声纳与人工智能融合——从理论前沿到自主系统实战（进阶篇）第一章 水声物理场建模的神经算子范式

张开发
• 2026/4/7 0:40:00 • 15 分钟阅读

最新文章

推荐文章

相关文章

分享文章

声纳与人工智能融合——从理论前沿到自主系统实战（进阶篇）第一章 水声物理场建模的神经算子范式
第一章 水声物理场建模的神经算子范式1.1 从PINN到算子学习：突破网格依赖水声物理场的数值模拟长期受限于计算网格的刚性约束。传统有限元或有限差分方法在求解高频声传播或复杂海底地形时，网格细化导致的计算复杂度呈指数级增长。神经算子学习（Neural Operator Learning）通过无限维函数空间的直接映射，从根本上解除了离散化网格对解空间的束缚，实现了声场预测从"数值逼近"向"算子插值"的范式转移。1.1.1 亥姆霍兹方程的无限维函数空间映射时谐声压场在水下环境中的传播遵循缩减波动方程。设声压场为 p(x,ω) ，其中 x∈Ω⊂R3 为空间坐标，ω 为角频率，声速剖面 c(x) 表征海洋介质的声学特性。稳态声传播满足如下边值问题：∇2p(x)+k2(x)p(x)=−s(x),x∈Ω其中 k(x)=ω/c(x) 为局部波数，s(x) 代表声源项。边界 ∂Ω 上施加狄利克雷或诺伊曼条件以模拟海面/海底的声学特性。经典数值方法将上述连续问题投影至有限维空间，通过离散化矩阵求逆获得近似解。神经算子方法则建立从输入函数（声速剖面 c(x) 、边界条件、声源分布）到输出函数（声压场 p(x) ）的非线性映射算子 G† ：G†:A×Θ→U其中 A 为输入函数空间（声速环境参数），U 为输出函数空间（声压场），Θ 为网络参数空间。该算子定义于无限维巴拿赫空间，通过训练数据 {cj​(x),pj​(x)}j=1N​ 学习参数化表示 Gθ​ ，使得：Gθ​≈G†,Ec∼μ​[∥Gθ​(c)−G†(c)∥U2​]→min此处 μ 为声速剖面的概率测度，定义于函数空间 A 。与物理信息神

更多文章