在水声学中，匹配场技术是用于水下声源远程被动定位的常见方法。但该方法对拷贝场和测量场之间的失配较为敏感，限制了其实际应用。近日，中国科学院声学研究所牛海强与美国加州大学科研人员合作，提出了一种基于机器学习的水下声源被动定位方法。该方法是一种数据驱动的方法，计算机可从观测数据中学习到声源的距离信息。
研究人员依据距离估计问题可转化为机器学习领域中的分类或回归问题进行求解，将声压数据构建的采样协方差矩阵，作为前馈神经网络、支持向量机和随机森林三种机器学习模型的输入，利用一次海试实验的数据，系统研究了三种机器学习模型的定位性能，并与传统的匹配场方法进行了对比。研究表明，以上三种机器学习分类器对应的平均绝对值百分比误差是2%至3%。较机器学习回归器和匹配场定位方法的10%至59%误差，有明显优势。
这表明，在水下声源定位性能上，机器学习分类器要优于回归器和传统匹配场技术。此外，该研究提出的方法不依赖于对水下声场的理论建模，为机器学习在水声学中的应用打开了新的思路。相关研究成果发表在《美国声学学报》上。