《基于机器学习的冰上人为声源检测、分类、定位与跟踪》146页

近年来，北极声学一直是美国海军关注的问题。首年冰现在是北极地区冰层覆盖的主要因素，这改变了人们之前了解的声学特性。由于冰层每年都在融化，北极地区的人为源更为常见：军事演习、航运和旅游业。对于海军来说，探测、分类、定位和跟踪这些声源以对周围环境进行态势感知是很有意义的。由于声源在水上或冰上，声辐射传播距离较远，因此声学是探测、分类、定位和跟踪声源的方法。这些方法都是声导航和测距（SONAR）的一部分。

本文介绍了在不改变传感器或环境的情况下提高 SONAR 效果的算法，以及达到这一点的过程。重点是使用有监督的机器学习算法来促进这种技术改进。具体地说，神经网络分析了来自第一年、岸快、浅而窄的水域环境的标记实验数据。实验时间跨度为 2019 年至 2022 年三年，主要是在密歇根理工大学基威诺水道结冰的 1 月至 3 月期间进行的。所有实验都是为了分析一个被动声源；也就是说，该声源不合作，也不发送任何主动声纳定位信号。实验使用水下 PA 型声学矢量传感器（AVS）进行记录。数据和分析是间歇性进行的，以便对分析中发现的差异进行更新，从而创建一个更通用的算法。

本文的工作重点是无源 SONAR 的两个主题：定位和分类。由于机器学习的 "黑盒"性质，跟踪目标源是定位的延伸，在机器学习中被认为是相同的目标。为了介绍和验证测试环境的复杂性，演示了水下声学模拟，并提供了光线跟踪和测深数据，以便与机器学习中使用的实验结果进行比较。算法的重点是为实验产生最佳结果，并将结果与传统方法（如模拟或带有卡尔曼滤波器的线性高斯定位）进行比较。研究神经网络类型的实验表明，Vision Transformer（ViT）能产生出色的结果。ViT 能够分析声强方位频谱图（azigram）数据并高精度定位移动目标，还能利用声强幅值频谱图对多个声源进行高精度分类。