基于模型不确定性的数据驱动水下声源测距的联合源-环境自适应
声音
2025-10-14 v2 机器学习
音频与语音处理
信号处理
摘要
将预训练深度学习模型自适应到新的未知环境仍然是水下声学定位中的一个重大挑战。我们表明，尽管预训练模型的性能会因训练数据与测试数据之间的不匹配而下降，但它们通常在不匹配程度更大的环境中表现出更高的不确定性。此外，在存在环境不匹配的情况下，基于分类的定位方法的输出中可能出现伪峰，这启发我们定义并使用一种基于模型输出峰数量的方法来量化“隐含不确定性”。利用这种隐含不确定性的概念，我们将测试样本划分为更确定和较不确定的样本集，并实现了一种通过使用确定样本来改善不确定样本的标注，从而帮助自适应模型的方法。因此，通过这种高效的模型不确定性量化方法，我们展示了一种在测试时将预训练模型自适应到未见过的水下环境的创新方法。这消除了对目标环境标记数据或原始训练数据的需求。通过整合基于接收信号能量的独立估计，进一步增强了这种自适应能力。我们使用真实实验数据以及由模型生成信号与真实海洋噪声组成的合成数据，对该方法进行了广泛的验证。结果表明模型预测精度得到显著提升，凸显了该方法在多样化、嘈杂且未知环境中增强水下声学定位的潜力。
引用
@article{arxiv.2503.23258,
title = {Joint Source-Environment Adaptation of Data-Driven Underwater Acoustic Source Ranging Based on Model Uncertainty},
author = {Dariush Kari and Hari Vishnu and Andrew C. Singer},
journal= {arXiv preprint arXiv:2503.23258},
year = {2025}
}