《IEEE Journal of Oceanic Engineering》：Joint Source-Environment Adaptation of Data-Driven Underwater Acoustic Source Ranging Based on Model Uncertainty
编辑推荐：
本研究针对水声定位中预训练深度学习模型在新环境下的性能退化问题，提出了一种基于模型不确定性的自适应方法。通过量化模型输出的隐含不确定性，研究人员实现了无标签目标环境数据下的模型自适应，结合信号能量估计显著提升了定位精度。该成果为复杂海洋环境下的鲁棒水声定位提供了创新解决方案。
在浩瀚的海洋中，声波是信息传递的主要载体，水下声源定位技术如同海洋的"耳朵"，在海洋资源勘探、水下导航、国防安全等领域发挥着关键作用。随着人工智能技术的发展，基于深度学习的水声定位方法展现出巨大潜力，但这些模型面临着一个严峻挑战：当训练环境与真实应用环境存在差异时，模型性能会显著下降。这种"环境失配"问题就像让一个在平静湖泊中训练的救生员去波涛汹涌的大海中施救，虽然掌握基本技能，却难以应对复杂多变的实际环境。
传统解决方案往往需要重新收集目标环境的标注数据进行模型微调，这在海洋环境中成本高昂且实施困难。正如论文发表在《IEEE Journal of Oceanic Engineering》的研究所指出的，现有基于分类的定位方法在环境失配情况下会出现虚假峰值，导致定位结果不可靠。这一发现激发了研究人员的创新思路：能否利用模型自身的不确定性来判断环境适应性，并实现自主进化？
研究人员开创性地提出了"隐含不确定性"量化方法，通过分析模型输出峰值的数量来评估预测可靠性。他们发现，预训练模型在环境失配较大的区域会表现出更高的不确定性，这一特性成为模型自适应的关键突破口。基于此，团队开发了一种新颖的联合源-环境自适应框架，将测试样本划分为高置信度和低置信度两组，利用可靠样本改进不可靠样本的标注，从而实现模型在新环境下的自主优化。
该方法的核心技术突破在于：首先提出了基于输出峰值统计的模型不确定性量化指标；其次开发了基于置信度分组的样本筛选机制；最后创新性地融合了信号能量估计作为辅助判断依据。所有实验均采用真实海洋实验数据和包含真实海洋噪声的合成数据进行验证，确保了结果的可靠性。
模型不确定性表征分析
通过系统实验，研究人员证实了预训练模型在环境失配条件下的不确定性变化规律。当测试环境与训练环境差异增大时，模型输出会出现多个相近的峰值，这些"虚假峰值"正是模型不确定性的直观体现。定量分析表明，不确定性指标与环境失配程度呈正相关，这为后续的自适应策略提供了理论依据。
隐含不确定性量化方法
研究团队定义了一种创新的不确定性度量指标，该指标基于模型输出曲线的峰值特征进行计算。具体而言，通过统计输出概率分布中显著峰值的数量及其相对强度，构建了一个综合的不确定性评分体系。这种方法不需要额外的模型计算，直接利用现有输出进行分析，具有很高的实用价值。
基于能量估计的辅助定位
为了增强自适应效果，研究人员引入了接收信号能量作为独立的位置估计参考。在海洋声学中，信号衰减与传播距离存在确定的物理关系，这一先验知识为模型预测提供了重要的补充信息。实验证明，能量估计与模型预测的结合有效减少了定位误差。
真实环境验证结果
在真实海洋实验数据上的测试表明，经过自适应优化的模型在定位精度上实现了显著提升。特别是在复杂水文条件下，新方法的优势更加明显，验证了其在实际应用中的有效性。与传统方法相比，自适应后的模型在保持计算效率的同时，大幅提升了环境适应性。
该研究的创新价值在于首次将模型不确定性量化与水声定位自适应相结合，提出了一种无需目标环境标注数据的实用解决方案。通过巧妙的样本筛选和标签优化机制，实现了模型在新环境下的自主性能提升。这种方法不仅适用于水声定位领域，也为其他面临环境适应问题的AI应用提供了重要参考。
值得注意的是，该方法完全摆脱了对原始训练数据或目标环境标注数据的依赖，这在海洋工程应用中具有特殊的实用价值。未来，这种基于不确定性的自适应框架有望扩展到更广泛的海洋声学任务中，为智能海洋观测技术的发展注入新的活力。研究结果充分证明了利用模型自身特征实现环境自适应的可行性，为水下声学定位技术的智能化发展指明了新的方向。
