海洋具有豐富的資源，不僅是人類賴以生存的物質基礎，也是國際政治斗爭的重要舞臺。作為世界各國關注的重點區域，海洋具有重要的戰略地位和極大的經濟價值。爭奪海洋資源、維護國家海洋權益、保護海洋環境、發展海洋科技已被世界各國列為重大發展戰略。

海洋觀測與探測是獲取海洋信息的重要手段，是海洋經濟發展、環境保護、科技創新等活動的基礎。一直以來，海洋信息感知能力的缺乏是制約各國海洋科技發展的瓶頸。加強探測技術裝備研發，發展創新感知技術，建設海洋立體觀測體系，是發展“海洋強國”戰略、實現海洋科技創新的重要方向。

當前，隨著世界各國海洋事業的迅猛發展，衛星遙感、水下滑翔機（AUG）、水下自主航行器（AUV）、大型潛/浮標等觀測技術和設備不斷更新，世界各國的海洋觀測網絡逐步完善。特別是歐美等發達國家，已建立起全球范圍的實時海洋觀測系統，如ARGO、GOOS、ONC、IOOS、OOI、EMSO、GTMBA等。其中，地轉海洋實時觀測陣（ARGO）實現了歷史上首個全球尺度的上層海洋水文要素的準實時觀測。其測量數據的空間范圍和精度達到了空前的高度，為全球大洋溫鹽場研究提供了歷史性的難得機遇。另一個值得關注的是全球海洋觀測系統（GOOS）。它是由國際組織聯合發起的目前全球最大的、綜合性最強的海洋觀測系統，能為監測氣候變化等研究提供全面高質量的觀測資料。

相比發達國家，雖然我國的海洋觀測體系起步較晚，但依托國家高技術研究發展計劃（“863”計劃）、國家重點基礎研究發展計劃（“973”計劃），以及“十三五”國家重點研發計劃等重點計劃以及一系列專項，我國海洋工程與科學技術獲得快速發展。我國已基本掌握溫鹽深剖面儀（CTD）、聲學多普勒流速剖面儀（ADCP）、AUV、AUG等觀測設備研制的核心技術；布置了各類海洋浮標、調查船、潛水器以及各類海洋觀測陣列等固定或移動的觀測平臺；發射了以可見光探測為主荷載的HY-1A、HY-1B等海洋水色衛星。

目前，我國在南海和西太平洋等核心區域已經初步構建起完整的觀測體系。表1總結了我國主要的海底觀測網研究項目。圖1展示了浙江大學信號空間與信息系統研究所（信號所）“十三五”期間在國家重點研發計劃的支持下，牽頭研制的南海深海大規模聲學層析系統。

圖1 浙江大學牽頭研制的南海大規模聲學層析系統

該系統包含深海聲學層析潛標、倒置式壓力回聲儀（PIES）、滑翔機等固定與移動節點，于西沙、中沙以東海域約100km×100km×3km立體區域內開展聲速場的觀測與反演，進行了1個月的應用示范。圖2展示了浙大信號所“十三五”期間在國家重點研發計劃的支持下，研制的環境自適應采樣、聲場–動力協同測量及聲學協同探測系統，包含8臺以上AUV與10臺以上滑翔機，觀測范圍超過10000km2，示范時間1個月以上。

表1 我國現有海底觀測網 圖2 浙江大學牽頭研制的無人無纜潛水器組網觀測、探測系統

上述觀測系統的建立，極大地提高了獲取海洋數據、感知海洋信息的能力。然而，整體而言，目前的觀測體系雖已初具規模，但存在著區域碎片化、信息單一化、時空分辨低質化等問題。另一方面，當前海洋立體觀測網的信號處理能力尚不能充分開發觀測數據的深層知識，支撐海洋環境的實時精準模擬預報，因此亟需發展面向海洋立體–觀測感知體系的先進信號處理理論與技術。

近年來，人工智能（AI）、機器學習（ML）的快速發展帶來了各個領域技術的革新。值得特別關注的是近期提出的科學人工智能（AIforScience），旨在用AI輔助解決不同領域的科學難題。例如，在材料和化學領域，研究人員利用AI技術預測候選材料的性能，從而加快新材料的研發速度，降低研發成本；在生物領域，深度學習（DL）輔助研究人員進行蛋白質結構的預測，幫助開發全新的生物材料；在數學領域，Nature封面論文報道了深度強化學習方法（DRL）輔助發現降低矩陣乘法運算次數的新方法，具有深遠理論意義。

在海洋大數據以及AI發展的驅動下，人工智能與海洋立體觀測和探測的應用交叉融通，為未來的數字海洋與水下攻防技術提供了新的研究方向與技術路徑。本文在梳理海洋立體觀測與探測經典方法的基礎上，著重介紹了近年來新發展的AI輔助方法；通過討論和分析AI方法和傳統方法的優缺點，指出發展AI輔助的海洋立體觀測與探測方法中亟需解決的關鍵科學問題及潛在的解決思路，并展望了該領域的發展方向。

一、人工智能輔助的立體觀測技術

海洋觀測是獲取海洋信息的第1步。如何基于已經建立的觀測系統，實現對目標區域海洋的高分辨、高準確度信息的快速獲取，是很有挑戰的科學難題。針對海洋數據具有的空時變化特性，下面從空間和時間這2個角度來討論現有的海洋觀測技術。

⒈空間數據觀測

雖然目前的海洋觀測系統能夠獲取大量、準實時的數據，但面對廣袤無垠的大海，測量數據依然十分稀疏，且測量的過程往往伴隨著一定的噪聲。如何根據有噪、稀疏的測量數據快速重建出整個空間的海洋物理場，是一個非常有挑戰的逆問題。下面根據使用的不同原理介紹不同的空間物理場重建方法。

⑴利用空間相關性重建

根據地理學第一定律，相似區域的數據在數值上通常很接近。利用這一特性，許多利用空間相關性的插值方法被提出。根據使用的不同原理，這些方法可以分為確定性插值和地統計插值。表2列舉了常用的空間插值方法。確定性插值方法通常假設未知點的值是觀測值的線性加權組合，通過求解線性方程組或由空間相關性求出加權系數。它的優點是數學模型簡單，計算復雜度低，適合應用于信噪比較高且側重重建速度的場景。在海洋工程學方面，KITSIOUS等人使用反距離權重插值對海洋中不同生態指數的空間分布進行預測；RIDGWAY等人提出了一種基于局部加權最小二乘擬合的四維海洋插值方法，對不同海域的物理和化學參數進行了估計。

表2 常用的空間插值方法

地統計插值的代表方法為克里金方法。與確定性插值類似，克里金方法也假設未知點的值是觀測值的線性加權組合；但不同的是，克里金方法的加權系數是基于空間統計學，結合優化方法求得。具體而言，克里金方法假設物理場是二階平穩的高斯過程，通過確保估計無偏且誤差的方差最小來確定加權系數。

理論分析表明，基于統計理論的克里金方法可以給出最佳線性無偏估計（BLUP），插值效果通常比確定性插值方法更好。另外，克里金方法給出的預測不確定性的定量描述也可以幫助下游任務的決策。但傳統的克里金方法也存在一些缺點：沒有考慮觀測噪聲，在信噪比低時效果較差；需要根據實際數據手動選擇合適的變異模型，且模型中的參數由最小二乘確定，容易被異常值影響；計算復雜度為立方階，不適合應用于大規模的場景。

同樣，AI方法可以在一定程度上輔助解決傳統插值方法遇到的問題。從機器學習的角度，克里金可以看成是機器學習中的高斯過程回歸（GPR）的特殊形式。高斯過程回歸不僅建模了噪聲，而且建模空間相關性的核函數（KernelFunction）的參數可以通過最大化證據函數（EvidenceFunction）從數據中學習，因此性能比克里金方法更好，但計算復雜度一樣高。

CAVIEDES等人利用GPR進行二維聲速場的重建并提出了一種具有物理意義的核函數，達到了比傳統基于線性回歸的重建方法更優異的性能。近期也有一些工作通過近似方法降低了高斯過程回歸的計算復雜度，使其能在大規模的場景應用。傳統插值方法中線性以及平穩的假設在實際情況中不一定滿足，而深度學習具有良好的建模非線性的能力，因此近期有研究工作將深度學習和克里金方法結合起來，在某些情況取得了更好的效果。另外，LI與HEAP分析了影響各類空間插值方法性能的因素，研究了機器學習與傳統插值的結合方法，并為不同方法的應用提供了建議。

總的來說，海洋空間物理場重建的關鍵在于尋找高表示力與高泛化力的數學模型以精準刻畫立體區域內的動態關系。未來的研究中，如何巧妙結合張量模型、高斯過程與神經網絡分別在多維、數據自適應與非線性建模的優勢，探索最優化的建模與重建，是重要的研究課題。

⑵利用表征模型重建

除了空間相關性，從歷史或者模式數據中學習到的規律也能幫助重建。具體而言，可以利用表征模型從歷史數據中學習出一組基函數，從而將重建問題轉化為求解基函數系數的問題。數學上，引入表征模型可以使待求參數的數量大大減少，從而降低了求解欠定的重建問題的難度。從貝葉斯的角度理解，學習出的基函數可以為重建問題提供一定的先驗信息，從而減少需要從觀測數據中獲得的信息量，使問題求解更加容易。因此，解決重建問題可以從獲得良好的表征模型入手。

目前常用的表征學習方法為經驗正交函數（EOF）方法。該方法的基函數是從數據中學習得到，因此相比通用的傅里葉基或小波基等基函數能更好地表示和訓練集具有相似性質的數據，展現了數據驅動的表征學習方法的優異性能。

從機器學習的角度，EOF方法和機器學習中的主成分分析（PCA）具有相同的理論性質和數學表達。因此，可以進行非線性降維的PCA的變種例如核PCA（KPCA）等方法理論上表征能力更強。另外，有研究人員引入計算機視覺領域的字典學習（DL）方法來表征聲速，相比EOF方法在相同重建誤差下需要的系數更少。

傳統的表征方法都假設數據是二維的，因此沒有考慮海洋數據多維度的相關性。針對海洋聲速場的多維特性，張量模型，作為向量/矩陣模型向多維表征的拓展，具有天然的建模優勢。近期研究通過剖析經典聲速表征基函數（如EOF等）的數學本質，首次發現幾類經典基函數的推導可以統一在張量分解模型的框架下。張量建模的統一視角在理論上解釋了幾類經典基函數的作用機理與表征性能，并提供了更高性能的基函數學習框架。在此工作的啟發下，CHEN等人提出了三維聲速的張量字典學習方法，進一步提升了表征性能；JI等人探討了機器學習中的基函數與海洋現象（中尺度渦）物理模型的關聯，并發展中尺度渦定制化的高性能表征模型。

盡管張量建模的可行性與優越性得到了初步的驗證，但是具有最優表示力與環境自適應的模型尚未開發。如何利用海洋數據多維的相關性，從現有表征模型中提取深層次的先驗信息幫助重建，是未來重要的研究方向。

⒉時序數據觀測

目前應用最廣泛的獲取大面積、長時序海洋數據的方法為數據同化（DA），下面介紹它的主要思想。從物理學的角度，海洋數據與海水的物理特性存在緊密的聯系，例如海水中的聲速是溫度、鹽度和深度的函數。而這些物理參數隨時間的變化規律符合海洋動力學，可以用偏微分方程（PDE）來描述。隨著超級計算機技術的不斷發展，數值模式逐漸成為研究海洋動力過程的重要工具。

給定合適的初始條件和邊界條件后，數值模式就能給出時空連續變化的海洋過程。然而，描述流體運動規律的方程本身具有強非線性，初始條件和邊界條件的誤差會在模式運行過程中不斷累積，導致最終模擬的結果與實際觀測產生較大的偏差。數據同化技術的核心思想就是將觀測數據與數值模式有效結合，以觀測數據校正模式誤差，使數值模式能夠更好地反應實際海洋動力過程。現有的模式包括混合坐標大洋環流模式（HYCOM）、有限體積海岸海洋模型（FVCOM）等，它們各自有適用的范圍和計算方法。

根據不同的原理，目前的數據同化方法大致可分為基于統計理論的統計方法和基于控制論的變分方法。表3總結了常見的數據同化方法。

表3 常見的數據同化方法

總的來說，數據同化方法可以引入領域知識（DomainKnowledge）先驗，包括海洋動力學中的物理定律和從歷史數據中學習到的規律。因此同化方法具有直觀的物理含義，通常只需要少量的實測數據就可以完成對數值模型的校正。但是，由于海洋動力學中的物理學定律比較復雜，除極個別的情況，很難求得描述海洋運動的流體力學偏微分方程的解析解。另外，統一、固定的動力學模型并不能較好地適應實際情況中復雜多變的海洋環境，導致即使結合了實際觀測數據，模式預報的結果也可能存在較大的偏差。且由于受到觀測精度和計算能力的限制，模式預報給出的結果通常是低分辨的，難以滿足實際海戰的需求。例如，雖然HYCOM可以達到全球1/10°的分辨率，但在很多軍事應用中分辨率要求達到1/100°，甚至更低。

數據同化方法遇到的問題在一定程度上可以用AI方法輔助解決。例如，深度學習方法可以估計和修正傳統同化方法的誤差。WASTON使用神經網絡來估計Lorenz'96系統中的模型誤差趨勢，并依此糾正短期和長期預報的錯誤。修正后的模型在預報和建模氣候統計特性方面都有顯著改進。

另一方面，神經網絡可以高效求解偏微分方程，從而降低仿真物理場的計算量。TOMPSON等人提出了一種數據驅動的方法，結合卷積神經網絡（CNN）的近似能力和標準求解器的高精度來高效求解不可壓縮的歐拉方程。BRANDSTETTER等人基于神經消息傳遞（MP）構建了一個偏微分方程求解器，可以將有限差分法（FDM）、有限體積法（FVM）等傳統方法納入特殊情況，在類似流體的問題上展示出優于部分最先進的數值求解器的性能。

神經網絡建模非線性相關性和學習序列數據特征的能力也能更好適應實際中復雜多變的海洋環境。YU等人結合張量方法和循環神經網絡（RNN），提出了一類可以建模多變量非線性系統的模型，并在仿真數據和實際溫度數據上驗證了方法的有效性。結果表明，該方法在長期數據預測任務上達到了比一般的RNN和長短期記憶人工神經網絡（LSTM）更好的效果。

雖然深度學習模型具有上述的優點，但也存在一些問題。例如，深度學習模型中的參數很多，需要大量的訓練數據，且得到的結果沒有可解釋性，一般不符合物理規律，這也導致它們的泛化能力較差。因此，近期有許多研究人員試圖將傳統物理模型和AI方法的優點結合，提出能嵌入物理先驗信息的AI模型。WANG等人提出了一種基于神經網絡模型的元學習（MetaLearning）方法。該方法先用編碼器提取與時間無關的隱特征，再用預測器結合提取到的特征和過去的狀態做出預測，在預報溫度、湍流等具有復雜非線性規律的數據中取得了良好的效果，且模型本身具有更好的泛化能力，一定程度上緩解了數值方法對環境信息的依賴。此外，也有學者嘗試用高斯過程來建模動態規律。

高斯過程方法不需要大量的數據，比深度學習模型具有更好的可解釋性，但建模與優化更加困難。另外，目前很少有研究工作通過神經網絡的時序建模反向揭示海洋時間演化過程的物理機理。這將是未來有趣的研究課題。

二、人工智能輔助的海洋探測技術

海洋立體觀測的一個重要目的是實現水下目標的探測。由于電磁波在水下衰減較快，目前水下信息的傳遞主要依賴聲波這一載體。水聲目標探測技術主要利用聲學的手段，通過接收目標輻射噪聲或者散射回波，在一定范圍內實現對目標的檢測、識別、定位與跟蹤。水聲目標探測技術是水聲信號處理與聲吶領域的重要研究方向，是環境感知、目標監測、資源勘探、情報收集等海洋應用領域的核心技術之一，一直是國內外研究學者重點關注的熱點問題。探測的過程一般包括：①根據接收信號檢測、識別目標；②對目標進行定位，下面分別進行討論。

⒈水下目標檢測與識別

根據工作方式，水下目標檢測與識別技術可以分為主動和被動2種。

⑴主動目標檢測與識別技術

主動目標檢測與識別是指通過在航行中不斷主動地發射聲吶信號并接收目標的散射回波來實現目標檢測與識別的技術。在執行信號檢測與識別前，通常需要使用匹配濾波器（MF）濾除噪聲。然而，水下環境錯綜復雜，一些粗糙表面或其他能散射聲波的物質也可能散射出與目標信號相似的信號，即便使用匹配濾波器也難以去除。為了解決這個問題，傳統方法例如恒虛警率（CFAR）通過將接收到的信號強度與設置的閾值進行比較來實現目標的檢測與識別。然而，該算法的缺點是存在外界干擾時容易出現虛警或漏警，導致魯棒性差和識別率低。且設定閾值后也可能存在剩余多個目標的情況，需要專家借助頻譜等信息進行進一步的人工識別。另外，由于受海洋水體介質的非均勻性以及海洋獨特的動力特性的影響，水聲場呈現出復雜的時空隨機起伏、環境不確定、信道不確實、參數不確知等特點，傳統的主動目標檢測與識別方法在水下很難取得較好的效果，難以滿足現實需求，亟待發展水聲目標檢測與識別新概念、新原理、新方法。如何利用淺海信道、背景干擾和目標信號特征，提高主動檢測與識別技術的穩健性和準確性是研究的重點。

近年來，深度學習等人工智能技術的快速發展，為主動檢測與識別技術智能化發展提供了契機。具體而言，深度學習能充分利用數據的結構，從聲吶圖像中更好地提取非線性特征，從而實現更高的分類準確率。GORMAN等人首次將多層感知機（MLP）應用于水下目標分類，取得了比人工識別和基于最鄰近分類器更好的效果。相比多層感知機，研究表明CNN在處理圖像數據時具有獨特的優勢。基于CNN的水下目標識別算法實現了較高的識別準確度和可靠性。另外，還有學者在水下目標檢測與識別任務中引入其他的深度學習模型。例如，SEOK等人利用多角度傳感信息，結合傅里葉變換和深度信念網絡（DBN），提出了一種可以利用三維高光分布的目標原型的聲吶分類算法，并用實驗證明了在用同樣特征提取方法時DBN比傳統的后向傳播（BP）網絡分類能力更好。TERAYAMA等人提出了一個基于生成對抗網絡（GAN）的逼真的圖像生成系統。該系統利用GAN學習聲吶和光學圖像之間的圖像到圖像的轉換，成功地從聲吶和夜間圖像生成逼真的白天圖像，幫助目標識別。

然而，訓練神經網絡通常需要大量的帶標記的數據，但這在實際中是難以獲得的。為了解決訓練數據不足的問題，有許多學者從不同的角度給出了解決方法。例如，有學者嘗試利用深度學習的方法結合仿真數據生成逼真的數據。LEE等人在訓練圖像準備階段引入一種端到端的圖像合成方法。該方法利用水下仿真器的深度相機中獲取的基礎圖像，結合神經網絡綜合的水下噪聲特性生成用于訓練的數據集。也有學者使用在其他數據集上預訓練的神經網絡，并結合少量實測數據對網絡進行微調。

另外，使用不同的降維方法對原始數據進行特征提取來降低輸入維度，從而降低網絡參數數量的方法也能緩解數據不足的問題，同時降低訓練的難度。BYUN近期的研究工作探索了不同線性和非線性降維方法結合淺層神經網絡在聲吶目標分類任務的性能。BERNICE等人提出了一種基于二維Gabor小波的聲吶頻譜特征提取方法，并使用支持向量機（SVM）、隨機森林（RF）和神經網絡3種常用的機器學習方法對提取的特征進行分類，相比傳統方法具有更高的分類準確性。

⑵被動目標檢測與識別技術

雖然主動目標檢測與識別技術可以獲得更高的機動性，但考慮到設備成本與環境保護，以噪聲檢測為手段的被動檢測與識別方式依然是重要的水聲目標探測體制。被動目標檢測與識別不主動發出聲吶等探測信號，而只依據目標輻射的噪聲信號進行目標的分辨，具有隱蔽性高、探測距離遠等優點。隨著現代船舶工程技術的快速發展，現代艦船的輻射噪聲水平大幅降低，達到接近甚至低于海洋環境噪聲的水平。圖3展示了水下目標噪聲性能的改善與目標探測性能提高的關系趨勢。如何充分利用目標信號在產生、傳播與接收過程的特征，排除環境噪聲的干擾，是被動目標檢測與識別亟待解決的關鍵科學難題。

圖3 水下目標噪聲性能的改善與目標探測性能提高的關系趨勢

現有被動目標檢測與識別技術主要利用目標輻射噪聲特性對目標進行區分。常見的被動目標檢測與識別方法包括基于噪聲能量積分的檢測法，低頻譜分析法（LOFAR）和基于噪聲包絡調制譜檢測法（DEMON）等。能量積分檢測常用于寬帶信號檢測，但該方法假設噪聲能量是已知的，這在實際中不一定總是能做到。LOFAR譜是由短時傅里葉變換（STFT）獲得的時–頻功率譜處理獲得，可以有效提取信號中的線譜分布特征。DEMON方法通過提取包絡譜得到目標信息，具有提取特征穩定、物理意義明確的優點。然而，在降噪技術快速發展的背景下，這些傳統方法越來越難以區分環境噪聲和目標輻射的噪聲，在信噪比較低時性能較差。

近年來，AI輔助的被動目標檢測與識別成為一個活躍的研究課題。SHIN等人開發了一種目標識別器，定義并利用了目標信號的多方面特征，以提高目標檢測的準確性。在處理步驟上，作者首先將原始數據投影到合適的低維特征空間，然后找出與判斷目標是否存在最相關的特征向量，最后將這些特征向量輸入包括神經網絡在內的機器學習算法進行目標識別。該方法在低信噪比情況下性能比傳統方法更好。WANG等人融合了從多個領域提取的特征來識別不同的海洋噪聲源，例如船舶噪聲、海洋哺乳動物的聲音和環境背景噪聲。他們的研究驗證了Gammatone頻率倒譜系數（GFCC）比Mel頻率倒譜系數（MFCC）在海洋噪聲源分類任務中更具優勢。此外，他們利用修改后的經驗模態分解來從時間序列信號中提取包含與復雜海洋噪聲源相關的各種信息的特征向量，并與GFCC融合作為深度神經網絡的輸入向量。為了降低維度同時提升準確率，高斯混合模型（GMM）被用來修改網絡的第1層以提取特征向量的統計特征。該方法與現有的通過使用簡單的分類器將MFCC與有限信息相結合的噪聲源分類方法相比，性能得到顯著提高。

⒉水下目標定位

對目標信號進行檢測和分類，是獲取目標位置的前提。下面從不同的角度介紹水下目標定位的常用方法。

⑴波達方向估計

波達方向（DOA）問題廣泛存在于無線通信、雷達等領域，也是水下目標探測的重要研究內容之一。傳統DOA估計的代表方法包括多重信號分類法（MUSIC）和旋轉不變子空間（ESPIRT）。這些傳統方法在采樣率或信噪比較低時性能表現較差。實際上，DOA估計可以看成是從傳感器陣列獲得的稀疏采樣數據中重建信號的問題，因此可以用基于壓縮感知（CS）理論的方法解決。

近期，有許多研究提出基于壓縮感知的壓縮波束成形方法來解決DOA估計問題。它們相比傳統方法需要的觀測數據更少，且具有更高的分辨率，同時對噪聲有更強的魯棒性。然而，這些方法中權衡解的稀疏性和數據擬合程度的超參數需要根據具體的問題手動調整到合適的值。為了避免超參數的調整，有許多研究引入機器學習中的稀疏貝葉斯學習（SBL）方法。例如，GERSTOFT等人基于SBL提出了一種用于求解多測量向量（MMV）問題的方法，同時結合最大后驗估計（MAP）獲得了高分辨的DOA估計。另外，GERSTOFT等人還討論了如何用SBL方法來估計非平穩噪聲情況下的源信號、噪聲能量以及目標DOA。

水下方位估計面臨的另一難點是如何對抗環境的不確實性。最近的研究工作通過魯棒機器學習與陣列信號處理的交叉研究，創新性地提出基于最小統計距離（如Bhattacharyya距離）的方位估計器，通過理論分析與海試驗證說明其在魯棒性、分辨力與準確度上的顯著優勢。

⑵水下聲源定位

另一種水下目標定位的方法為匹配場處理（MFP）。它根據在海洋波導中傳播的信號場定位目標的范圍、深度和方位。得益于近年來聲傳播模型仿真能力的提升，MFP方法發展迅速。然而，該方法要求準確的關于環境的先驗信息，這在實際復雜多變的海洋環境中通常難以獲取。數據驅動的機器學習方法可以直接從觀測數據中學習特征，為解決這個問題提供了新的思路。

將機器學習方法應用于水下聲源定位開始于20世紀90年代。最初的研究包括使用模擬或測量數據訓練層數較少的前饋神經網絡（FNN），來區分水下聲源的范圍和深度信息。隨著機器學習的發展和算力的提升，更復雜的數據和更先進的方法被引入。NIU等人將海洋波導源定位看作監督學習中的回歸以及分類問題，提出了用監督學習來進行目標探測的方法，用深度前饋神經網絡、支持向量機和隨機森林進行水下目標的定位。在此基礎上，WANG等人提出一種廣義的回歸神經網絡，緩解了前饋神經網絡對參數和網絡結構敏感的問題，相比傳統的前饋神經網絡和匹配場處理具有更優異的性能。

前面的方法可以判斷一個目標信號是否存在于觀察到的信號中，而實際可能存在多個需要探測的目標。針對多目標探測的問題，LIU等人使用具有門控循環單元（GRU）的神經網絡，提出了一種可以自動估計源目標個數的多目標探測方法。OZANICH等人針對源數量未知的DOA估計問題提出了一種基于非線性FNN的方法。他們將傳統波束形（CBF）重述為一個在參數空間的實值的線性逆問題，并用SVM或訓練好的FNN求解，在更少的時間內達到了和SBL方法相似的性能。

三、結束語

隨著海洋科技的不斷發展，世界各國獲取海洋數據的能力大幅提升，海洋信息領域逐步邁入大數據時代。

然而，傳統海洋信息處理技術無法充分利用觀測數據的深層知識，支持下游任務。如何面向日益先進的海洋立體觀測體系，充分利用數量與質量顯著提升的海洋觀測數據，邁向“數據與模型雙驅動”的海洋觀測與探測新范式，具有重要的研究意義。為實現這一目標，AI的快速發展提供了新的研究思路。目前，AI輔助的海洋立體觀測和探測受到國內外學者的廣泛關注，取得了一定的研究成果，但也存在一定的問題。

該領域的關鍵問題及其發展趨勢包括：

⑴當前觀測體系獲取的數據在深海立體區域內通常是稀疏、不確實的，且具有不同的分辨率。如何根據已有的觀測數據快速、準確、高分辨地重建在時空上動態變化的海洋物理場，是海洋立體觀測亟待解決的關鍵問題。尋找高表示力與高泛化力的數學模型，結合海洋動力學的物理規律和從歷史或仿真數據中學習的深層知識，利用張量模型、高斯過程與神經網絡等AI方法的優勢，探索海洋物理場最優建模理論與重建方法，是重要的研究方向。

⑵在水下環境復雜多變，艦船等目標輻射噪聲逐年降低的背景下，如何從接收信號中準確檢測和識別目標信號一直是水下目標探測的難點問題。深度學習方法可以建模復雜的非線性和動態特性，能有效提取目標特征并進行分類，是解決上述問題的有效方法。但深度學習方法需要大量的訓練數據，且得到的解一般不符合物理規律。結合傳統方法和深度學習優點，在深度學習模型中嵌入物理知識，是重要的研究課題。另外，在水下目標探測中，有目標的樣本量遠小于沒有目標的樣本量，造成了訓練集的極度不平衡，探索非平衡小樣本數據集下高泛化能力的模型訓練技術也是未來的重要研究內容。

⑶當前水下目標定位方法通常需要準確的關于環境的先驗信息，但這在實際中通常是難以獲取的。如何克服對環境信息的依賴，同時對抗環境的不確定性和噪聲，是水下目標定位的重點難題。一種可行方法是將傳統信號處理模型與魯棒的AI方法結合起來，從而提升定位的魯棒性和準確性。
責任編輯：彭菁