利用字典学习方法的声速剖面反演研究

摘要

针对经验正交函数(Empirical Orthogonal Function,EOF)建模反演得到的声速剖面(Sound Speed Profile,SSP)估计值分辨率比较低的问题,文章采用字典学习方法中的K-奇异值分解(K-Singular Value Decomposition,K-SVD)算法生成声速剖面的非正交原子,研究了该方法生成的学习字典(Learning Dictionary,LD)对声速剖面的重建性能。首先,采用K-SVD算法从获得的数据中训练SSP字典,然后利用正交匹配追踪(Orthogonal Matching Pursuit,OMP)的稀疏方法给出训练信号的稀疏向量,最后通过得到的最优学习字典和稀疏向量反演得到SSP的估计值。结果表明,K-SVD算法比EOF算法使用更少的基函数即可很好地描述SSP的变化,获得更高的反演精度。