利用系统感知神经网络结合基于集成的不确定性量化方法进行被动声纳频率估计

《IEEE Journal of Oceanic Engineering》：Passive Sonar Frequency Estimation Using System-Informed Neural Networks With Ensemble-Based Uncertainty Quantification

　　

摘要：

对于使用被动声纳系统的水下监视而言，准确且高分辨率的频率估计至关重要。最近，系统感知神经网络（SINNs）被引入以解决传统方法的局限性，这些网络提供了更好的泛化能力、更快的推理速度以及与系统模型一致的输出结果。先前的研究通过引入多次测量来扩展SINN，以利用这些测量结果之间的一致性，但某些频率分量仍然较弱或被噪声掩盖。在这项研究中，我们利用深度集成技术和不确定性量化（UQ）来提升SINN的性能，从而利用频率分量的时间连续性。多个SINN在不同的训练集上使用不同的初始化方式进行训练，对同一个测试样本产生多种预测结果。由此产生的UQ能够揭示与特定频率区间分量相关的预测不确定性。因此，我们将相邻的UQ在时间上进行统一处理，通过进一步抑制残余噪声来细化估计的频谱。仿真结果表明，尽管偶尔会丢失一些次要分量，但噪声抑制效果得到了改善。使用两种声学数据进行的现场评估证实，所提出的方案优于传统的SINN，并且接近稀疏恢复方法，在信噪比较低、探测距离较远的条件下能够更清晰地检测到主要分量，尽管这会导致次要分量的估计精度降低。