# UWSL-APP **Repository Path**: open-ocean/uwsl-app ## Basic Information - **Project Name**: UWSL-APP - **Description**: 神经网络水下声源定位APP - **Primary Language**: Unknown - **License**: Not specified - **Default Branch**: master - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 6 - **Forks**: 1 - **Created**: 2025-01-23 - **Last Updated**: 2026-01-07 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README [中文](README.md) | [English](README-en.md) # UWSL-APP ## 介绍 神经网络水下声源定位APP是一个使用matlab app生成数据集，使用python app训练模型进行定位的APP。 我们在不同海深的数据集上进行了训练和测试，定位结果如下表所示 | 模型名称 | 运行选项 | 权重文件路径 | 阵元数 | 频点数 | 批次大小 | 训练周期 | 数据集路径 | 学习率 | 保存路径 | 保存文件名 | 运行时间 | 备注 | 训练误差-距离 | 训练误差-深度 | **测试平均准确度-距离** | **测试平均准确度-深度** | **测试平均误差-距离** | **测试平均误差-深度** | | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | | mtl_cnn | train | - | 6 | 151 | 32 | 50 | E:/2.0_UWSL_Datasets/test | 1e-3 | E:/2.0_UWSL_Datasets/test | mtl_cnn_test_epoch_50.00 | 2025-02-07 13:54:02.217284 | d100 | 0.460 km | 0.603 m | **83.0 %** | **90.7 %** | **0.813 km** | **2.120 m** | | mtl_unet | train | - | 6 | 151 | 32 | 50 | E:/2.0_UWSL_Datasets/test | 1e-3 | E:/2.0_UWSL_Datasets/test | mtl_unet_test_epoch_50.00 | 2025-02-07 13:55:48.091595 | d100 | 0.353 km | 0.337 m | **87.7 %** | **89.4 %** | **0.766 km** | **2.272 m** | | mtl_unet_cbam | train | - | 6 | 151 | 32 | 50 | E:/2.0_UWSL_Datasets/test | 1e-3 | E:/2.0_UWSL_Datasets/test | mtl_unet_cbam_test_epoch_50.00 | 2025-02-07 13:57:28.823126 | d100 | 0.401 km | 0.285 m | **83.2 %** | **88.4 %** | **0.768 km** | **2.502 m** | | xception | train | - | 6 | 151 | 32 | 50 | E:/2.0_UWSL_Datasets/test | 1e-3 | E:/2.0_UWSL_Datasets/test | xception_test_epoch_50.00 | 2025-02-07 13:59:34.321049 | d100 | 0.345 km | 0.698 m | **86.3 %** | **89.3 %** | **0.785 km** | **3.058 m** | | mtl_cnn | train | - | 10 | 151 | 32 | 50 | E:/2.0_UWSL_Datasets/1200m | 1e-3 | E:/2.0_UWSL_Datasets/1200m | mtl_cnn_1200m_epoch_50.00 | 2025-02-08 18:49:14.167180 | d1200 | 0.195 km | 0.778 m | **77.3 %** | **69.9 %** | **1.045 km** | **6.048 m** | | mtl_unet | train | - | 10 | 151 | 32 | 50 | E:/2.0_UWSL_Datasets/1200m | 1e-3 | E:/2.0_UWSL_Datasets/1200m | mtl_unet_1200m_epoch_50.00 | 2025-02-08 18:49:44.237236 | d1200 | 0.159 km | 0.733 m | **83.8 %** | **80.7 %** | **0.737 km** | **3.236 m** | | mtl_unet_cbam | train | - | 10 | 151 | 32 | 50 | E:/2.0_UWSL_Datasets/1200m | 1e-3 | E:/2.0_UWSL_Datasets/1200m | mtl_unet_cbam_1200m_epoch_50.00 | 2025-02-08 18:50:05.161912 | d1200 | 0.172 km | 0.945 m | **82.8 %** | **72.2 %** | **0.793 km** | **3.533 m** | | xception | train | - | 10 | 151 | 32 | 50 | E:/2.0_UWSL_Datasets/1200m | 1e-3 | E:/2.0_UWSL_Datasets/1200m | xception_1200m_epoch_50.00 | 2025-02-08 18:50:25.447641 | d1200 | 0.198 km | 0.818 m | **84.3 %** | **71.9 %** | **0.785 km** | **3.446 m** | | mtl_cnn | train | - | 20 | 151 | 32 | 50 | E:/2.0_UWSL_Datasets/2200m | 1e-3 | E:/2.0_UWSL_Datasets/2200m | mtl_cnn_2200m_epoch_50.00 | 2025-02-09 08:47:12.563411 | d2200 | 0.677 km | 0.920 m | **80.7 %** | **69.8 %** | **3.421 km** | **7.710 m** | | mtl_unet | train | - | 20 | 151 | 32 | 50 | E:/2.0_UWSL_Datasets/2200m | 1e-3 | E:/2.0_UWSL_Datasets/2200m | mtl_unet_2200m_epoch_50.00 | 2025-02-09 12:02:26.813284 | d2200 | 0.702 km | 1.381 m | **82.4 %** | **71.6 %** | **3.584 km** | **5.685 m** | | mtl_unet_cbam | train | - | 20 | 151 | 32 | 50 | E:/2.0_UWSL_Datasets/2200m | 1e-3 | E:/2.0_UWSL_Datasets/2200m | mtl_unet_cbam_2200m_epoch_50.00 | 2025-02-09 14:58:27.968796 | d2200 | 0.617 km | 1.266 m | **82.0 %** | **72.5 %** | **3.913 km** | **4.815 m** | | xception | train | - | 20 | 151 | 32 | 50 | E:/2.0_UWSL_Datasets/2200m | 1e-3 | E:/2.0_UWSL_Datasets/2200m | xception_2200m_epoch_50.00 | 2025-02-09 18:31:22.151742 | d2200 | 0.697 km | 1.034 m | **85.5 %** | **76.3 %** | **2.394 km** | **5.048 m** | | mtl_cnn | train | - | 20 | 151 | 32 | 50 | E:/2.0_UWSL_Datasets/3200m | 1e-3 | E:/2.0_UWSL_Datasets/3200m | mtl_cnn_3200m_epoch_50.00 | 2025-02-12 22:17:31.182308 | d3200 | 1.493 km | 1.257 m | **59.3 %** | **52.0 %** | **20.377 km** | **7.387 m** | | mtl_unet | train | - | 20 | 151 | 32 | 50 | E:/2.0_UWSL_Datasets/3200m | 1e-3 | E:/2.0_UWSL_Datasets/3200m | mtl_unet_3200m_epoch_50.00 | 2025-02-13 00:02:27.549943 | d3200 | 1.320 km | 1.736 m | **72.2 %** | **54.9 %** | **6.586 km** | **8.394 m** | | mtl_unet_cbam | train | - | 20 | 151 | 32 | 50 | E:/2.0_UWSL_Datasets/3200m | 1e-3 | E:/2.0_UWSL_Datasets/3200m | mtl_unet_cbam_3200m_epoch_50.00 | 2025-02-13 01:41:32.826449 | d3200 | 1.883 km | 1.792 m | **67.3 %** | **46.4 %** | **10.451 km** | **9.899 m** | | xception | train | - | 20 | 151 | 32 | 50 | E:/2.0_UWSL_Datasets/3200m | 1e-3 | E:/2.0_UWSL_Datasets/3200m | xception_3200m_epoch_50.00 | 2025-02-13 03:49:35.596722 | d3200 | 1.363 km | 1.206 m | **75.0 %** | **68.1 %** | **6.763 km** | **8.474 m** | | mtl_cnn | train | - | 20 | 151 | 32 | 50 | E:/2.0_UWSL_Datasets/4200m | 1e-3 | E:/2.0_UWSL_Datasets/4200m | mtl_cnn_4200m_epoch_50.00 | 2025-02-14 10:16:30.001760 | d4200 | 2.337 km | 1.423 m | **69.7 %** | **53.0 %** | **16.251 km** | **7.038 m** | | mtl_unet | train | - | 20 | 151 | 32 | 50 | E:/2.0_UWSL_Datasets/4200m | 1e-3 | E:/2.0_UWSL_Datasets/4200m | mtl_unet_4200m_epoch_50.00 | 2025-02-14 12:00:32.803864 | d4200 | 4.089 km | 1.737 m | **67.8 %** | **64.2 %** | **14.557 km** | **7.173 m** | | mtl_unet_cbam | train | - | 20 | 151 | 32 | 50 | E:/2.0_UWSL_Datasets/4200m | 1e-3 | E:/2.0_UWSL_Datasets/4200m | mtl_unet_cbam_4200m_epoch_50.00 | 2025-02-14 13:41:52.492001 | d4200 | 3.923 km | 1.990 m | **69.5 %** | **63.5 %** | **18.840 km** | **6.806 m** | | xception | train | - | 20 | 151 | 32 | 50 | E:/2.0_UWSL_Datasets/4200m | 1e-3 | E:/2.0_UWSL_Datasets/4200m | xception_4200m_epoch_50.00 | 2025-02-14 15:51:10.544488 | d4200 | 3.610 km | 1.264 m | **61.1 %** | **66.3 %** | **15.855 km** | **5.905 m** | | mtl_cnn | train | - | 20 | 151 | 32 | 50 | E:/2.0_UWSL_Datasets/5200m | 1e-3 | E:/2.0_UWSL_Datasets/5200m | mtl_cnn_5200m_epoch_50.00 | 2025-02-16 22:43:01.217414 | d5200 | 2.471 km | 11.946 m | **68.0 %** | **47.1 %** | **19.452 km** | **33.303 m** | | mtl_unet | train | - | 20 | 151 | 32 | 50 | E:/2.0_UWSL_Datasets/5200m | 1e-3 | E:/2.0_UWSL_Datasets/5200m | mtl_unet_5200m_epoch_50.00 | 2025-02-17 00:31:14.955910 | d5200 | 3.627 km | 19.368 m | **56.0 %** | **42.8 %** | **20.253 km** | **39.668 m** | | mtl_unet_cbam | train | - | 20 | 151 | 32 | 50 | E:/2.0_UWSL_Datasets/5200m | 1e-3 | E:/2.0_UWSL_Datasets/5200m | mtl_unet_cbam_5200m_epoch_50.00 | 2025-02-17 02:17:07.864130 | d5200 | 3.171 km | 20.446 m | **67.4 %** | **48.2 %** | **19.623 km** | **42.536 m** | | xception | train | - | 20 | 151 | 32 | 50 | E:/2.0_UWSL_Datasets/5200m | 1e - 3 | E:/2.0_UWSL_Datasets/5200m | xception_5200m_epoch_50.00 | 2025-02-17 04:30:12.104141 | d5200 | 2.171 km | 15.461 m | **77.3 %** | **37.3 %** | **15.300 km** | **39.715 m** | | mtl_cnn | train | - | 20 | 151 | 32 | 100 | E:/2.0_UWSL_Datasets/6200m | 2e - 3 | E:/2.0_UWSL_Datasets/6200m | mtl_cnn_6200m_epoch_100.00 | 2025-02-17 21:52:43.418065 | d6200 | 2.760 km | 14.233 m | **75.1 %** | **67.6 %** | **13.186 km** | **31.518 m** | | mtl_unet | train | - | 20 | 151 | 32 | 100 | E:/2.0_UWSL_Datasets/6200m | 2e - 3 | E:/2.0_UWSL_Datasets/6200m | mtl_unet_6200m_epoch_100.00 | 2025-02-18 01:18:35.626580 | d6200 | 2.535 km | 35.213 m | **70.8 %** | **61.8 %** | **18.272 km** | **35.456 m** | | mtl_unet_cbam | train | - | 20 | 151 | 32 | 100 | E:/2.0_UWSL_Datasets/6200m | 2e - 3 | E:/2.0_UWSL_Datasets/6200m | mtl_unet_cbam_6200m_epoch_100.00 | 2025-02-18 04:36:23.284802 | d6200 | 3.087 km | 46.785 m | **63.3 %** | **31.7 %** | **22.812 km** | **75.593 m** | | xception | train | - | 20 | 151 | 32 | 100 | E:/2.0_UWSL_Datasets/6200m | 2e - 3 | E:/2.0_UWSL_Datasets/6200m | xception_6200m_epoch_100.00 | 2025-02-18 09:30:36.380418 | d6200 | 2.563 km | 27.303 m | **76.3 %** | **76.8 %** | **17.136 km** | **23.333 m** | ![alt text](正确率.png) 定位的正确率随着海深（100-6000m）的变化如上图所示，可以看出，海深越深，定位正确率越低，说明深海定位的难度较大。四种模型中，xception模型的平均正确率最高，mtl_unet_cbam的平均正确率最低。 四个模型在不同海深上距离和深度的雷达能力图如下图所示。 ![alt text](能力图.png) ## 软件架构 UWSL - APP 整体软件架构主要分为数据生成和神经网络应用两大部分，各部分分工明确，通过文件和配置进行交互。以下是详细的架构说明： 1. 根目录文件 - **配置与日志文件** - `config.txt`：存储整个项目的通用配置信息。 - `log.txt`：记录项目运行过程中的日志，便于调试和监控。 - **数据与文档文件** - `infos.db`：存储项目相关的重要数据。 - `数据存储结构.vsdx`：以 Visio 格式展示数据存储结构的设计文档。 - `数据集构建.png`：直观呈现数据集构建过程。 - **项目说明文件** - `folder_structure.txt`：记录项目文件夹结构。 - `README.md`：项目说明文档，包含概述、使用方法等内容。 2. 1.1_DataGenerationAPP（声场数据生成应用） 该模块使用 MATLAB 开发，负责数据生成和配置管理。 - **主目录文件** - `config.json`：该模块的配置文件，包含数据生成参数。 - `FunSWDataSim.asv` 和 `FunSWDataSim.m`：用于数据模拟的 MATLAB 脚本。 - `TableDataApp.mlapp` 和 `TableDataApp_exported.m`：与表格数据应用相关的 MATLAB 程序和导出脚本。 - **1.1.0_SettingTables（设置表子模块）** - 多个 `.xlsx` 文件（如 `1000M.xlsx` - `6200M.xlsx`）存储不同规模或参数的数据设置。 - `Parameters.xlsx` 和 `Parameters_zh.xlsx`：分别为英文和中文的参数信息文件。 - `setting.json`：该子模块的特定配置文件。 - `test.xlsx`：用于测试的数据文件。 - **1.1.1_EnvBaseDataSet（环境基础数据集子模块）** - `rd.txt`、`ssp.txt` 和 `ssp_pek.txt`：存储环境基础数据。 - **dependencies（依赖项子模块）** - 多个 `.exe` 和 `.m` 文件（如 `bellhop.exe`、`bellhop.m` 等）是数据生成依赖的外部工具和 MATLAB 脚本。 3. 1.2_NeuralNetworksAPP（神经网络应用） 该模块使用 Python 开发，负责神经网络模型的训练和应用。 - **主目录文件** - `common.py`：包含项目通用的函数和类。 - `main_pyqt.py` 和 `main_tmn.py`：项目主运行脚本，使用 PyQt 实现界面交互。 - `NetMain.py`：神经网络的主控制脚本。 - `option.py`：处理神经网络配置选项。 - `qtui.py` 和 `qtui.ui`：与 PyQt 界面设计相关的文件。 - `trainer.py`：负责神经网络模型的训练。 - **data（数据子模块）** - 多个 `.py` 文件（如 `Dataloader.py`、`Dataloader22.py` 等）用于数据加载和处理。 - `Read and visualize data-Copy1.ipynb`、`Read and visualize data.html` 和 `Read and visualize data.ipynb`：用于数据读取和可视化的 Jupyter Notebook 文件。 - `__init__.py`：使该目录成为 Python 包。 - **model（模型子模块）** - 多个 `.py` 文件（如 `CMFP.py`、`mtl_cnn.py` 等）定义不同的神经网络模型。 - `__init__.py`：使该目录成为 Python 包。 - **Plt（绘图子模块）** - `beaplot.py`：用于绘制相关图表的 Python 脚本。 ## 安装教程 1. 硬件准备 确保你拥有一台带有 GPU 的主机，并且已经安装好了 CUDA 环境。如果尚未安装 CUDA，可以按照以下步骤进行： - **检查 GPU 兼容性**：访问 NVIDIA 官方网站，确认你的 GPU 支持所需的 CUDA 版本。 - **下载 CUDA Toolkit**：从 NVIDIA 官方网站下载适合你操作系统和 GPU 的 CUDA Toolkit 安装包。 - **安装 CUDA Toolkit**：运行下载的安装包，按照安装向导的提示完成安装。安装过程中可以选择自定义安装选项，根据需要安装 CUDA 工具、驱动程序等组件。 - **验证安装**：安装完成后，打开命令行工具，输入 `nvcc --version` 命令，如果能够显示 CUDA 版本信息，则说明安装成功。 2. 数据生成代码环境准备（Windows 系统） 数据生成代码需要在 Windows 系统上安装 MATLAB 2021+ 版本。按照以下步骤进行安装： - **下载 MATLAB**：访问 MathWorks 官方网站，下载 MATLAB R2021 或更高版本的安装包。 - **安装 MATLAB**：运行下载的安装包，按照安装向导的提示完成安装。在安装过程中，你可以选择需要安装的工具箱，建议至少安装 Signal Processing Toolbox、Neural Network Toolbox 等相关工具箱。 - **激活 MATLAB**：安装完成后，根据提示激活 MATLAB 软件。你可以使用 MathWorks 账户进行在线激活，也可以使用许可证文件进行离线激活。 3. 网络训练代码环境准备 网络训练代码需要使用 Python 3.9 版本，并且通过 `pip` 安装所需的依赖项。按照以下步骤进行： **下载并安装 Anaconda（推荐）** Anaconda 是一个包含 Python 和众多科学计算库的发行版，同时提供了方便的虚拟环境管理工具 `conda`。 1. 访问 [Anaconda 官方下载页面](https://www.anaconda.com/products/distribution)。 2. 选择适合系统的 Anaconda 安装包进行下载。 3. 运行下载的安装包，按照安装向导的提示完成安装。在安装过程中，建议勾选“Add Anaconda3 to my PATH environment variable”选项，这样可以方便在命令行中使用 `conda` 命令。 - **Linux 终端**： 1. 打开终端，使用 `wget` 命令下载 Anaconda 安装脚本： ```bash wget https://repo.anaconda.com/archive/Anaconda3-202x.xx-Linux-x86_64.sh # 替换为最新版本号 ``` 2. 运行下载的安装脚本： ```bash bash Anaconda3-202x.xx-Linux-x86_64.sh # 替换为实际下载的文件名 ``` **创建虚拟环境（可选但推荐）** 为了避免不同项目之间的依赖冲突，建议使用虚拟环境。可以使用 venv 或 conda 创建虚拟环境。 使用 venv 创建虚拟环境： - **使用 `conda` 创建虚拟环境**： ```bash conda create -n uwslapp python=3.9 conda activate uwslapp ``` - **使用 venv 创建虚拟环境**： ```bash python3.9 -m venv uwslapp source uwslapp/bin/activate # Linux/macOS uwslapp\Scripts\activate # Windows ``` - **安装依赖项**： 进入项目根目录，使用以下命令安装 requirements.txt 中列出的所有依赖项： ```bash pip install -r requirements.txt ``` 4. 验证安装 完成上述步骤后，你可以尝试运行项目中的数据生成代码和网络训练代码，验证安装是否成功。如果遇到任何问题，可以根据错误信息进行排查和解决。 通过以上步骤，你应该能够成功安装并配置好项目所需的硬件和软件环境。如果在安装过程中遇到任何问题，请参考相关软件的官方文档或寻求社区支持。 ## 使用说明 1. 1.1_DataGenerationAPP（声场数据生成应用） (1). 使用matlab运行 `TableDataApp.mlapp`，打开应用界面。 ![alt text](image.png) (2). 在界面上配置声速剖面、接收阵深度、声源距离、声源深度、频段、底质声速、密度、吸收等。 - **参数表格设置** | 参数 | 单位 | 下限 | 上限 | 数值数量 | | --- | --- | --- | --- | --- | | 频率 | Hz | 50 | 200 | 151 | | 训练集 | - | 0 | 0 | 0 | | 声源距离 | km | 1 | 20 | 191 | | 声源深度 | m | 2 | 60 | 30 | | 海水深度 | m | 90 | 110 | 5 | | 底质纵波速度 | m/s | 1600 | 1800 | 3 | | 底质密度 | g/cm^3 | 1.4 | 1.6 | 3 | | 底质纵波衰减 | dB/λ | 0.05 | 0.05 | 1 | | 测试集 | - | 0 | 0 | 0 | | 声源距离 | km | 0.9 | 20.1 | 9 | | 声源深度 | m | 11 | 55.1 | 2 | | 海水深度 | m | 80.1 | 119.9 | 15 | | 底质纵波速度 | m/s | 1511 | 1889 | 15 | | 底质密度 | g/cm^3 | 1.2 | 1.8 | 6 | | 底质纵波衰减 | dB/λ | 0.05 | 0.05 | 1 | 该表格决定了训练集和测试集的参数范围和数量，声源距离、深度、频率、阵列深度的声压均存在同一个文件中。 ![alt text](数据存储结构-1.png) 数据集生成采用中心点法，均匀分布，均匀间隔，只有**环境**参数决定了最终生成的文件数量，对于上面表格的训练集，最终生成的文件数量为：5（海水深度）+3（底质纵波速度）+3（底质密度）-2（中心点）=9个。 ![alt text](数据集环境参数中心点法-1.png) 满足如下代码的.sim文件均可以作为数据集，因此该数据集用户可以自定义，注意用户可以直接将自己.sim文件复制到A.TrainingSet或者B.TestSet文件夹中，或者用户可以自己创建这两个文件夹，并在上级目录创建config.json。 ```matlab fid = fopen(filepath,'wb+'); % Create a binary file % Write pressure to the binary file for isd = 1: length(Pos.r.z) % Source depth circulation for isr = 1: length(Pos.r.range) % Source range circulation for ifreq = 1 :length(Pos.freqvec) % Source frequency circulation pr = reshape(squeeze(pressure(ifreq,:,isd,isr)).',[],1); % Take out the array received sound pressure from the data pr2 = sqrt(pr' * pr); if pr2 == 0 pr2 = 1; end pr_nor = pr/ pr2; % N2 normalized fwrite(fid, real(pr_nor),'float32'); % Write real part pressure fwrite(fid, imag(pr_nor),'float32'); % Write image part pressure end fwrite(fid, Pos.r.range(isr),'float32'); % Write Source range fwrite(fid, Pos.r.z(isd),'float32'); % Write Source depth end end fclose(fid); % Close the binary file ``` config.json中包含频率、训练集声源距离、声源深度等参数，其中频率、训练集声源距离、声源深度和测试集声源距离、声源深度以及接收深度是必须有的。 ```json { "Frequency": { "Unit": "Hz", "LowerLimit": 50, "UpperLimit": 200, "NumValues": 151 }, "trainset": { "SourceRange": { "Unit": "km", "LowerLimit": 1, "UpperLimit": 20, "NumValues": 191 }, "SourceDepth": { "Unit": "m", "LowerLimit": 2, "UpperLimit": 60, "NumValues": 30 }, "SeaWater": { "Unit": "m", "LowerLimit": 90, "UpperLimit": 110, "NumValues": 5 }, "BathPw_Speed": { "Unit": "m/s", "LowerLimit": 1600, "UpperLimit": 1800, "NumValues": 3 }, "BathRho": { "Unit": "g⁄cm^3", "LowerLimit": 1.4, "UpperLimit": 1.6, "NumValues": 3 }, "BathPw_Atten": { "Unit": "dB/λ", "LowerLimit": 0.05, "UpperLimit": 0.05, "NumValues": 1 } }, "testset": { "SourceRange": { "Unit": "km", "LowerLimit": 1, "UpperLimit": 20, "NumValues": 191 }, "SourceDepth": { "Unit": "m", "LowerLimit": 10, "UpperLimit": 60, "NumValues": 6 }, "SeaWater": { "Unit": "m", "LowerLimit": 80.1, "UpperLimit": 119.9, "NumValues": 15 }, "BathPw_Speed": { "Unit": "m/s", "LowerLimit": 1511, "UpperLimit": 1889, "NumValues": 15 }, "BathRho": { "Unit": "g⁄cm^3", "LowerLimit": 1.2, "UpperLimit": 1.8, "NumValues": 6 }, "BathPw_Atten": { "Unit": "dB⁄λ", "LowerLimit": 0.05, "UpperLimit": 0.05, "NumValues": 1 } }, "ReceiverDepth": [ 10, 20, 30, 40, 50, 60 ], "SoundSpeedProfile": [ [ 0, 1548.52 ], ... [ 5000, 1551.91 ] ] } ``` - **模型设置** 目前可用的是kraken（简正波）、bellhop模型（射线），ram模型（抛物方程）待开发。 - **阵列设置** 阵列目前只支持垂直阵，包括阵元个数设置（Num of Receiver）和接收深度设置（Receiver Depth），接收深度设置支持首尾设置，并根据真元个数直接等间隔插值。 - **声速剖面设置** 声速剖面的设置中，第一列为深度(m) ，第二列为声速(m/s)，以空格分隔，例如： ```text 0.0 1548.52 200.0 1530.29 ... ... 5000.0 1551.91 ``` 请保证声速剖面深度从0开始，严格递增，声速剖面分层过细的（一般超过200行），请先插到较粗的网格，最大深度一定要大于训练和测试集的海水深度。 (3)点击“Run&Save”按钮，选择生成文件夹路径，开始数据模拟。 ![alt text](image-1.png) 2. 1.2_NeuralNetworksAPP（神经网络应用） (1). 运行 `main_pyqt.py`，打开应用界面。 使用终端运行 ```bash cd 2.0_UWSL_APP python .\1.2_NeuralNetworksAPP\main_pyqt.py ``` ![alt text](image-2.png) (2). 在界面上选择配置的神经网络模型和参数，包括网络名称、数据集路径、学习率、运行模式、训练周期等参数。 - **模型**包括 - mtl_cnn（Liu Y, Niu H, Li Z. A multi-task learning convolutional neural network for source localization in deep ocean. The Journal of the Acoustical Society of America 2020;148:873–83. https://doi.org/10.1121/10.0001762.） - mtl_unet（P. Qian, W. Gan, H. Niu, G. Ji, Z. Li, G. Li, A feature-compressed multi-task learning U-Net for shallow-water source localization in the presence of internal waves, Applied Acoustics 211 (2023) 109530. https://doi.org/10.1016/j.apacoust.2023.109530.） - mtl_unet_cbam（P. Qian, W. Gan, H. Niu, G. Ji, Z. Li, G. Li, A feature-compressed multi-task learning U-Net for shallow-water source localization in the presence of internal waves, Applied Acoustics 211 (2023) 109530. https://doi.org/10.1016/j.apacoust.2023.109530.） - xception（Chollet F. Xception: Deep Learning with Depthwise Separable Convolutions. arXiv E-Prints 2016:arXiv:1610.02357. https://doi.org/10.48550/arXiv.1610.02357. 做了水下定位的改编） \~all~代表使用相同的参数运行所有模型。 欢迎创建您的模型！与MTL_CNN类似，您的网络的输入为(Batchsize, Nfreq*2, Num_receiver, Num_receiver)，即宽带的实虚部分离的协方差矩阵，输出为距离和深度即可。 ```python class MultiTaskLossWrapper(nn.Module): def __init__(self, task_num, input_channels): super(MultiTaskLossWrapper, self).__init__() self.model = MTL_CNN(input_channels=input_channels) self.task_num = task_num self.log_vars2 = nn.Parameter(torch.zeros(task_num)) def forward(self, input_feature, target): outputs = self.model(input_feature) precision1 = torch.exp(-self.log_vars2[0]) precision2 = torch.exp(-self.log_vars2[1]) mtl_loss = torch.sum(0.5 * precision1 * (target[0] - outputs[0]) ** 2., -1) + \ torch.sum(0.5 * precision2 * (target[1] - outputs[1]) ** 2., -1) + \ 0.5 * self.log_vars2[0] + 0.5 * self.log_vars2[1] return mtl_loss, self.log_vars2.data.tolist(), outputs if __name__ == '__main__': mtl = MultiTaskLossWrapper(2, 151*2) inputs = torch.randn(5, 151 * 2, 18, 18) r = torch.rand(5) z = torch.rand(5) targets = [r, z] loss, log_vars2, output = mtl(inputs, [r, z]) print(loss, log_vars2, output) ``` 或者您可以使用MTL_UNET的输入，它将协方差矩阵一维化，变为了(Batchsize, 1, Nfreq*2, Num_receiver* Num_receiver)，输入仍为距离和深度。 ```python class MultiTaskLossWrapper(nn.Module): def __init__(self, in_channel, task_num): super(MultiTaskLossWrapper, self).__init__() self.model = Local(in_channel, in_channels=16) self.task_num = task_num self.log_vars2 = nn.Parameter(torch.zeros(task_num)) def forward(self, input_feature, target): outputs = self.model(input_feature) precision1 = torch.exp(-self.log_vars2[0]) precision2 = torch.exp(-self.log_vars2[1]) mtl_loss = torch.sum(0.5 * precision1 * (target[0] - outputs[0]) ** 2., -1) + \ torch.sum(0.5 * precision2 * (target[1] - outputs[1]) ** 2., -1) + \ 0.5 * self.log_vars2[0] + 0.5 * self.log_vars2[1] return mtl_loss, self.log_vars2.data.tolist(), outputs if __name__ == '__main__': length_freq = 151 mtl = MultiTaskLossWrapper(1, 2) inputs = torch.randn(5, 1, length_freq * 2, 18 * 18) r = torch.rand(5) z = torch.rand(5) targets = [r, z] loss, log_vars2, output = mtl(inputs, [r, z]) print(loss, log_vars2, output) ``` - **训练选项**包括 train：训练模型，同步测试 test：测试模型 resume：继续训练模型（需要指定权重文件路径，且只能调用单个模型，不能选择~all~） - **批次大小** 指定训练、测试时的批次大小，一般为32。 - **训练周期** 指定训练的周期数。 - **学习率** 指定训练的学习率。 - **权重文件路径** 继续训练模型的基础权重文件路径。 - **数据集路径** 数据集文件夹路径，为生成数据APP运行时选择的根目录，比如E:\2.0_UWSL_Datasets\100M，路径下包含了A.TrainingSet和B.TestSet等文件夹。 - **保存路径** 模型训练结果保存路径，为'-'时，代表和数据集路径相同，比如在数据集路径下E:\2.0_UWSL_Datasets\100M保存模型权重文件夹a.weight_parameter、训练结果文件夹b.training_results等。 - **备注** 用来备注说明这次任务，一般用来筛选和画图。 (3). 点击“运行”按钮，开始模型训练。 在终端中可以看到当前训练的损失，训练过程中会保存模型权重和训练结果。 ![alt text](image-3.png) (4). 点击选项卡2，按类型搜索选择“备注”，点击查找按钮，点击画图查看训练结果。 ![alt text](image-4.png) 3. 使用终端超参数调用神经网络训练 ```bash cd 2.0_UWSL_APP python .\1.2_NeuralNetworksAPP\main_tmn.py --model mtl_unet --data_loader_path E:\2.0_UWSL_Datasets\test --lr 0.001 --epoch 100 --batch_size 32 --save_file '-' ``` - **参数说明** - `--model`：选择模型，包括mtl_cnn、mtl_unet、mtl_unet_cbam、xception。 - `--data_loader_path`：数据集路径，为生成数据APP运行时选择的根目录，比如E:\2.0_UWSL_Datasets\100M。 - `--lr`：学习率。 - `--epoch`：训练周期。 - `--batch_size`：批次大小。 - `--save_file`：保存路径，为'-'时，和数据集路径相同。 其他参数请查看option.py和trainer.py。 ## 参与贡献 UWSL-APP 是一个开源项目，欢迎您参与贡献。您可以通过以下方式参与贡献： 1. 提交问题和建议：如果您在使用 UWSL-APP 过程中遇到任何问题或有任何建议，请在 gitee 上提交 Issue。 2. 提交代码：如果您有任何代码改进或新功能的想法，请通过 Pull Request 的方式提交。