海洋具有豐富的資源，不僅是人類賴以生存的物質(zhì)基礎(chǔ)，也是國際政治斗爭的重要舞臺。作為世界各國關(guān)注的重點(diǎn)區(qū)域，海洋具有重要的戰(zhàn)略地位和極大的經(jīng)濟(jì)價值。爭奪海洋資源、維護(hù)國家海洋權(quán)益、保護(hù)海洋環(huán)境、發(fā)展海洋科技已被世界各國列為重大發(fā)展戰(zhàn)略。

海洋觀測與探測是獲取海洋信息的重要手段，是海洋經(jīng)濟(jì)發(fā)展、環(huán)境保護(hù)、科技創(chuàng)新等活動的基礎(chǔ)。一直以來，海洋信息感知能力的缺乏是制約各國海洋科技發(fā)展的瓶頸。加強(qiáng)探測技術(shù)裝備研發(fā)，發(fā)展創(chuàng)新感知技術(shù)，建設(shè)海洋立體觀測體系，是發(fā)展“海洋強(qiáng)國”戰(zhàn)略、實(shí)現(xiàn)海洋科技創(chuàng)新的重要方向。

當(dāng)前，隨著世界各國海洋事業(yè)的迅猛發(fā)展，衛(wèi)星遙感、水下滑翔機(jī)（AUG）、水下自主航行器（AUV）、大型潛/浮標(biāo)等觀測技術(shù)和設(shè)備不斷更新，世界各國的海洋觀測網(wǎng)絡(luò)逐步完善。特別是歐美等發(fā)達(dá)國家，已建立起全球范圍的實(shí)時海洋觀測系統(tǒng)，如ARGO、GOOS、ONC、IOOS、OOI、EMSO、GTMBA等。其中，地轉(zhuǎn)海洋實(shí)時觀測陣（ARGO）實(shí)現(xiàn)了歷史上首個全球尺度的上層海洋水文要素的準(zhǔn)實(shí)時觀測。其測量數(shù)據(jù)的空間范圍和精度達(dá)到了空前的高度，為全球大洋溫鹽場研究提供了歷史性的難得機(jī)遇。另一個值得關(guān)注的是全球海洋觀測系統(tǒng)（GOOS）。它是由國際組織聯(lián)合發(fā)起的目前全球最大的、綜合性最強(qiáng)的海洋觀測系統(tǒng)，能為監(jiān)測氣候變化等研究提供全面高質(zhì)量的觀測資料。

相比發(fā)達(dá)國家，雖然我國的海洋觀測體系起步較晚，但依托國家高技術(shù)研究發(fā)展計劃（“863”計劃）、國家重點(diǎn)基礎(chǔ)研究發(fā)展計劃（“973”計劃），以及“十三五”國家重點(diǎn)研發(fā)計劃等重點(diǎn)計劃以及一系列專項(xiàng)，我國海洋工程與科學(xué)技術(shù)獲得快速發(fā)展。我國已基本掌握溫鹽深剖面儀（CTD）、聲學(xué)多普勒流速剖面儀（ADCP）、AUV、AUG等觀測設(shè)備研制的核心技術(shù)；布置了各類海洋浮標(biāo)、調(diào)查船、潛水器以及各類海洋觀測陣列等固定或移動的觀測平臺；發(fā)射了以可見光探測為主荷載的HY-1A、HY-1B等海洋水色衛(wèi)星。

目前，我國在南海和西太平洋等核心區(qū)域已經(jīng)初步構(gòu)建起完整的觀測體系。表1總結(jié)了我國主要的海底觀測網(wǎng)研究項(xiàng)目。圖1展示了浙江大學(xué)信號空間與信息系統(tǒng)研究所（信號所）“十三五”期間在國家重點(diǎn)研發(fā)計劃的支持下，牽頭研制的南海深海大規(guī)模聲學(xué)層析系統(tǒng)。

圖1 浙江大學(xué)牽頭研制的南海大規(guī)模聲學(xué)層析系統(tǒng)

該系統(tǒng)包含深海聲學(xué)層析潛標(biāo)、倒置式壓力回聲儀（PIES）、滑翔機(jī)等固定與移動節(jié)點(diǎn)，于西沙、中沙以東海域約100km×100km×3km立體區(qū)域內(nèi)開展聲速場的觀測與反演，進(jìn)行了1個月的應(yīng)用示范。圖2展示了浙大信號所“十三五”期間在國家重點(diǎn)研發(fā)計劃的支持下，研制的環(huán)境自適應(yīng)采樣、聲場–動力協(xié)同測量及聲學(xué)協(xié)同探測系統(tǒng)，包含8臺以上AUV與10臺以上滑翔機(jī)，觀測范圍超過10000km2，示范時間1個月以上。

表1 我國現(xiàn)有海底觀測網(wǎng) 圖2 浙江大學(xué)牽頭研制的無人無纜潛水器組網(wǎng)觀測、探測系統(tǒng)

上述觀測系統(tǒng)的建立，極大地提高了獲取海洋數(shù)據(jù)、感知海洋信息的能力。然而，整體而言，目前的觀測體系雖已初具規(guī)模，但存在著區(qū)域碎片化、信息單一化、時空分辨低質(zhì)化等問題。另一方面，當(dāng)前海洋立體觀測網(wǎng)的信號處理能力尚不能充分開發(fā)觀測數(shù)據(jù)的深層知識，支撐海洋環(huán)境的實(shí)時精準(zhǔn)模擬預(yù)報，因此亟需發(fā)展面向海洋立體–觀測感知體系的先進(jìn)信號處理理論與技術(shù)。

近年來，人工智能（AI）、機(jī)器學(xué)習(xí)（ML）的快速發(fā)展帶來了各個領(lǐng)域技術(shù)的革新。值得特別關(guān)注的是近期提出的科學(xué)人工智能（AIforScience），旨在用AI輔助解決不同領(lǐng)域的科學(xué)難題。例如，在材料和化學(xué)領(lǐng)域，研究人員利用AI技術(shù)預(yù)測候選材料的性能，從而加快新材料的研發(fā)速度，降低研發(fā)成本；在生物領(lǐng)域，深度學(xué)習(xí)（DL）輔助研究人員進(jìn)行蛋白質(zhì)結(jié)構(gòu)的預(yù)測，幫助開發(fā)全新的生物材料；在數(shù)學(xué)領(lǐng)域，Nature封面論文報道了深度強(qiáng)化學(xué)習(xí)方法（DRL）輔助發(fā)現(xiàn)降低矩陣乘法運(yùn)算次數(shù)的新方法，具有深遠(yuǎn)理論意義。

在海洋大數(shù)據(jù)以及AI發(fā)展的驅(qū)動下，人工智能與海洋立體觀測和探測的應(yīng)用交叉融通，為未來的數(shù)字海洋與水下攻防技術(shù)提供了新的研究方向與技術(shù)路徑。本文在梳理海洋立體觀測與探測經(jīng)典方法的基礎(chǔ)上，著重介紹了近年來新發(fā)展的AI輔助方法；通過討論和分析AI方法和傳統(tǒng)方法的優(yōu)缺點(diǎn)，指出發(fā)展AI輔助的海洋立體觀測與探測方法中亟需解決的關(guān)鍵科學(xué)問題及潛在的解決思路，并展望了該領(lǐng)域的發(fā)展方向。

一、人工智能輔助的立體觀測技術(shù)

海洋觀測是獲取海洋信息的第1步。如何基于已經(jīng)建立的觀測系統(tǒng)，實(shí)現(xiàn)對目標(biāo)區(qū)域海洋的高分辨、高準(zhǔn)確度信息的快速獲取，是很有挑戰(zhàn)的科學(xué)難題。針對海洋數(shù)據(jù)具有的空時變化特性，下面從空間和時間這2個角度來討論現(xiàn)有的海洋觀測技術(shù)。

⒈空間數(shù)據(jù)觀測

雖然目前的海洋觀測系統(tǒng)能夠獲取大量、準(zhǔn)實(shí)時的數(shù)據(jù)，但面對廣袤無垠的大海，測量數(shù)據(jù)依然十分稀疏，且測量的過程往往伴隨著一定的噪聲。如何根據(jù)有噪、稀疏的測量數(shù)據(jù)快速重建出整個空間的海洋物理場，是一個非常有挑戰(zhàn)的逆問題。下面根據(jù)使用的不同原理介紹不同的空間物理場重建方法。

⑴利用空間相關(guān)性重建

根據(jù)地理學(xué)第一定律，相似區(qū)域的數(shù)據(jù)在數(shù)值上通常很接近。利用這一特性，許多利用空間相關(guān)性的插值方法被提出。根據(jù)使用的不同原理，這些方法可以分為確定性插值和地統(tǒng)計插值。表2列舉了常用的空間插值方法。確定性插值方法通常假設(shè)未知點(diǎn)的值是觀測值的線性加權(quán)組合，通過求解線性方程組或由空間相關(guān)性求出加權(quán)系數(shù)。它的優(yōu)點(diǎn)是數(shù)學(xué)模型簡單，計算復(fù)雜度低，適合應(yīng)用于信噪比較高且側(cè)重重建速度的場景。在海洋工程學(xué)方面，KITSIOUS等人使用反距離權(quán)重插值對海洋中不同生態(tài)指數(shù)的空間分布進(jìn)行預(yù)測；RIDGWAY等人提出了一種基于局部加權(quán)最小二乘擬合的四維海洋插值方法，對不同海域的物理和化學(xué)參數(shù)進(jìn)行了估計。

表2 常用的空間插值方法

地統(tǒng)計插值的代表方法為克里金方法。與確定性插值類似，克里金方法也假設(shè)未知點(diǎn)的值是觀測值的線性加權(quán)組合；但不同的是，克里金方法的加權(quán)系數(shù)是基于空間統(tǒng)計學(xué)，結(jié)合優(yōu)化方法求得。具體而言，克里金方法假設(shè)物理場是二階平穩(wěn)的高斯過程，通過確保估計無偏且誤差的方差最小來確定加權(quán)系數(shù)。

理論分析表明，基于統(tǒng)計理論的克里金方法可以給出最佳線性無偏估計（BLUP），插值效果通常比確定性插值方法更好。另外，克里金方法給出的預(yù)測不確定性的定量描述也可以幫助下游任務(wù)的決策。但傳統(tǒng)的克里金方法也存在一些缺點(diǎn)：沒有考慮觀測噪聲，在信噪比低時效果較差；需要根據(jù)實(shí)際數(shù)據(jù)手動選擇合適的變異模型，且模型中的參數(shù)由最小二乘確定，容易被異常值影響；計算復(fù)雜度為立方階，不適合應(yīng)用于大規(guī)模的場景。

同樣，AI方法可以在一定程度上輔助解決傳統(tǒng)插值方法遇到的問題。從機(jī)器學(xué)習(xí)的角度，克里金可以看成是機(jī)器學(xué)習(xí)中的高斯過程回歸（GPR）的特殊形式。高斯過程回歸不僅建模了噪聲，而且建模空間相關(guān)性的核函數(shù)（KernelFunction）的參數(shù)可以通過最大化證據(jù)函數(shù)（EvidenceFunction）從數(shù)據(jù)中學(xué)習(xí)，因此性能比克里金方法更好，但計算復(fù)雜度一樣高。

CAVIEDES等人利用GPR進(jìn)行二維聲速場的重建并提出了一種具有物理意義的核函數(shù)，達(dá)到了比傳統(tǒng)基于線性回歸的重建方法更優(yōu)異的性能。近期也有一些工作通過近似方法降低了高斯過程回歸的計算復(fù)雜度，使其能在大規(guī)模的場景應(yīng)用。傳統(tǒng)插值方法中線性以及平穩(wěn)的假設(shè)在實(shí)際情況中不一定滿足，而深度學(xué)習(xí)具有良好的建模非線性的能力，因此近期有研究工作將深度學(xué)習(xí)和克里金方法結(jié)合起來，在某些情況取得了更好的效果。另外，LI與HEAP分析了影響各類空間插值方法性能的因素，研究了機(jī)器學(xué)習(xí)與傳統(tǒng)插值的結(jié)合方法，并為不同方法的應(yīng)用提供了建議。

總的來說，海洋空間物理場重建的關(guān)鍵在于尋找高表示力與高泛化力的數(shù)學(xué)模型以精準(zhǔn)刻畫立體區(qū)域內(nèi)的動態(tài)關(guān)系。未來的研究中，如何巧妙結(jié)合張量模型、高斯過程與神經(jīng)網(wǎng)絡(luò)分別在多維、數(shù)據(jù)自適應(yīng)與非線性建模的優(yōu)勢，探索最優(yōu)化的建模與重建，是重要的研究課題。

⑵利用表征模型重建

除了空間相關(guān)性，從歷史或者模式數(shù)據(jù)中學(xué)習(xí)到的規(guī)律也能幫助重建。具體而言，可以利用表征模型從歷史數(shù)據(jù)中學(xué)習(xí)出一組基函數(shù)，從而將重建問題轉(zhuǎn)化為求解基函數(shù)系數(shù)的問題。數(shù)學(xué)上，引入表征模型可以使待求參數(shù)的數(shù)量大大減少，從而降低了求解欠定的重建問題的難度。從貝葉斯的角度理解，學(xué)習(xí)出的基函數(shù)可以為重建問題提供一定的先驗(yàn)信息，從而減少需要從觀測數(shù)據(jù)中獲得的信息量，使問題求解更加容易。因此，解決重建問題可以從獲得良好的表征模型入手。

目前常用的表征學(xué)習(xí)方法為經(jīng)驗(yàn)正交函數(shù)（EOF）方法。該方法的基函數(shù)是從數(shù)據(jù)中學(xué)習(xí)得到，因此相比通用的傅里葉基或小波基等基函數(shù)能更好地表示和訓(xùn)練集具有相似性質(zhì)的數(shù)據(jù)，展現(xiàn)了數(shù)據(jù)驅(qū)動的表征學(xué)習(xí)方法的優(yōu)異性能。

從機(jī)器學(xué)習(xí)的角度，EOF方法和機(jī)器學(xué)習(xí)中的主成分分析（PCA）具有相同的理論性質(zhì)和數(shù)學(xué)表達(dá)。因此，可以進(jìn)行非線性降維的PCA的變種例如核PCA（KPCA）等方法理論上表征能力更強(qiáng)。另外，有研究人員引入計算機(jī)視覺領(lǐng)域的字典學(xué)習(xí)（DL）方法來表征聲速，相比EOF方法在相同重建誤差下需要的系數(shù)更少。

傳統(tǒng)的表征方法都假設(shè)數(shù)據(jù)是二維的，因此沒有考慮海洋數(shù)據(jù)多維度的相關(guān)性。針對海洋聲速場的多維特性，張量模型，作為向量/矩陣模型向多維表征的拓展，具有天然的建模優(yōu)勢。近期研究通過剖析經(jīng)典聲速表征基函數(shù)（如EOF等）的數(shù)學(xué)本質(zhì)，首次發(fā)現(xiàn)幾類經(jīng)典基函數(shù)的推導(dǎo)可以統(tǒng)一在張量分解模型的框架下。張量建模的統(tǒng)一視角在理論上解釋了幾類經(jīng)典基函數(shù)的作用機(jī)理與表征性能，并提供了更高性能的基函數(shù)學(xué)習(xí)框架。在此工作的啟發(fā)下，CHEN等人提出了三維聲速的張量字典學(xué)習(xí)方法，進(jìn)一步提升了表征性能；JI等人探討了機(jī)器學(xué)習(xí)中的基函數(shù)與海洋現(xiàn)象（中尺度渦）物理模型的關(guān)聯(lián)，并發(fā)展中尺度渦定制化的高性能表征模型。

盡管張量建模的可行性與優(yōu)越性得到了初步的驗(yàn)證，但是具有最優(yōu)表示力與環(huán)境自適應(yīng)的模型尚未開發(fā)。如何利用海洋數(shù)據(jù)多維的相關(guān)性，從現(xiàn)有表征模型中提取深層次的先驗(yàn)信息幫助重建，是未來重要的研究方向。

⒉時序數(shù)據(jù)觀測

目前應(yīng)用最廣泛的獲取大面積、長時序海洋數(shù)據(jù)的方法為數(shù)據(jù)同化（DA），下面介紹它的主要思想。從物理學(xué)的角度，海洋數(shù)據(jù)與海水的物理特性存在緊密的聯(lián)系，例如海水中的聲速是溫度、鹽度和深度的函數(shù)。而這些物理參數(shù)隨時間的變化規(guī)律符合海洋動力學(xué)，可以用偏微分方程（PDE）來描述。隨著超級計算機(jī)技術(shù)的不斷發(fā)展，數(shù)值模式逐漸成為研究海洋動力過程的重要工具。

給定合適的初始條件和邊界條件后，數(shù)值模式就能給出時空連續(xù)變化的海洋過程。然而，描述流體運(yùn)動規(guī)律的方程本身具有強(qiáng)非線性，初始條件和邊界條件的誤差會在模式運(yùn)行過程中不斷累積，導(dǎo)致最終模擬的結(jié)果與實(shí)際觀測產(chǎn)生較大的偏差。數(shù)據(jù)同化技術(shù)的核心思想就是將觀測數(shù)據(jù)與數(shù)值模式有效結(jié)合，以觀測數(shù)據(jù)校正模式誤差，使數(shù)值模式能夠更好地反應(yīng)實(shí)際海洋動力過程。現(xiàn)有的模式包括混合坐標(biāo)大洋環(huán)流模式（HYCOM）、有限體積海岸海洋模型（FVCOM）等，它們各自有適用的范圍和計算方法。

根據(jù)不同的原理，目前的數(shù)據(jù)同化方法大致可分為基于統(tǒng)計理論的統(tǒng)計方法和基于控制論的變分方法。表3總結(jié)了常見的數(shù)據(jù)同化方法。

表3 常見的數(shù)據(jù)同化方法

總的來說，數(shù)據(jù)同化方法可以引入領(lǐng)域知識（DomainKnowledge）先驗(yàn)，包括海洋動力學(xué)中的物理定律和從歷史數(shù)據(jù)中學(xué)習(xí)到的規(guī)律。因此同化方法具有直觀的物理含義，通常只需要少量的實(shí)測數(shù)據(jù)就可以完成對數(shù)值模型的校正。但是，由于海洋動力學(xué)中的物理學(xué)定律比較復(fù)雜，除極個別的情況，很難求得描述海洋運(yùn)動的流體力學(xué)偏微分方程的解析解。另外，統(tǒng)一、固定的動力學(xué)模型并不能較好地適應(yīng)實(shí)際情況中復(fù)雜多變的海洋環(huán)境，導(dǎo)致即使結(jié)合了實(shí)際觀測數(shù)據(jù)，模式預(yù)報的結(jié)果也可能存在較大的偏差。且由于受到觀測精度和計算能力的限制，模式預(yù)報給出的結(jié)果通常是低分辨的，難以滿足實(shí)際海戰(zhàn)的需求。例如，雖然HYCOM可以達(dá)到全球1/10°的分辨率，但在很多軍事應(yīng)用中分辨率要求達(dá)到1/100°，甚至更低。

數(shù)據(jù)同化方法遇到的問題在一定程度上可以用AI方法輔助解決。例如，深度學(xué)習(xí)方法可以估計和修正傳統(tǒng)同化方法的誤差。WASTON使用神經(jīng)網(wǎng)絡(luò)來估計Lorenz'96系統(tǒng)中的模型誤差趨勢，并依此糾正短期和長期預(yù)報的錯誤。修正后的模型在預(yù)報和建模氣候統(tǒng)計特性方面都有顯著改進(jìn)。

另一方面，神經(jīng)網(wǎng)絡(luò)可以高效求解偏微分方程，從而降低仿真物理場的計算量。TOMPSON等人提出了一種數(shù)據(jù)驅(qū)動的方法，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)（CNN）的近似能力和標(biāo)準(zhǔn)求解器的高精度來高效求解不可壓縮的歐拉方程。BRANDSTETTER等人基于神經(jīng)消息傳遞（MP）構(gòu)建了一個偏微分方程求解器，可以將有限差分法（FDM）、有限體積法（FVM）等傳統(tǒng)方法納入特殊情況，在類似流體的問題上展示出優(yōu)于部分最先進(jìn)的數(shù)值求解器的性能。

神經(jīng)網(wǎng)絡(luò)建模非線性相關(guān)性和學(xué)習(xí)序列數(shù)據(jù)特征的能力也能更好適應(yīng)實(shí)際中復(fù)雜多變的海洋環(huán)境。YU等人結(jié)合張量方法和循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN），提出了一類可以建模多變量非線性系統(tǒng)的模型，并在仿真數(shù)據(jù)和實(shí)際溫度數(shù)據(jù)上驗(yàn)證了方法的有效性。結(jié)果表明，該方法在長期數(shù)據(jù)預(yù)測任務(wù)上達(dá)到了比一般的RNN和長短期記憶人工神經(jīng)網(wǎng)絡(luò)（LSTM）更好的效果。

雖然深度學(xué)習(xí)模型具有上述的優(yōu)點(diǎn)，但也存在一些問題。例如，深度學(xué)習(xí)模型中的參數(shù)很多，需要大量的訓(xùn)練數(shù)據(jù)，且得到的結(jié)果沒有可解釋性，一般不符合物理規(guī)律，這也導(dǎo)致它們的泛化能力較差。因此，近期有許多研究人員試圖將傳統(tǒng)物理模型和AI方法的優(yōu)點(diǎn)結(jié)合，提出能嵌入物理先驗(yàn)信息的AI模型。WANG等人提出了一種基于神經(jīng)網(wǎng)絡(luò)模型的元學(xué)習(xí)（MetaLearning）方法。該方法先用編碼器提取與時間無關(guān)的隱特征，再用預(yù)測器結(jié)合提取到的特征和過去的狀態(tài)做出預(yù)測，在預(yù)報溫度、湍流等具有復(fù)雜非線性規(guī)律的數(shù)據(jù)中取得了良好的效果，且模型本身具有更好的泛化能力，一定程度上緩解了數(shù)值方法對環(huán)境信息的依賴。此外，也有學(xué)者嘗試用高斯過程來建模動態(tài)規(guī)律。

高斯過程方法不需要大量的數(shù)據(jù)，比深度學(xué)習(xí)模型具有更好的可解釋性，但建模與優(yōu)化更加困難。另外，目前很少有研究工作通過神經(jīng)網(wǎng)絡(luò)的時序建模反向揭示海洋時間演化過程的物理機(jī)理。這將是未來有趣的研究課題。

二、人工智能輔助的海洋探測技術(shù)

海洋立體觀測的一個重要目的是實(shí)現(xiàn)水下目標(biāo)的探測。由于電磁波在水下衰減較快，目前水下信息的傳遞主要依賴聲波這一載體。水聲目標(biāo)探測技術(shù)主要利用聲學(xué)的手段，通過接收目標(biāo)輻射噪聲或者散射回波，在一定范圍內(nèi)實(shí)現(xiàn)對目標(biāo)的檢測、識別、定位與跟蹤。水聲目標(biāo)探測技術(shù)是水聲信號處理與聲吶領(lǐng)域的重要研究方向，是環(huán)境感知、目標(biāo)監(jiān)測、資源勘探、情報收集等海洋應(yīng)用領(lǐng)域的核心技術(shù)之一，一直是國內(nèi)外研究學(xué)者重點(diǎn)關(guān)注的熱點(diǎn)問題。探測的過程一般包括：①根據(jù)接收信號檢測、識別目標(biāo)；②對目標(biāo)進(jìn)行定位，下面分別進(jìn)行討論。

⒈水下目標(biāo)檢測與識別

根據(jù)工作方式，水下目標(biāo)檢測與識別技術(shù)可以分為主動和被動2種。

⑴主動目標(biāo)檢測與識別技術(shù)

主動目標(biāo)檢測與識別是指通過在航行中不斷主動地發(fā)射聲吶信號并接收目標(biāo)的散射回波來實(shí)現(xiàn)目標(biāo)檢測與識別的技術(shù)。在執(zhí)行信號檢測與識別前，通常需要使用匹配濾波器（MF）濾除噪聲。然而，水下環(huán)境錯綜復(fù)雜，一些粗糙表面或其他能散射聲波的物質(zhì)也可能散射出與目標(biāo)信號相似的信號，即便使用匹配濾波器也難以去除。為了解決這個問題，傳統(tǒng)方法例如恒虛警率（CFAR）通過將接收到的信號強(qiáng)度與設(shè)置的閾值進(jìn)行比較來實(shí)現(xiàn)目標(biāo)的檢測與識別。然而，該算法的缺點(diǎn)是存在外界干擾時容易出現(xiàn)虛警或漏警，導(dǎo)致魯棒性差和識別率低。且設(shè)定閾值后也可能存在剩余多個目標(biāo)的情況，需要專家借助頻譜等信息進(jìn)行進(jìn)一步的人工識別。另外，由于受海洋水體介質(zhì)的非均勻性以及海洋獨(dú)特的動力特性的影響，水聲場呈現(xiàn)出復(fù)雜的時空隨機(jī)起伏、環(huán)境不確定、信道不確實(shí)、參數(shù)不確知等特點(diǎn)，傳統(tǒng)的主動目標(biāo)檢測與識別方法在水下很難取得較好的效果，難以滿足現(xiàn)實(shí)需求，亟待發(fā)展水聲目標(biāo)檢測與識別新概念、新原理、新方法。如何利用淺海信道、背景干擾和目標(biāo)信號特征，提高主動檢測與識別技術(shù)的穩(wěn)健性和準(zhǔn)確性是研究的重點(diǎn)。

近年來，深度學(xué)習(xí)等人工智能技術(shù)的快速發(fā)展，為主動檢測與識別技術(shù)智能化發(fā)展提供了契機(jī)。具體而言，深度學(xué)習(xí)能充分利用數(shù)據(jù)的結(jié)構(gòu)，從聲吶圖像中更好地提取非線性特征，從而實(shí)現(xiàn)更高的分類準(zhǔn)確率。GORMAN等人首次將多層感知機(jī)（MLP）應(yīng)用于水下目標(biāo)分類，取得了比人工識別和基于最鄰近分類器更好的效果。相比多層感知機(jī)，研究表明CNN在處理圖像數(shù)據(jù)時具有獨(dú)特的優(yōu)勢?；贑NN的水下目標(biāo)識別算法實(shí)現(xiàn)了較高的識別準(zhǔn)確度和可靠性。另外，還有學(xué)者在水下目標(biāo)檢測與識別任務(wù)中引入其他的深度學(xué)習(xí)模型。例如，SEOK等人利用多角度傳感信息，結(jié)合傅里葉變換和深度信念網(wǎng)絡(luò)（DBN），提出了一種可以利用三維高光分布的目標(biāo)原型的聲吶分類算法，并用實(shí)驗(yàn)證明了在用同樣特征提取方法時DBN比傳統(tǒng)的后向傳播（BP）網(wǎng)絡(luò)分類能力更好。TERAYAMA等人提出了一個基于生成對抗網(wǎng)絡(luò)（GAN）的逼真的圖像生成系統(tǒng)。該系統(tǒng)利用GAN學(xué)習(xí)聲吶和光學(xué)圖像之間的圖像到圖像的轉(zhuǎn)換，成功地從聲吶和夜間圖像生成逼真的白天圖像，幫助目標(biāo)識別。

然而，訓(xùn)練神經(jīng)網(wǎng)絡(luò)通常需要大量的帶標(biāo)記的數(shù)據(jù)，但這在實(shí)際中是難以獲得的。為了解決訓(xùn)練數(shù)據(jù)不足的問題，有許多學(xué)者從不同的角度給出了解決方法。例如，有學(xué)者嘗試?yán)蒙疃葘W(xué)習(xí)的方法結(jié)合仿真數(shù)據(jù)生成逼真的數(shù)據(jù)。LEE等人在訓(xùn)練圖像準(zhǔn)備階段引入一種端到端的圖像合成方法。該方法利用水下仿真器的深度相機(jī)中獲取的基礎(chǔ)圖像，結(jié)合神經(jīng)網(wǎng)絡(luò)綜合的水下噪聲特性生成用于訓(xùn)練的數(shù)據(jù)集。也有學(xué)者使用在其他數(shù)據(jù)集上預(yù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)，并結(jié)合少量實(shí)測數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行微調(diào)。

另外，使用不同的降維方法對原始數(shù)據(jù)進(jìn)行特征提取來降低輸入維度，從而降低網(wǎng)絡(luò)參數(shù)數(shù)量的方法也能緩解數(shù)據(jù)不足的問題，同時降低訓(xùn)練的難度。BYUN近期的研究工作探索了不同線性和非線性降維方法結(jié)合淺層神經(jīng)網(wǎng)絡(luò)在聲吶目標(biāo)分類任務(wù)的性能。BERNICE等人提出了一種基于二維Gabor小波的聲吶頻譜特征提取方法，并使用支持向量機(jī)（SVM）、隨機(jī)森林（RF）和神經(jīng)網(wǎng)絡(luò)3種常用的機(jī)器學(xué)習(xí)方法對提取的特征進(jìn)行分類，相比傳統(tǒng)方法具有更高的分類準(zhǔn)確性。

⑵被動目標(biāo)檢測與識別技術(shù)

雖然主動目標(biāo)檢測與識別技術(shù)可以獲得更高的機(jī)動性，但考慮到設(shè)備成本與環(huán)境保護(hù)，以噪聲檢測為手段的被動檢測與識別方式依然是重要的水聲目標(biāo)探測體制。被動目標(biāo)檢測與識別不主動發(fā)出聲吶等探測信號，而只依據(jù)目標(biāo)輻射的噪聲信號進(jìn)行目標(biāo)的分辨，具有隱蔽性高、探測距離遠(yuǎn)等優(yōu)點(diǎn)。隨著現(xiàn)代船舶工程技術(shù)的快速發(fā)展，現(xiàn)代艦船的輻射噪聲水平大幅降低，達(dá)到接近甚至低于海洋環(huán)境噪聲的水平。圖3展示了水下目標(biāo)噪聲性能的改善與目標(biāo)探測性能提高的關(guān)系趨勢。如何充分利用目標(biāo)信號在產(chǎn)生、傳播與接收過程的特征，排除環(huán)境噪聲的干擾，是被動目標(biāo)檢測與識別亟待解決的關(guān)鍵科學(xué)難題。

圖3 水下目標(biāo)噪聲性能的改善與目標(biāo)探測性能提高的關(guān)系趨勢

現(xiàn)有被動目標(biāo)檢測與識別技術(shù)主要利用目標(biāo)輻射噪聲特性對目標(biāo)進(jìn)行區(qū)分。常見的被動目標(biāo)檢測與識別方法包括基于噪聲能量積分的檢測法，低頻譜分析法（LOFAR）和基于噪聲包絡(luò)調(diào)制譜檢測法（DEMON）等。能量積分檢測常用于寬帶信號檢測，但該方法假設(shè)噪聲能量是已知的，這在實(shí)際中不一定總是能做到。LOFAR譜是由短時傅里葉變換（STFT）獲得的時–頻功率譜處理獲得，可以有效提取信號中的線譜分布特征。DEMON方法通過提取包絡(luò)譜得到目標(biāo)信息，具有提取特征穩(wěn)定、物理意義明確的優(yōu)點(diǎn)。然而，在降噪技術(shù)快速發(fā)展的背景下，這些傳統(tǒng)方法越來越難以區(qū)分環(huán)境噪聲和目標(biāo)輻射的噪聲，在信噪比較低時性能較差。

近年來，AI輔助的被動目標(biāo)檢測與識別成為一個活躍的研究課題。SHIN等人開發(fā)了一種目標(biāo)識別器，定義并利用了目標(biāo)信號的多方面特征，以提高目標(biāo)檢測的準(zhǔn)確性。在處理步驟上，作者首先將原始數(shù)據(jù)投影到合適的低維特征空間，然后找出與判斷目標(biāo)是否存在最相關(guān)的特征向量，最后將這些特征向量輸入包括神經(jīng)網(wǎng)絡(luò)在內(nèi)的機(jī)器學(xué)習(xí)算法進(jìn)行目標(biāo)識別。該方法在低信噪比情況下性能比傳統(tǒng)方法更好。WANG等人融合了從多個領(lǐng)域提取的特征來識別不同的海洋噪聲源，例如船舶噪聲、海洋哺乳動物的聲音和環(huán)境背景噪聲。他們的研究驗(yàn)證了Gammatone頻率倒譜系數(shù)（GFCC）比Mel頻率倒譜系數(shù)（MFCC）在海洋噪聲源分類任務(wù)中更具優(yōu)勢。此外，他們利用修改后的經(jīng)驗(yàn)?zāi)B(tài)分解來從時間序列信號中提取包含與復(fù)雜海洋噪聲源相關(guān)的各種信息的特征向量，并與GFCC融合作為深度神經(jīng)網(wǎng)絡(luò)的輸入向量。為了降低維度同時提升準(zhǔn)確率，高斯混合模型（GMM）被用來修改網(wǎng)絡(luò)的第1層以提取特征向量的統(tǒng)計特征。該方法與現(xiàn)有的通過使用簡單的分類器將MFCC與有限信息相結(jié)合的噪聲源分類方法相比，性能得到顯著提高。

⒉水下目標(biāo)定位

對目標(biāo)信號進(jìn)行檢測和分類，是獲取目標(biāo)位置的前提。下面從不同的角度介紹水下目標(biāo)定位的常用方法。

⑴波達(dá)方向估計

波達(dá)方向（DOA）問題廣泛存在于無線通信、雷達(dá)等領(lǐng)域，也是水下目標(biāo)探測的重要研究內(nèi)容之一。傳統(tǒng)DOA估計的代表方法包括多重信號分類法（MUSIC）和旋轉(zhuǎn)不變子空間（ESPIRT）。這些傳統(tǒng)方法在采樣率或信噪比較低時性能表現(xiàn)較差。實(shí)際上，DOA估計可以看成是從傳感器陣列獲得的稀疏采樣數(shù)據(jù)中重建信號的問題，因此可以用基于壓縮感知（CS）理論的方法解決。

近期，有許多研究提出基于壓縮感知的壓縮波束成形方法來解決DOA估計問題。它們相比傳統(tǒng)方法需要的觀測數(shù)據(jù)更少，且具有更高的分辨率，同時對噪聲有更強(qiáng)的魯棒性。然而，這些方法中權(quán)衡解的稀疏性和數(shù)據(jù)擬合程度的超參數(shù)需要根據(jù)具體的問題手動調(diào)整到合適的值。為了避免超參數(shù)的調(diào)整，有許多研究引入機(jī)器學(xué)習(xí)中的稀疏貝葉斯學(xué)習(xí)（SBL）方法。例如，GERSTOFT等人基于SBL提出了一種用于求解多測量向量（MMV）問題的方法，同時結(jié)合最大后驗(yàn)估計（MAP）獲得了高分辨的DOA估計。另外，GERSTOFT等人還討論了如何用SBL方法來估計非平穩(wěn)噪聲情況下的源信號、噪聲能量以及目標(biāo)DOA。

水下方位估計面臨的另一難點(diǎn)是如何對抗環(huán)境的不確實(shí)性。最近的研究工作通過魯棒機(jī)器學(xué)習(xí)與陣列信號處理的交叉研究，創(chuàng)新性地提出基于最小統(tǒng)計距離（如Bhattacharyya距離）的方位估計器，通過理論分析與海試驗(yàn)證說明其在魯棒性、分辨力與準(zhǔn)確度上的顯著優(yōu)勢。

⑵水下聲源定位

另一種水下目標(biāo)定位的方法為匹配場處理（MFP）。它根據(jù)在海洋波導(dǎo)中傳播的信號場定位目標(biāo)的范圍、深度和方位。得益于近年來聲傳播模型仿真能力的提升，MFP方法發(fā)展迅速。然而，該方法要求準(zhǔn)確的關(guān)于環(huán)境的先驗(yàn)信息，這在實(shí)際復(fù)雜多變的海洋環(huán)境中通常難以獲取。數(shù)據(jù)驅(qū)動的機(jī)器學(xué)習(xí)方法可以直接從觀測數(shù)據(jù)中學(xué)習(xí)特征，為解決這個問題提供了新的思路。

將機(jī)器學(xué)習(xí)方法應(yīng)用于水下聲源定位開始于20世紀(jì)90年代。最初的研究包括使用模擬或測量數(shù)據(jù)訓(xùn)練層數(shù)較少的前饋神經(jīng)網(wǎng)絡(luò)（FNN），來區(qū)分水下聲源的范圍和深度信息。隨著機(jī)器學(xué)習(xí)的發(fā)展和算力的提升，更復(fù)雜的數(shù)據(jù)和更先進(jìn)的方法被引入。NIU等人將海洋波導(dǎo)源定位看作監(jiān)督學(xué)習(xí)中的回歸以及分類問題，提出了用監(jiān)督學(xué)習(xí)來進(jìn)行目標(biāo)探測的方法，用深度前饋神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和隨機(jī)森林進(jìn)行水下目標(biāo)的定位。在此基礎(chǔ)上，WANG等人提出一種廣義的回歸神經(jīng)網(wǎng)絡(luò)，緩解了前饋神經(jīng)網(wǎng)絡(luò)對參數(shù)和網(wǎng)絡(luò)結(jié)構(gòu)敏感的問題，相比傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(luò)和匹配場處理具有更優(yōu)異的性能。

前面的方法可以判斷一個目標(biāo)信號是否存在于觀察到的信號中，而實(shí)際可能存在多個需要探測的目標(biāo)。針對多目標(biāo)探測的問題，LIU等人使用具有門控循環(huán)單元（GRU）的神經(jīng)網(wǎng)絡(luò)，提出了一種可以自動估計源目標(biāo)個數(shù)的多目標(biāo)探測方法。OZANICH等人針對源數(shù)量未知的DOA估計問題提出了一種基于非線性FNN的方法。他們將傳統(tǒng)波束形（CBF）重述為一個在參數(shù)空間的實(shí)值的線性逆問題，并用SVM或訓(xùn)練好的FNN求解，在更少的時間內(nèi)達(dá)到了和SBL方法相似的性能。

三、結(jié)束語

隨著海洋科技的不斷發(fā)展，世界各國獲取海洋數(shù)據(jù)的能力大幅提升，海洋信息領(lǐng)域逐步邁入大數(shù)據(jù)時代。

然而，傳統(tǒng)海洋信息處理技術(shù)無法充分利用觀測數(shù)據(jù)的深層知識，支持下游任務(wù)。如何面向日益先進(jìn)的海洋立體觀測體系，充分利用數(shù)量與質(zhì)量顯著提升的海洋觀測數(shù)據(jù)，邁向“數(shù)據(jù)與模型雙驅(qū)動”的海洋觀測與探測新范式，具有重要的研究意義。為實(shí)現(xiàn)這一目標(biāo)，AI的快速發(fā)展提供了新的研究思路。目前，AI輔助的海洋立體觀測和探測受到國內(nèi)外學(xué)者的廣泛關(guān)注，取得了一定的研究成果，但也存在一定的問題。

該領(lǐng)域的關(guān)鍵問題及其發(fā)展趨勢包括：

⑴當(dāng)前觀測體系獲取的數(shù)據(jù)在深海立體區(qū)域內(nèi)通常是稀疏、不確實(shí)的，且具有不同的分辨率。如何根據(jù)已有的觀測數(shù)據(jù)快速、準(zhǔn)確、高分辨地重建在時空上動態(tài)變化的海洋物理場，是海洋立體觀測亟待解決的關(guān)鍵問題。尋找高表示力與高泛化力的數(shù)學(xué)模型，結(jié)合海洋動力學(xué)的物理規(guī)律和從歷史或仿真數(shù)據(jù)中學(xué)習(xí)的深層知識，利用張量模型、高斯過程與神經(jīng)網(wǎng)絡(luò)等AI方法的優(yōu)勢，探索海洋物理場最優(yōu)建模理論與重建方法，是重要的研究方向。

⑵在水下環(huán)境復(fù)雜多變，艦船等目標(biāo)輻射噪聲逐年降低的背景下，如何從接收信號中準(zhǔn)確檢測和識別目標(biāo)信號一直是水下目標(biāo)探測的難點(diǎn)問題。深度學(xué)習(xí)方法可以建模復(fù)雜的非線性和動態(tài)特性，能有效提取目標(biāo)特征并進(jìn)行分類，是解決上述問題的有效方法。但深度學(xué)習(xí)方法需要大量的訓(xùn)練數(shù)據(jù)，且得到的解一般不符合物理規(guī)律。結(jié)合傳統(tǒng)方法和深度學(xué)習(xí)優(yōu)點(diǎn)，在深度學(xué)習(xí)模型中嵌入物理知識，是重要的研究課題。另外，在水下目標(biāo)探測中，有目標(biāo)的樣本量遠(yuǎn)小于沒有目標(biāo)的樣本量，造成了訓(xùn)練集的極度不平衡，探索非平衡小樣本數(shù)據(jù)集下高泛化能力的模型訓(xùn)練技術(shù)也是未來的重要研究內(nèi)容。

⑶當(dāng)前水下目標(biāo)定位方法通常需要準(zhǔn)確的關(guān)于環(huán)境的先驗(yàn)信息，但這在實(shí)際中通常是難以獲取的。如何克服對環(huán)境信息的依賴，同時對抗環(huán)境的不確定性和噪聲，是水下目標(biāo)定位的重點(diǎn)難題。一種可行方法是將傳統(tǒng)信號處理模型與魯棒的AI方法結(jié)合起來，從而提升定位的魯棒性和準(zhǔn)確性。
責(zé)任編輯：彭菁