基于分层长短期记忆神经网络的未来全海域深层声速剖面预测
声音
2025-03-31 v1 音频与语音处理
信号处理
摘要
水下声速的时空分布影响水声信号的传播模式。因此，快速估计与预测水下声速分布对于提供水下定位、导航与授时（PNT）服务至关重要。当前，声速剖面（SSP）反演方法相较直接测量方法具有更快的时间响应率，然而多数 SSP 反演方法侧重于构建空间维度声速场，且高度依赖声呐观测数据，从而对观测数据源提出了高要求。为探索声速在时间维度上的分布规律并实现无声呐观测数据的未来 SSP 预测，我们提出了一种用于 SSP 预测的分层长短期记忆（H-LSTM）神经网络。通过我们的 SSP 预测方法，无需任何现场数据测量过程即可估计声速分布，从而大幅提升时间效率。通过与其它最先进方法比较，H-LSTM 在月平均声速分布预测上具备更优精度表现，在不同深度层误差小于 1 m/s。
引用
@article{arxiv.2311.09537,
title = {Future Full-Ocean Deep SSPs Prediction based on Hierarchical Long Short-Term Memory Neural Networks},
author = {Jiajun Lu and Hao Zhang and Pengfei Wu and Sijia Li and Wei Huang},
journal= {arXiv preprint arXiv:2311.09537},
year = {2025}
}
备注
arXiv admin note: text overlap with arXiv:2310.09522