基于端到端图神经网络的水声声线补偿定位方法

本发明属于海洋观测，具体涉及一种基于端到端图神经网络的水声声线补偿定位方法。

背景技术：

1、到达时间（time of arrival, toa）定位通过测量水声信号传播时间并结合声速得到目标到声学基站的距离，再经多球面相交解算位置。传统toa算法普遍采用直线声线假设，与海洋中声速分层、声线折射弯曲的真实传播特性不符，会产生固定的模型误差；基于射线追踪的最小二乘法（ray tracing-least squares, rt-ls）通过射线追踪求解弯曲声线的传播时延并迭代优化目标坐标，虽能抑制声线折射误差，但每次定位均需迭代计算、开销大，且定位效果高度依赖声速剖面的准确性，难以满足复杂动态场景的实时定位需求。

2、目前基于深度学习的水下定位多采用卷积神经网络，以协方差矩阵或声谱图等规则网格化二维图像为输入，需对原始观测进行插值、投影，容易丢失节点间的空间拓扑信息、破坏节点的几何分布特征。图神经网络则直接以每个声学基站为节点输入，无需伪图像转换，可完整保留基站位置与相互间的空间关系，且不限制基站数量与布设方式，阵列调整或节点增减时同一套网络均可适用；训练完成后仅需一次前向计算即可直接输出目标坐标，无需射线追踪与最小二乘迭代，运算量固定、实时性好，并能在训练中自动学习、修正声线弯曲和噪声带来的定位偏差。

3、但通用图神经网络并不能直接用于水下定位：一是现有图神经网络定位研究多面向陆地无线定位场景，节点特征多为信号强度、信道状态等电磁波观测，未包含声速分层、声线弯曲等水声物理信息，直接输入原始toa观测难以反映真实声传播规律；二是水下toa噪声随传播距离逐层累积，各基站观测质量不一，且水面浮标可经gps获得实时坐标、水下锚节点仅有带固定标定偏差的标称坐标，通用模型将各节点同等看待的处理方式不再适用；三是水下基站稀疏、布设方式多变、拓扑不固定，按通信半径建立近邻连接的陆地做法无法套用，且实测样本难以获取，训练数据主要依托声传播模型仿真生成；四是通用回归损失在归一化数值上计算误差，与以米度量的三维定位精度并不对应，远距离目标的大误差样本会主导训练，缺少与物理定位精度相对应的监督约束。

4、上述困难使得通用图神经网络难以直接迁移用于水下声线补偿定位，如何将水声传播物理特性与图结构深度学习相结合、构建适配水下稀疏节点布设的端到端定位方法，是本领域尚未解决的技术问题。

技术实现思路

1、本发明的目的在于提出一种基于端到端图神经网络的水声声线补偿定位方法，该方法将图神经网络技术用于弯曲声线传播环境下的水下定位，能够实现非均匀声速环境下的水下目标端到端高精度定位。

2、本发明为了实现上述目的，采用如下技术方案：

3、基于端到端图神经网络的水声声线补偿定位方法，包括如下步骤：

4、步骤1. 建立符合真实海洋物理特性的水下声传播环境模型；

5、步骤2. 基于步骤1构建的水下声传播环境模型，生成包含声线弯曲效应和距离相关噪声的toa定位数据集；

6、步骤3. 构建多基站观测的图拓扑结构，将水下无线传感器网络映射为图结构形式，声学基站对应图结构内的节点，根据声学基站数量构建有向全连接拓扑，在任意两个不同节点之间设置方向相反的有向连接边；

7、步骤4. 构建基站自身属性的增强节点特征向量，依据步骤3构建的图拓扑结构生成边索引，将增强节点特征向量与边索引共同作为后续构建的端到端图神经网络模型的图输入数据；

8、步骤5. 构建用于水下定位任务的端到端图神经网络模型，其包括基于gatv2动态图注意力架构的图注意力卷积编码器、双分支池化层以及坐标回归头；

9、步骤6. 设计动态双空间监督损失函数；

10、步骤7. 基于toa定位数据集，结合动态双空间监督损失函数对端到端图神经网络模型进行训练，得到训练好的端到端图神经网络模型；

11、步骤8. 利用训练好的端到端图神经网络模型实现水声声线补偿的水下目标定位。

12、此外，在上述基于端到端图神经网络的水声声线补偿定位方法的基础上，本发明还提出了一种计算机设备，该计算机设备包括存储器和一个或多个处理器；

13、所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，用于实现上面述及的基于端到端图神经网络的水声声线补偿定位方法的步骤。

14、此外，在上述基于端到端图神经网络的水声声线补偿定位方法的基础上，本发明还提出了一种计算机可读存储介质，其上存储有程序；该程序被处理器执行时，用于实现上面述及的基于端到端图神经网络的水声声线补偿定位方法的步骤。

15、本发明具有如下优点：

16、如上所述，本发明述及了一种基于端到端图神经网络的水声声线补偿定位方法，该方法主要是解决目前水下声学定位任务中传统方法存在的计算开销大、声速剖面依赖性强、难以适配非规则布设的分布式传感器网络，且在复杂海洋环境下定位精度与鲁棒性不足的问题，通过构建多基站观测的图拓扑结构，并将融合多维度物理信息的增强节点特征向量与边索引共同作为端到端图神经网络模型的图输入数据，从而完整保留节点几何分布与拓扑关联，可灵活适配任意布设的传感器阵列，同时为拟合声线折射偏差提供充足的观测信息。此外，本发明方法还构建了面向水下定位的端到端图神经网络模型，采用基于gatv2动态图注意力架构的图注意力卷积编码器完成多节点特征加权聚合，推理阶段无需迭代式射线追踪计算，能够大幅降低运算开销。另外，本发明方法还设计了动态双空间监督损失函数，协同归一化坐标域的动态损失与物理尺度空间的rmse距离损失，通过动态调整误差阈值精准补偿声线折射弯曲带来的定位误差，从而实现复杂动态水声场景下的高精度实时定位。本发明方法基于空间拓扑图结构直接建模传感器网络的节点关联，并且能够有效抑制声线弯曲、环境噪声及时钟同步偏差带来的定位误差，最终实现复杂动态水声场景下的高精度实时定位。

1.基于端到端图神经网络的水声声线补偿定位方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于端到端图神经网络的水声声线补偿定位方法，其特征在于，

3.根据权利要求2所述的基于端到端图神经网络的水声声线补偿定位方法，其特征在于，

4.根据权利要求3所述的基于端到端图神经网络的水声声线补偿定位方法，其特征在于，

5.根据权利要求4所述的基于端到端图神经网络的水声声线补偿定位方法，其特征在于，

6.根据权利要求5所述的基于端到端图神经网络的水声声线补偿定位方法，其特征在于，

7.根据权利要求6所述的基于端到端图神经网络的水声声线补偿定位方法，其特征在于，

8.根据权利要求7所述的基于端到端图神经网络的水声声线补偿定位方法，其特征在于，

9.一种计算机设备，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，其特征在于，所述处理器执行所述可执行代码时，实现如权利要求1至8任一项所述的基于端到端图神经网络的水声声线补偿定位方法的步骤。

10.一种计算机可读存储介质，其上存储有程序，其特征在于，程序被处理器执行时，实现如权利要求1至8任一项所述的基于端到端图神经网络的水声声线补偿定位方法的步骤。