1.一种基于深度学习的深海水声传播损失预测方法,其特征在于,包括:获取一维声速剖面;
基于训练后的深度学习网络对一维声速剖面进行处理,并输出水声传播损失分布;包括:对所述一维声速剖面预处理得到二维速度模型,将所述二维速度模型转化为带有位置编码的时空特征数据;
采用注意力机制计算时空特征数据之间的相关性得到多个并行的注意力头的第一输出,对所述第一输出融合后进行特征映射形成第二输出;
对所述第二输出的特征进行卷积降维操作得到降维特征;
将降维特征与声源信息进行通道加权融合,包括:将所述声源信息的坐标信息进行归一化处理,将所述声源信息的频率信息转换为对数尺度,通过轻量级MLP将声源信息映射到高维向量,通过全连接网络将高维向量生成通道权重向量,在每个通道将降维特征与通道权重向量相乘;
将降维特征映射回二维空间信息特征,并交叉使用卷积和转置卷积与声源信息相结合,将结合后的特征进行卷积输出水声传播损失分布。
2.根据权利要求1所述的一种基于深度学习的深海水声传播损失预测方法,其特征在于,对所述一维声速剖面预处理得到二维速度模型,将所述二维速度模型转化为带有位置编码的时空特征数据,包括:将所述一维声速剖面按照水平距离扩展形成二维速度模型,将二维速度模型降维处理后加入位置编码形成时空特征数据。
3.根据权利要求2所述的一种基于深度学习的深海水声传播损失预测方法,其特征在于,将二维速度模型降维处理后加入位置编码形成时空特征数据,包括:对降维处理的二维速度模型的每个位置生成一个维的绝对位置编码向量,绝对位置编码向量形成绝对位置编码矩阵,所述绝对位置编码向量采用正弦函数表示;
对降维处理的二维速度模型使用不同尺度的卷积核进行卷积操作,生成多尺度局部特征图,将多尺度局部特征图拼接后降维形成相对位置编码矩阵;
将绝对位置编码矩阵与相对位置编码矩阵在通道维度拼接,并与所述降维处理的二维速度模型合并形成时空特征数据。
4.根据权利要求1所述的一种基于深度学习的深海水声传播损失预测方法,其特征在于,采用注意力机制计算时空特征数据之间的相关性得到多个并行的注意力头的第一输出,对所述第一输出融合后进行特征映射形成第二输出,包括:采用全局注意力对时空特征数据建模远距离声场干涉,得到全局特征;
采用局部窗口注意力将全局特征还原为二维结构,将二维结构划分为多个局部窗口,得到多个局部窗口特征,在每个局部窗口内独立计算注意力;
将所有局部窗口的注意力拼接回全局特征的空间维度得到局部窗口特征;
将全局特征和局部窗口特征加权融合形成第二输出。
5.根据权利要求4所述的一种基于深度学习的深海水声传播损失预测方法,其特征在于,通过门控机制动态融合将全局特征和局部窗口特征加权融合形成第二输出。