基于物理的神经网络方法，用于利用到达时间进行二维水下声学定位

《IEEE Access》：Physics-Based Neural Network Approach for 2D Underwater Acoustic Positioning Using Time-of-Arrival

　　

摘要：

水下声学定位具有挑战性，因为环境变化和多路径传播会导致严重的定位误差。本文提出了一种基于物理原理、通过仿真驱动的前馈多层感知器框架，该框架将声速变化和多路径效应视为从多接收器到达时间（TOA）测量数据映射到二维距离-深度坐标过程中的有用信息，而非需要抑制的干扰因素。使用BELLHOP生成的TOA数据集，对108种不同的神经网络配置进行了基准测试，这些配置涵盖了隐藏层深度、神经元分配方式、激活模式以及三种训练算法。通过对训练成本与定位精度之间的权衡分析，并结合对误差鲁棒性的评估，发现优化器的选择对结果有显著影响：贝叶斯正则化在典型精度和鲁棒性之间实现了最佳平衡；Levenberg–Marquardt算法在某些配置下表现良好，但在不同架构变化下的效果不够一致；而缩放共轭梯度算法虽然训练时间显著缩短，但在较高误差范围内仍需付出更多努力。这些结果表明，在选择模型时应不仅考虑中位数定位精度，还需关注误差的分布特性。在测试条件下，采用贝叶斯正则化的最佳配置实现了约6.2米的平均二维定位误差，95%置信区间误差为约10.4米，相比最佳Levenberg–Marquardt模型（平均误差9.7米，95%置信区间误差15.7米）分别降低了36.1%和33.8%。相比之下，最佳缩放共轭梯度配置的平均二维误差仍超过300米。总体而言，贝叶斯正则化是评估配置集中最可靠的优化器。