基于物理信息残差神经网络的磁性 wakes 信號下船舶长度估计
神经与进化计算
2025-04-29 v1
摘要
海洋遥感提升了海事侦察、环境监测及军事作战能力。船舶长度估计是该技术的关键组成部分，支持有效的船舶分类。本文提出一种创新方法，利用船舶产生的微弱磁性 wakes 信號，通过低复杂度的单次空中磁性传感器扫描获取一维剖面数据。该方法基于我们在真实有限深海洋环境下刻画的非线性积分方程，将磁性 wakes 关联至船舶长度。初始方案采用深度残差神经网络（DRNN）求解。然而，受限于训练数据量，DRNN难以精确学习参数间复杂关系。为此，我们引入物理信息残差神经网络（PIRNN），将物理公式直接嵌入损失函数，显著提升准确率与收敛速度。在传感器扫描角度小于（低于Kelvin极限角）的条件下，本文探讨了扫描角度、船速及水深等参数对船舶长度估计精度的影响。数值仿真结果表明，PIRNN方法在船长超过100m的船舶上，平均长度估计误差始终保持在5%以下；对于较短船舶，误差通常控制在10%以内。
引用
@article{arxiv.2504.19112,
title = {Vessel Length Estimation from Magnetic Wake Signature: A Physics-Informed Residual Neural Network Approach},
author = {Mohammad Amir Fallah and Mehdi Monemi and Matti Latva-aho},
journal= {arXiv preprint arXiv:2504.19112},
year = {2025}
}