声呐多传感器观测资料数据融合的一种深度学习算法

声呐多传感器观测资料的数据融合问题是声呐设计中的一个重要课题. 对于多基阵的声呐信号处理系统, 面临的问题往往不仅是单个基阵多传感器的数据融合问题, 还有多个基阵的数据融合问题.《中国科学：信息科学》第12期发表了李启虎院士等的论文 “声呐多传感器观测资料数据融合的一种深度学习算法”.

文章研究了基于数据融合的基本规则, 即任何形式的数据融合, 从统计平均观点来说, 总体观测误差绝不大于任何单个传感器或单个基阵的观测误差.观测资料的增加从统计平均意义来说, 只会带来好处, 即使有垃圾资料的加入. 这一结论对于人工智能领域中的深度学习来说, 具有类似结果.

文章提出了一种用于数据融合的深度学习算法.对于独立的或相关的观测资料进行最佳的线性融合, 剔除野值, 进行决策级的分块数据融合, 以获得统计平均意义上最小误差的结果. 系统计算机模拟表明, 对于受随机干扰的观测数据, 采用野值过滤和数据融合的深度学习方法, 能够使决策级误差显著降低.

声呐信号处理和声呐设计都面临应用人工智能理论和技术的机遇.声呐信号处理所涵盖的丰富内容可以为人工智能注入新的活力, 开辟新的应用领域, 并丰富人工智能理论和应用范围.该文是企图把深度学习的基本概念引入声呐信号处理的一种尝试.研究表明, 如果可以用数字表征来刻画被研究对象, 如参数估计、目标识别、图象识别等, 就可以利用数据驱动的算法, 在一定规则下, 寻求自我学习, 求得较好的解决.