基于少样本多任务学习的水下声速剖面反演实验研究
音频与语音处理
2025-03-31 v1 声音
摘要
水下声速剖面（SSP）分布对声信号的传播模式有很大影响，因此快速准确地估计 SSP 对构建水下观测系统至关重要。最先进的 SSP 反演方法包括匹配场处理（MFP）、压缩感知（CS）和前馈神经网络（FNN）框架，其中 FNN 在保持同等精度水平的同时展现出更好的实时性能。然而，FNN 的训练需要大量历史 SSP 样本，这在许多海域难以满足。这种情况称为少样本学习。为解决此问题，我们提出了一种多任务学习（MTL）模型，在不同训练任务间进行部分参数共享。通过 MTL 可提取公共特征，从而加速给定任务上的学习过程，减少对参考样本的需求，进而增强少样本学习中的泛化能力。为验证 MTL 的可行性与有效性，于 2023 年 4 月在南海举行了一次深海实验。结果表明，MTL 在 SSP 反演精度上优于最先进的方法，同时在反演阶段继承了 FNN 的实时优势。
引用
@article{arxiv.2310.11708,
title = {Experimental Results of Underwater Sound Speed Profile Inversion by Few-shot Multi-task Learning},
author = {Wei Huang and Fan Gao and Junting Wang and Hao Zhang},
journal= {arXiv preprint arXiv:2310.11708},
year = {2025}
}