设计用于复现自然回声的线迷宫以研究蝙蝠生物声纳功能

《Advanced Intelligent Systems》：Designing Wire Mazes for Replicating Natural Echoes to Study Bat Biosonar Function

　　

蝙蝠将生物声纳感知与敏捷扑翼飞行相结合，使其成为具身人工智能（embodied artificial intelligence）的有前景模型。在复杂自然栖息地中的详细研究仍然困难，因此采用诸如细线迷宫之类的实验室范式来实现受控观测。这些装置是否能再现自然杂波（clutter）的声学特性（包括与不同植被相关的独特回声特征）仍是一个开放问题。系统评估在计算上要求很高，因为生物声纳以高频工作并涉及许多散射体，传统数值求解器在此情况下变得不可行。本文提出一个经过验证的框架，该框架将高效物理建模与深度学习相结合以指导线迷宫设计。一个针对多圆柱体的加速多重散射模型（multiple scattering model, MSM）以大幅降低的成本提供宽带回声模拟。这些模拟训练一个卷积分类器（convolutional classifier），该分类器利用回声频谱图（spectrogram）测试不同线排列之间的声学可区分性。该分类器能可靠地区分随机线阵列，表明迷宫产生的是可重复的、结构化的回声特征，而非无信息噪声。由此产生的工具能够设计实验室线迷宫实验，以模拟自然生物声纳感知和机动场景，同时减少遮挡并支持对飞行和生物声纳行为的详细记录。

论文解读：基于多重散射模型与深度学习的线迷宫声学设计及其在蝙蝠生物声纳研究中的应用

一、研究背景与问题

蝙蝠的生物声纳系统展现出在茂密植被中导航和捕食的非凡能力，其发射的超声脉冲与叶片、枝条等多重散射体相互作用，产生由众多不可分辨散射体贡献构成的复杂杂波回声。这些杂波回声虽对目标检测构成挑战，但也为蝙蝠提供了环境信息（如通道定位、位置识别），因此理解蝙蝠如何利用杂波回声中的信息对自主导航研究具有重要意义。然而，受限于自然环境的复杂性和蝙蝠扑翼飞行的动态性，受控实验室研究成为获取高分辨率数据的主要手段。在现有实验室范式中，细尼龙线迷宫因其对视觉遮挡最小而被广泛使用，但一个关键问题悬而未决：线迷宫能否复现自然植被杂波回声的统计特性？自然杂波回声中的位置特异签名并非确定性模式，而是表现为统计不变量。若要证明线迷宫可作为自然环境的受控模拟体，需先验证其能否产生随机但携带有别统计不变量的杂波回声。此外，设计具有目标声学特性的线迷宫需评估大量线构型，但实验方法难以覆盖全部可能配置，而基于域的计算方法（如有限元法FEM、时域有限差分法FDTD）在处理高频波传播时计算资源消耗巨大。因此，亟需一种高效且准确的框架来系统评估线迷宫的声学特性。

二、研究内容与结论

针对上述问题，研究人员提出一个集成框架，将高效物理建模与深度学习分析相结合。该框架基于精确的圆柱散射解析解，建立多重散射模型（MSM），大幅降低计算成本，使生成足够大的数据集以支撑深度学习分析成为可能。通过该模型，研究人员系统评估了五种散射体分布类型（抖动方格、抖动六角格、泊松圆盘、非均匀随机、聚类分布）在不同密度下的回声可区分性，并将模拟回声与野外植被杂波记录进行统计比较。研究得出以下主要结论：MSM在20–80 kHz频带内与边界元法（BEM）基准的吻合度极高，相对误差约为0.006%，而独立散射近似（ISA）误差高达48%；刚性体近似在尼龙线散射场景下误差小于0.2%，验证了其适用性；基于MSM的时域重建信号与FEM、FDTD直接模拟结果高度一致（相关系数分别为0.98和0.91）；在计算效率上，MSM比BEM快约三个数量级（50个散射体时21.7秒对比2.4×10⁴秒），且不受域离散化限制；CNN分类器对不同散射体分布的识别准确率随散射体密度增加而单调提升（12个散射体时92.1%，44个时99.5%），其中方格、六角格和聚类分布达到近乎完美分类，主要混淆发生在泊松圆盘与非均匀随机分布之间；在添加10%和20%高斯噪声后，周期性格和聚类分布仍保持100%识别率，而泊松圆盘识别率降至81.3%；模拟信号与野外记录的时域包络概率分布之间的巴氏距离（BD）仅为0.0179，表明统计相似性极高。该研究为实验室线迷宫设计提供了定量工具，可优化实验条件以逼近自然生物声纳感知场景，论文发表于《Advanced Intelligent Systems》。

三、主要技术方法

研究人员采用的关键技术方法包括：（1）解析多重散射模型（MSM），基于二维声学Helmholtz方程和Graf加法定理，严格求解多圆柱散射体的耦合线性方程组，获得宽带频率响应；（2）基于卷积定理的频域到时域重建方法，利用逆傅里叶变换合成非线性调频（NLFM）脉冲激励下的时域回声；（3）短时傅里叶变换（STFT）生成频谱图，并采用轻量级卷积神经网络（CNN）进行特征提取与分类，辅以梯度加权类激活映射（Grad-CAM）解释分类依据；（4）采用五种空间分布模型模拟自然植被散射体布局，并对比野外记录（采集自婆罗洲文莱地区）验证统计相似性。样本数据集包含65,000个回声样本，按分布类型和密度划分，CNN在每种密度下独立训练。

四、研究结果

3.1 多重散射模型的准确性：MSM计算结果与BEM基准在20–80 kHz全频带内高度吻合，相对误差均值0.0062%，而ISA误差均值48.26%，表明MSM能精确捕捉散射体间相互作用，保留频谱精细结构。

3.2 刚性体近似的有效性：对空气中尼龙圆柱，刚性MSM与弹性BEM计算结果几乎完全重叠，所有频率相对误差小于0.2%，证实刚性近似在空气声学中因阻抗失配而足够精确。

3.3 时域回声重建保真度：MSM重建的时域信号与FEM、FDTD直接模拟结果波形高度相似，包络相关系数分别为0.98和0.91，验证了重建算法的准确性。

3.4 计算效率分析：在相同基准条件下，MSM运行时间随散射体数从0.2秒增至21.7秒，而BEM在50个散射体时需2.4×10⁴秒，FDTD和FEM分别约6.3×10³秒和2.36×10⁵秒，MSM优势显著。

3.5 散射体分布的声学可区分性：CNN分类准确率随散射体密度增加而提升，28个散射体时达97.7%，44个时达99.5%。混淆矩阵显示主要误差存在于泊松圆盘与非均匀随机分布之间，而结构性分布分类完美。Grad-CAM分析显示不同分布对应的时频激活区域不同，且对噪声具有鲁棒性。在替代NLFM信号条件下准确率仍达96.5%，表明可区分性主要取决于散射体排列而非特定信号。

3.6 与自然植被杂波的统计相似性：模拟信号（聚类分布，36个散射体）与野外实测信号的振幅包络概率密度分布高度重叠，巴氏距离为0.0179，表明线迷宫回声能复现自然杂波的一阶统计特征。

五、讨论与结论

讨论部分强调MSM在频域和时域均具有高精度，其与ISA的对比凸显了考虑多重散射的必要性。刚性体近似在提高计算效率的同时保持准确性，使大规模数据集生成成为可能。分类结果表明线迷宫能产生分布特异的时频模式，且密度增加会增强声学信息内容。混淆模式揭示了物理基础：泊松圆盘与非均匀随机分布共享相似局部统计特性，导致混淆。此外，模型对噪声的鲁棒性表明线迷宫声学签名足够独特，可在实际测量条件下可靠检测。研究结论部分指出，该工作验证了线迷宫系统能复现自然杂波的回声特性，同时生成可区分的签名，为生物声纳研究提供了定量工具，有助于优化实验室条件以增强生态效度，促进对蝙蝠导航和生物声纳感知的深入理解。未来研究需评估线迷宫能否复现自然杂波的其他统计特征。