文献综述（或调研报告）：
在上世纪90年代左右，机器学习[1,2]在水下声学中就已广泛使用：Steinberg等人将神经网络运用于确定均质介质中的源位置[3]，Ozard等人在匹配场处理（Matched Field Processing, MFP）中使用人工神经网络模拟距离和深度判别[4]等等。Steinberg等人使用的是由线性和Sigmod式的神经元组成的单层前馈神经网络（Feedforward Neural Network, FNN），在满足解析率和采样条件（训练点之间的距离必须很小）时运行结果较好；Ozard等人使用没有隐藏层的前馈神经网络在距离和深度上定位源，不过它只是将匹配场[5,6]中高度处理过的数据作为输入（正交基的激活），本质的目的也是为了避免匹配场中的大量运算，性能在小的距离和深度间隔划分内非常有效。但是这两者的缺陷也很明显，前者的限制比较多（实验环境是均匀介质）而且使用的方法较现在略显老旧，后者本质上还是使用的匹配场处理方法，只是规避了繁杂的计算。
近些年来，Bibb等人使用随机森林算法进行城市中的声源定位[7]、salvati等人在麦克风阵列波束形成中使用SVM进行远场声源定位[8]、Houegnigan等人利用神经网络进行时延估计和源定位[9]、Soares等人在时变海洋波导中进行源定位[10]展示了机器学习在更加复杂环境下进行声源定位的可能。更加引人注目的是Lefort等人在波动的海洋中运用直接回归进行水下声源定位[11]、Niu等人将前馈神经网络、支持向量机（Support Vector Machine, SVM）、随机森林（Random Forest, RF）与传统匹配场处理相比较[12]，展示出水下声源定位使用机器学习方法的可能性，以下简略介绍两篇论文：
1. 在波动的海洋中运用直接回归进行水下声源定位
将两种直接回归方法——分段线性回归和核回归与两种传统的匹配长处理方法，如匹配场波束形成器（Matched Field Beamformer, MFBF）[13]和Music算法的定位性能相比较。
线性回归模型：
(1)
其中，在训练步骤中，矩阵A将从训练集如下学习，使(相应的)，我们需要寻找合适的A使得Y=AX，这相当于解决
(2)
其中是A的第i行，是的第i列
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
