。科学家们通常会在海底布设多个水听器（水下麦克风）组成的阵列来监听这些信号。但为了降低成本和部署难度，这些水听器往往是“非同步”的，即它们没有统一、精确的时钟来标记每个声音到达的绝对时刻，只能各自记录相对的时间信息。这就带来了一个棘手的“拼图”难题：假设在某个区域，有不止一个未知的声源（比如多艘船只或多次水下事件）在发出低频脉冲，每个水听器都会记录到来自不同声源的、混杂在一起的频散信号。研究人员可以运用先进的方法（例如训练有素的人工智能模型）从每个水听器的数据中，分析出多个可能的“声源-接收器”距离估计值。但接下来，如何从这一大堆距离估计值中，自动判断出到底存在几个独立的声源？又如何能准确地将来自同一个声源、但被不同水听器测量到的距离“配对”在一起，从而计算出每个声源的精确位置？传统上，这个过程严重依赖研究人员的经验进行手动关联和筛选，既繁琐费时，又容易出错，在面对大量数据或多个声源时几乎不可行。
正是为了攻克这一自动化难题，一项研究应运而生，并发表在了海洋工程领域的权威期刊《IEEE Journal of Oceanic Engineering》上。该研究旨在开发一套完整的自动处理流程，能够利用非同步水听器网络接收到的信号，在未知声源数量的情况下，实现声源的自动检测、数据关联、精确定位以及无效测量值的剔除。
为了回答上述问题，研究人员设计并验证了一套创新的方法。该方法的核心分为两个主要阶段：首先是利用时域卷积网络（TCN, Temporal Convolutional Network）从单个水听器的时频谱（Spectrogram）中同时完成信号的自动检测和声源-接收器距离的初步估计。这个TCN模型是通过基于简正模理论（Normal Mode Theory）在不同声源和环境配置下模拟生成的大量信号进行训练的，使其能够识别真实的浅水频散信号特征。其次，面对来自多个水听器的、杂乱无章的距离估计值集合，研究人员提出了一种基于“k-一致性”检验和“k-均匀超图”（k-uniform hypergraph）聚类的数据关联与定位算法。该算法会枚举所有由k个传感器的距离测量值构成的组合，并进行内部一致性校验。如果一个组合中，任意k-1个测量值所估算出的声源位置，与剩下的那一个测量值之间的残差小于设定阈值，那么这整个k个测量值的集合就被标记为是“组-k一致”的，意味着它们很可能来自同一个声源。所有这样的“一致组”被表示为超图中的邻接节点，然后通过寻找图中的稠密子图（即联系紧密的节点群）来进行聚类。每个聚类就对应一个潜在的声源，聚类内的测量值被用于计算该声源的最终位置估计，而无法融入任何稠密聚类的孤立测量值则被当作野值（Outlier）剔除。
该研究通过系统的模拟和真实实验数据，全面验证了所提出自动化流程的有效性。
基于模拟数据的验证
研究首先在仿真的浅水波导环境中生成了包含单个和多个声源的测试场景。结果表明，训练好的时域卷积网络（TCN）能够以高精度从单个水听器的时频谱中检测出频散信号并估计其距离。更重要的是，后续的k-一致性及超图聚类算法能够成功地从混杂的测量值中分离出不同声源对应的数据，并准确计算出每个声源的位置。与人工进行数据关联和野值剔除的“金标准”相比，该自动流程的定位误差与之相当，证明了其处理能力的可靠性。
基于2022年海底特征实验（Seabed Characterization Experiment）数据的验证
为了证明其在实际环境中的适用性，研究团队使用了2022年海底特征实验中采集的真实数据对流程进行测试。该实验提供了真实的海洋环境和水听器阵列记录。将全自动处理流程应用于该数据集后，所得的声源定位结果与经过研究人员手动精心处理得到的结果具有高度可比性。自动化流程不仅能够复现手动分析确定的主要声源位置，还成功地、一致地识别出了数据中存在的多个声源，展现了其在处理复杂真实场景下的稳健性。
综上所述，这项研究提出并验证了一套从信号处理到源定位的完整自动化框架，用于解决非同步水听器网络在浅水波导中对未知数量声源的检测与定位难题。核心结论是：1） 结合了时域卷积网络（TCN）的信号检测与距离估计方法，能够有效处理单个传感器接收的频散信号；2） 基于k-一致性检验和k-均匀超图聚类的数据关联算法，能够自动、准确地将来自多个传感器的混乱距离测量值归类到各自的声源，并剔除异常值；3） 整个自动化流水线在模拟和真实实验数据（2022年海底特征实验）上的测试表明，其定位性能与费时费力的人工处理方式相当，并且具备稳定识别多个共存声源的能力。
这项研究的意义重大。它显著降低了对水下声源监测与分析的人力门槛和主观依赖性，使得对大规模、长期部署的非同步水听器阵列数据的自动化、近实时处理成为可能。这为海洋环境噪声监测、水下目标被动探测、地震或水下事件定位等应用提供了强大的工具。该方法框架具有灵活性，理论上可以扩展到更多传感器和更复杂的场景，为未来智能化的海洋声学传感网络奠定了基础。
