本發(fā)明屬于海洋信息處理，具體涉及基于多層感知器的海底沉積物參數(shù)反演方法。

背景技術：

1、聲波在海洋中能夠遠距離傳輸，海洋聲場計算能夠應用于海洋科學研究、信息傳輸、海洋工程建設領域，海底是海洋聲場的重要邊界，海底對海洋聲場傳播具有重要的影響，因此了解海底沉積層參數(shù)對于研究海洋聲場的傳播至關重要。傳統(tǒng)的沉積物參數(shù)獲取方式是進行原位測量和進行沉積物取樣，隨著聲吶技術的發(fā)展，人們發(fā)現(xiàn)海洋混響攜帶了大量的海底信息，利用沉積物聲散射進行沉積物參數(shù)的間接測量逐漸發(fā)展起來。傳統(tǒng)的沉積物參數(shù)測量方法存在以下缺點：

2、(1)取樣測量擾動：海底沉積物地聲參數(shù)取樣測量一般采用取樣設備獲取一定長度的海底沉積物樣本，之后轉移到實驗室進行測量，但是由于沉積物多為多孔結構，在取樣、運輸及測試的過程中，難以避免對沉積物內部結構的擾動影響測量結果。

3、(2)人力物力耗費大：進行取樣測量需要在目標海區(qū)進行現(xiàn)場試驗，雖然大部分取樣設備操作簡單，但是取樣過程對人力物力耗費較大。

4、(3)難以大范圍測量：海底環(huán)境變化大，無論是取樣測量還是原位測量只能針對較小范圍的海底進行沉積物參數(shù)分析，無法進行較大聲場的獲取。

5、(4)泛化能力不足：傳統(tǒng)的沉積物參數(shù)反演算法的泛化能力弱，難以針對復雜海底和多層海底情況進行反演。

技術實現(xiàn)思路

1、為了彌補現(xiàn)有技術的不足，本發(fā)明目的在于提供基于多層感知器的海底沉積物參數(shù)反演方法，以解決傳統(tǒng)的沉積物參數(shù)測量方法中存在的問題。

2、所述的基于多層感知器的海底沉積物參數(shù)反演方法，所述方法包括以下步驟：

3、s1.建立近似流體密度模型計算沉積物聲衰減系數(shù)和聲速；

4、s2.通過小斜率近似和流體微擾近似計算海底粗糙度散射和體積散射建立后向散射正演模型，得到后向散射強度；

5、s3.根據(jù)后向散射強度對沉積物的地聲參數(shù)與物性參數(shù)進行反演，得到十個待反演沉積物物性參數(shù)，分別為：平均顆粒粒度φ、分數(shù)孔隙度β、顆粒與孔隙水質量密度比ρr、孔隙水體積彈性模量比kr、粗糙度譜指數(shù)γ2、粗糙度譜強度ω2、體積譜指數(shù)γ3、體積譜強度ω3、相關長度lc、壓縮率起伏比μ，得到后向散射強度數(shù)據(jù)；

6、s4.基于后向散射正演模型建立多層感知器神經(jīng)網(wǎng)絡反演模型；

7、s5.將獲取的后向散射數(shù)據(jù)作為輸入層，使用建立好的多層感知器神經(jīng)網(wǎng)絡反演模型反演實驗區(qū)域的沉積層參數(shù)。

8、進一步地，所述步驟s1中，近似流體理論是通過對biot理論的參數(shù)進行簡化，得到等效流體模量keff：

9、

10、其中，kg，kf和kw分別為沉積物的體積模量，固體骨架的體積模量和孔隙水的體積模量，β為孔隙度，將該模量通過biot理論波動方程求解，得到等效密度ρeff表達式為：

11、

12、縱波速度c1的表達式為：

13、

14、則縱波復波數(shù)k1為：

15、

16、實參數(shù)為能量損失參數(shù)，利用能量損失參數(shù)可以計算出聲衰減系數(shù)α，

17、

18、聲衰減系數(shù)以db/m為單位，其中vp為沉積物聲速與海水聲速比，cw為海水中聲速。

19、進一步地，所述步驟s2中，根據(jù)jackson后向散射模型，以db/m為單位的后向散射強度計算如下式：

20、sb(θ)＝10lgσ

21、將后向散射分為海底表面起伏造成的粗糙度散射和體積散射兩部分，即粗糙度散射截面σr與體積散射截面σv，故后向散射公式可寫為：

22、sb(θ)＝10lg(σr+σv)

23、小粗糙度微擾近似的散射截面表達式：

24、

25、kirchhoff近似中散射截面的表達式為：

26、

27、小斜率近似的散射截面為：

28、

29、其中，

30、

31、ω為角頻率，c為海水中聲速，ω＝2πf；

32、aww＝1/2[1+vww(θi)][1+vww(θs)]g

33、

34、其中，vp為聲速比，δp為能量衰減系數(shù)；

35、

36、ap為復速度比，計算方法為

37、其中，ik求解為：

38、

39、此外，vww可以通過下式求解

40、

41、其中，θp為透射掠射角，通過snell定律可以得出：

42、

43、進一步地，所述步驟s3中，由于體積散射與聲波入射深度相關，等效界面雙基體積散射散射截面計算如下：

44、

45、其中，通過微擾近似流體模型可以得到σv為沉積物體積散射截面：

46、

47、該公式中隱含了密度及壓縮率相關系數(shù)為-1的條件，而δkp為bragg波矢量的模值，稱之為bragg波數(shù)，因此對于反向散射可以得到：

48、δkp＝2kw[cos2θi+{re[p(θi)]}2]1/2

49、在散射模型中常用的一種譜形式如下：

50、

51、這里，κ則定義為：

52、

53、上式中，γ3和ω3分別是體積譜指數(shù)和體積譜強度，用于表征沉積物的非均勻性；μ用來表征海底沉積物密度擾動的壓縮率起伏比，lc為相關長度，r2為粗糙度譜指數(shù)，ω2為粗糙度譜強度。

54、進一步地，所述反演參數(shù)包括孔隙度β、平均顆粒粒度φ、顆粒與孔隙水質量密度比ρr以及顆粒與孔隙水體積彈性模量比kr，具體如下：

55、孔隙水特性：biot理論中與孔隙水特性有關的參數(shù)包括孔隙水質量密度ρw、孔隙水體積彈性模量kw和孔隙水動態(tài)粘滯度η，通常近似認為孔隙水特性與上覆海水特性相同，而海水的參數(shù)是易于測量的；

56、滲透率：根據(jù)下式給出了滲透率κ和孔隙度β與平均顆粒直徑d的關系為：

57、

58、其中，系數(shù)k對于球形顆粒取5，平均顆粒直徑的單位為m，與平均顆粒粒度φ的關系為：

59、φ＝-log2(1000d)

60、該公式適用于疏松的、分選好的、具有球形顆粒的沉積物，因此和實際測量值相比結果更高，采用作為修正因子；

61、孔隙大小參數(shù)：根據(jù)水力半徑得到了均勻球形顆粒的孔隙大小參數(shù)a、孔隙度β與平均顆粒直徑d的關系：

62、

63、孔隙大小參數(shù)與滲透率的關系：

64、

65、彎曲率：彎曲率α是沉積物的一個結構常數(shù)，這里采用與φ有關的關系式：

66、

67、沉積物顆粒特性：biot理論中與沉積物顆粒特性有關的參數(shù)包括顆粒質量密度ρg和顆粒體積彈性模量kg，將待反演參數(shù)選為顆粒與孔隙水質量密度比ρr和顆粒與孔隙水體積彈性模量比kr。

68、進一步地，所述步驟s4中多層感知器神經(jīng)網(wǎng)絡具體如下：

69、輸入特征個數(shù)為n，輸出特征個數(shù)為m，多個隱含層，隱含層神經(jīng)元個數(shù)不固定，以為標準左右調整；輸入?yún)?shù)為和掠射角相關的后向散射強度數(shù)據(jù)，數(shù)據(jù)范圍為1°-90°，步長為1，n＝90，輸出數(shù)據(jù)為沉積層參數(shù)，直接反演參數(shù)共10個，m＝10，將數(shù)據(jù)按照9：1的比例分為訓練集和測試集；

70、單隱含層情況下：

71、yi＝f(w·x+b)

72、其中，w為權重，b為偏置，f為激活函數(shù)，引入激活函數(shù)可以導入非線性。激活函數(shù)選用relu函數(shù)，如下式：

73、f(x)＝max(0,x)

74、多隱含層情況與單隱含層相似，僅w、b不同，在此采用五個隱含層，隱含層神經(jīng)元個數(shù)分別為70、50、30、25、20，通過網(wǎng)絡訓練參數(shù)調整權重和偏置，輸入值通過網(wǎng)絡前向傳播，通過隱含層到輸出層，得到神經(jīng)網(wǎng)絡的反演結果，模型結果通過均方根誤差(rmse)進行評估

75、

76、其中，j為樣本數(shù)量，yi為實際值，為反演值，通過測試集計算反演結果均方根誤差，計算誤差反向傳播回網(wǎng)絡調整權重和偏置，訓練方法使用貝葉斯正則化，貝葉斯正則化通過引入先驗分布對網(wǎng)絡權重的約束，在訓練過程中分布參數(shù)的學習。

77、進一步地，所述步驟s5中，將十個物性參數(shù)劃為一組，隨機取若干組作為待反演參數(shù)并計算每一組對應的后向散射強度，得到對應的數(shù)據(jù)集，按照9:1劃分為訓練集和驗證集，將計算的后向散射強度數(shù)據(jù)作為多層感知器神經(jīng)網(wǎng)絡的輸入值xi，待反演參數(shù)作為輸出，數(shù)據(jù)集中待反演參數(shù)為yi，多層感知器神經(jīng)網(wǎng)絡中反演出的參數(shù)為其中海水聲速設定為1500m/s，學習率設為0.01，設定最大訓練輪次為1000輪、以及訓練停止標準為均方根誤差10-1，保證模型在達到預期精度的同時，避免過度訓練，并且能夠在合理的計算時間內完成訓練。

78、與現(xiàn)有技術相比，本發(fā)明有以下優(yōu)點：

79、(1)本技術通過構建沉積物傳播模型解決了傳統(tǒng)測量的擾動以及難以大范圍測量的問題，利用沉積物傳播理論模型進行仿真，獲取大量沉積物聲傳播理論數(shù)據(jù)，用于訓練參數(shù)反演模型。

80、(2)本技術將多層感知器神經(jīng)網(wǎng)絡應用在沉積物參數(shù)反演模型中，利用其復雜的網(wǎng)絡結構和多個神經(jīng)元來模擬復雜函數(shù)，解決強非線性問題，提高反演效率與質量；并在訓練時采用貝葉斯正則化策略，通過引入先驗分布對網(wǎng)絡權重的約束，在訓練過程中分布參數(shù)的學習，提高模型泛化能力，無法適應新樣本的問題，可以有效防止過擬合現(xiàn)象。