基于字典学习的声速剖面重构和反演

声速剖面（Sound Speed Profile，SSP） 是海洋环境观测的重要要素之一，引入遥感参数进行SSP 反演可以实时获取声速数据。反演首先需要依托精确的基函数对声速场进行降维表示，本文提出一种利用非线性基函数-学习字典（Learned Dictionaries，LDs） 提高降维精度的方案，并使用在多源信息融合上表现良好的自组织竞争型神经网络算法（Self-organizing Map，SOM） 对南海海域进行SSP 反演。实验结果使用均方根误差（Root Mean Square Error，RMSE）作为精度评估。实验结果显示：LDs 较传统基函数-经验正交函数（Empirical Orthogonal Functions，EOFs） 的降维精度在使用三阶基函数时提升0.13 m/s，五阶基函数提升0.07 m/s。使用五阶基函数进行反演，LDs 的反演精度为3.01 m/s，低于EOFs 的反演精度2.47 m/s。其原因为反演误差在机器学习训练基函数时被放大，导致所求得反演系数欠优。LDs 基函数较之传统的EOFs 能够有效突破正交性的限制，更精确地表示声速的扰动，达到了更高的降维精度，为声学信号处理任务的基函数学习提供一种方案。

Reconstruction and Inversion of Sound Speed Profile Based on Dictionary Learning