1.一种基于深度学习的漂流式浅海局部地声参数预测方法，其特征在于，具体包括如下步骤：S1，采用漂流方式获取海底反射数据；

S2，对由步骤S1采集到的原始海底反射数据进行预处理；采用基于深度学习的时域滤波方法去除噪声信号，基于多通道自相关度机制神经网络提取有效信号，再基于几何声波传播模型根据信号到达时间区分反射波和直接到达波，获取实际的海底反射信息；

步骤S2具体包括如下步骤：

S2.1，对采集到的原始数据进行预处理，将数据二进制化再将数据切割并过滤掉无效信号，保留有效信号；

S2.2，对单一通道的实验数据进行处理，由空间几何关系计算确定第 个接收器阵元的深度 ； 是声源的深度， 是根据GPS坐标计算的声源与倾斜接收阵水平距离，设声源与第 个接收器阵元的直线距离为 米，设点 到声源和第 个接收器阵元的直线距离分别是 和 ，声源和第 个接收器阵元到海底的竖直距离分别为 和，由几何关系可以得到以下公式：（1）；

（2）；

（3）；

由公式(1)、公式(2)和公式(3)，分别建立 和 的关系，再根据直接到达波和反射波的到达时间和传播距离，得到如下关系：（4）；

其中，是声速，是直接到达波传播用时，是反射波传播用时；

步骤S2具体包括如下步骤：

S2.3，以调查船和倾斜接收阵的GPS定位信息计算的 为中心点，以 米的值初始化 的取值范围，在此范围内遍历 的值，使(4)式成立，得到满足所需精度要求的 值，然后利用三角关系计算得到对应的掠射角；

S2.4，对含噪声的海底反射声信号数据和纯净信号数据进行预处理；采用随机划分的方法，将数据划分为训练集、验证集以及用于预测地声参数的测试集；

S2.5，采用多通道自相关度机制神经网络模型结构，包括输入层、基于多通道自相关度机制的编码器以及输出层；每个多通道自相关度机制编码器由多个多通道自相关度机制模块和完全线性层组成，使用最小均方误差函数作为损失函数，采用动量法的梯度下降优化器进行网络的训练；

S2.6，将训练数据送入网络进行训练，根据损失函数的反馈更新网络的权重；

S2.7，使用测试集对优化收敛后的网络模型进行测试，评估网络的性能并调整模型参数，将新的含有噪声的时域信号输入训练好的模型中，获得去噪后的时域信号；对预测结果进行滤波、重采样操作处理，得到最终的去噪后的海底反射声信号；

S2.8，从滤波去噪处理后的信号中提取直接到达波以及海底反射波的信息，用于实现基于宽掠射角海底反射信息的地声参数预测，对于接收点深度为 米、水平距离为 米处的水听器，利用几何声波传播模型计算的声线轨迹及响应时间；计算反射系数 ；

（5）；

式(5)中， 表示海底反射波强度， 表示直接到达波强度， 表示反射波路径长度，表示直接到达波路径长度；

S3，基于积分变换法和待定系数法构建二维海底反射信息数据集；

S4，在步骤S3中建立的二维海底反射信息数据集上训练多通道自相关度机制神经网络；再将步骤S2中提取的实际海底反射信息输入收敛后的多通道自相关度机制神经网络，网络输出即是海底反射信息对应的海底地声参数；

步骤S4具体包括如下步骤：

S4.1，对于由步骤S3建立的二维海底反射信息数据集，将训练集中的二维海底反射数据输入嵌入层模块，对输入数据做初始化处理；

S4.2，通过 卷积算子对二维数据进行分块特征提取；

S4.3，将降维处理后的 数据与特征 向量进行拼接，对拼接后的数据进行位置编码；将经过拼接和位置编码的序列输入一个含有丢弃层的网络结构，其丢弃概率为 ；通过丢弃层，得到维度为 的 向量；

S4.4，将 向量组成的序列作为张量 输入多通道自相关度机制编码层，自相关度的通道数为 ，每一个自相关通道的维度 ；单个自相关通道的规范化参数为 ；将输入的张量 均分为个子张量 ，每个子张量的维度均为 ；

S4.5，将均分后的子张量 并行输入第一层多通道自相关度机制编码层，首先进入一个维度为 的完全线性网络层，分别计算其查询值张量 、关键值张量 、真实值张量 ：；

；

（23）；

式(23)中， 代表查询值变换张量， 代表关键值变换张量， 代表真实值变换张量；

计算 得到的 按照自 相关 度的 通道 数划 分为 个 ，即；然后对 ,  …

分别计算其自相关度张量 ：

 （24）；

其中 是张量 和 的列数；

S4.6，采用跃层连接，将第一层多通道自相关度机制编码层的输入张量 和输出张量相结合，然后再进行基于行标准的规范化，将张量各行结果转化为一个均值为0方差为1的序列，转化后的结果为张量 ；

S4.7，将张量 输入多层线性网络模块，该模块包含两层完全线性网络结构，首先输入第一层完全线性网络结构，输入的维度 与张量 的维度相同，输出的维度， 为待设定的参数；该层的丢弃概率为 ，采用 函数提高模型的非线性拟合能力：

（25）；

是 函数的输入变量， 是归一化的标准高斯随机变量；整个多层线性网络模块对应的公式如下：（26）；

和 是两个不同的权重张量， 和 是两个不同的偏置张量，整个多层线性网络模块输出结果的维度与维度 一致，对结合后的张量进行基于行标准的规范化，得到多层线性网络模块的输出张量 ；

S4.8，在第层多通道自相关度机制编码层中，其中  = 2, 3, … , L，首先对第层的输出 进行规范化，再输入多通道自相关度机制编码层；采用跃层连接，进行基于行标准的规范化后，输入多层线性网络模块；将多层线性网络模块的输出结果通过丢弃层，采用跃层连接，得到第层多通道自相关度机制编码层的输出，并将其作为第 层多通道自相关度机制编码层的输入；重复上述第 层多通道自相关度机制编码层中的步骤，最终得到第 层多通道自相关度机制编码层的输出张量 ；

S4.9，对第 层多通道自相关度机制编码层的输出结果 进行基于行的标准化，再将特征 向量的输出结果导入一个完全线性网络层，通过完全线性网络层的输出结果即是二维海底反射数据经过多通道自相关度机制神经网络处理后的高维抽象特征；

S4.10，使用抽象特征和地声参数匹配网络模块，模块的输入为高维抽象特征，输出为预测的地声参数；通过正向传播过程计算权重张量并更新网络参数，再通过反向传播过程计算梯度，重复正向传播和反向传播过程，完成神经网络的训练过程；

S4.11，将由步骤S2实际采集到的局部海底反射数据输入步骤S4.10中的神经网络，预测浅海局部海底地声参数。

2.根据权利要求1所述的一种基于深度学习的漂流式浅海局部地声参数预测方法，其特征在于，步骤S1具体包括如下步骤：S1.1，采用电火花声源和球形声源作为激发声源，以获得频带范围为1‑10kHz的声源信号；

S1.2，将船只航行到目标实验站位，连接并调试数据采集设备，在船舷处将倾斜接收阵放入水中，并使用GPS测量仪记录此时的位置，然后利用声速剖面仪进行声速剖面数据测量；将电火花声源沉放到 深度，由船只拖动电火花声源完成水平方向上的移动，使船只行进至倾斜接收阵附近，关闭发动机；

S1.3，电火花声源在船漂流时连续发射尖脉冲信号，间隔 秒，电火花声源与倾斜接收阵水平距离为 米， ， 是测量水平距离的次数，第 个接收器阵元的深度为米， 是接收器阵元的个数,  ；当 和 一定时，通过搭载电火花声源的调查船在海流作用下的移动，使电火花声源在不同水平位置上激发，改变电火花声源与倾斜接收阵距离 ，并用倾斜接收阵进行接收；持续 分钟后，关闭电火花声源并开启船只发动机，使电火花声源回到倾斜接收阵附近，再次关闭发动机；进行电火花声源的宽掠射角海底声反射数据的采集，回收电火花声源，船只开机返回倾斜接收阵处；更换声源为球形声源，进行球形声源的宽掠射角海底声反射数据的采集，回收球形声源，船只开机返回倾斜接收阵处；利用声学释放器释放倾斜接收阵和采集设备，待其浮至水面后，打捞至船上，并导出实验数据。

3.根据权利要求1所述的一种基于深度学习的漂流式浅海局部地声参数预测方法，其特征在于，步骤S3具体包括如下步骤：S3.1，经过声源建立柱坐标系 ，则包含声源的第 层中含 的声场可以用位移函数表示，其中 是以自然常数 为底的指数函数，是虚数单位，是声源频率，代表时间，位移函数 满足以下微分方程： （6）；

式(6)中 分别表示柱坐标系下水平方向和竖直方向的位移， 是拉普拉斯算子，是狄拉克函数， 表示声源函数， 表示第 层的介质波数，即：（7）；

式(7)中 表示深度为 处的声速，在无声源的水平层中，声场满足齐次条件，令式(6)中声源函数恒等于零；

将特殊函数正变换应用于方程(6)得到深度分离的波动方程：(8)；

其中， 为介质总波数， 是深度分离的声源函数；式(8)的特解 与齐次方程的解 和 的线性组合构成了通解，水平分层的声场通解 为：(9）；

方程(9)中 和 是每一个水平层对应的待定系数，由该水平层上下界面的边界条件决定；

如果在层内没有声源，总声场就由特殊函数逆变换直接得出，即为：(10)；

其中，总声场分解为水平波数为 的上行锥形波 和下行锥形波 ， 为上行锥形波的待定系数， 为下行锥形波的待定系数， 代表水平分层的零阶贝塞尔函数；

如果层中有声源，相应的声源对总声场的贡献仍然由特殊函数变换得出: (11)；

如果在层内有更多的声源，则直接根据每个声源的贡献进行叠加，即:(12)； 

(13)；

式(12)中， 表示垂直位移， 表示应力， 表示单位阶跃函数。

4.根据权利要求3所述的一种基于深度学习的漂流式浅海局部地声参数预测方法，其特征在于，步骤S3具体包括如下步骤：S3.2，采用待定系数法求解水平分层的声场，将第 层中反射波幅度 和入射波幅度集合成一个局部自由度向量 ，即为:    (14)；

其中 为水平波数，如果包含在边界条件中的声场参数的核函数表示成以下向量形式： (15)；

上式中 和 分别表示位移和应力，则对于第 层中解的齐次部分，可以得到以下矩阵关系： (16)；

局部系数矩阵 是水平波数 和深度的函数；

将声场函数 与水平分层的解相加，则声场参数在第 个界面上的连续性表示为：   (17)；

其中， 表示第m层上界面水平分层的解， 表示第m层上界面水平分层的声场函数， 表示第m层下界面水平分层的解， 表示第m层下界面水平分层的声场函数；

全局有源声场间断特性向量 ：

(18)；

式(17)与式(18)要实现全局相互抵消，必须满足以下线性方程组：(19)；

式中 是全局系数矩阵，即:

    (20)；

其中拓扑矩阵 和 是矩阵元素全部为0或1的稀疏矩阵。

5.根据权利要求4所述的一种基于深度学习的漂流式浅海局部地声参数预测方法，其特征在于，步骤S3具体包括如下步骤：S3.3,计算入射平面波的复幅度 和反射平面波的复幅度，其中 为介质总波数，为入射波与水平方向的夹角即掠射角，求出平面波反射系数 ：

（21）；

根据求得的反射系数 ，计算得到海底的反射信息 ；

（22）；

生成不同地声参数条件下的掠射角和反射信息的曲线 ，对曲线进行求导得到海底反射曲线的导函数 和二阶导函数 ，分别计算 和 的互相关矩阵和 ；建立关于 和 的等效二维图像，图

像的横轴和纵轴均为 ，且 范围 。