简介：面向海洋感知与水声工程等场景，这套实战资源基于PyTorch框架的卷积神经网络构建水下声学信号定位模型，能够输出声源方位角与距离预测结果，适合高校本科生毕业设计、研究生课题起步和课程设计等阶段。整套资源打包为zip压缩包，共59个文件，涵盖Python训练与推理脚本、交互式示例、说明文档、结构示意图及预训练权重等，整体约7.24MB，目录规划清晰便于按模块查阅。目前已有37人学习下载，尤其适合人工智能、水声工程、电子信息等方向快速上手。除完整原始声学数据外，还附带数据生成脚本、已收敛模型权重和图文部署教程；实测支持Windows与macOS系统，CPU与GPU环境均可一键运行，配套说明文档覆盖环境配置、数据加载、模型训练、推理演示及常见问题解答。读者可直接运行演示查看预测效果，也可在此基础上替换数据或调整网络层开展二次开发，用于毕设、课设或科研原型验证。

1. 海洋水下声源定位：PyTorch CNN 方案把水声数据做成了一条可复现的完整链路

在海洋水下声源定位这件事上，传统波束成形对阵列标校和声速剖面特别敏感，阵元间距差一厘米、声速剖面测得不准，方位角就偏出好几度。换成 PyTorch CNN 方案后，多路水听器信号切成频谱图丢给网络，让模型自己从阵列相位和幅度差异里学习定位线索，工程实现量反而小了很多。这个资源起到的就是「成套方案」的作用：标注好的水声数据集、CNN 模型代码、预训练权重、部署脚本一应俱全。特别适合正在转型的水声工程师、需要快速搭原型的团队，以及想在自己数据上微调的研究者。下面按数据链路、模型结构、训练迁移、部署排查这条主线拆开讲。

2. 数据链路先行：水声数据集的结构、标签与频谱预处理

2.1 先摸清目录与标签：训练前必须搞定的三件事

拿到资源后别急着跑训练脚本，先花十分钟确认三件事：数据放哪、标签长什么样、每个样本的物理含义是什么。常见做法是 train / val / test 三段式目录，和大部分视觉数据集一致：

uw_dataset/ ├── train/ # 训练切片，参与梯度更新 │ ├── seg_00001.npy │ ├── seg_00002.npy │ └── ... ├── val/ # 验证切片，不参与训练，只用来选模型 ├── test/ # 测试切片，只在最终评估时打开 └── labels.csv # 标签文件，一列 ID、三列数值

labels.csv 是训练的唯一入口，核心列一般是四列：

sample_id,azimuth_deg,distance_m,snr_db seg_00001,37.5,850.0,12.6 seg_00002,118.2,420.0,8.1

这里azimuth_deg是声源相对阵列正横方向的水平方位角，distance_m是斜距，snr_db是该切片平均信噪比。第一段里说清楚标签列名，后面所有代码都按这个 schema 走，如果下载包里的列名不一样，先把读取脚本里的列名对齐再说，这是训练前最容易踩的坑之一。

我一般会额外检查一件事：标签里方位角的取值范围。有些数据集的方位角是 0–180°，有些是 0–360°，还有的是 −90° 到 +90°。范围不同，回归头的激活函数和损失函数都要跟着改，这一步不确认就开训，后面评估结果会非常难定位问题。

2.2 从多通道波形到频谱图：特征提取这一步决定成败

水听器阵列的输出是同步采样的多通道时域波形，npy 文件的 shape 一般是(通道数, 采样点数)。常见配置是 8 元阵、采样率 48kHz、每段 2 秒，那么 shape 就是(8, 96000)。CNN 直接吃时域波形也能工作，但水声场景下多途效应和海洋环境噪声会让时域波形很不稳定，绝对相位信息一旦受噪声污染，卷积核很难学到稳定的规律。

所以这套资源走的路线是转幅度频谱图：每个通道做短时傅里叶变换，把 log 幅度谱当成一个「图像通道」。8 路水听器对应 8 个输入通道，(通道数, 频率点数, 时间帧数)三阶张量直接送进 Conv2d，和彩色图像的三通道在结构上完全同构。

import torch import torchaudio def waveform_to_logspec(waveform: torch.Tensor, n_fft: int = 512, hop_length: int = 256) -> torch.Tensor: # waveform shape: (channels, samples) spec = torch.stft( waveform, n_fft=n_fft, hop_length=hop_length, win_length=n_fft, window=torch.hann_window(n_fft), return_complex=True ) # 取幅度谱，只保留非负频率部分，shape: (channels, 257, time_frames) mag = torch.abs(spec)[:, : n_fft // 2 + 1, :] # 动态范围压缩：先放大低幅度区域，再取 log1p log_mag = torch.log1p(mag * 10.0) return log_mag

逻辑说明：torch.stft一次把整段波形切成带重叠的窗并做 FFT，返回复频谱；torch.abs取幅度丢掉相位，避免相位跳变对训练的干扰；log1p(mag * 10.0)里*10.0是把水声中常见的弱信号幅度抬起来，否则 log 之后大量接近 0 的 bin 会把有效信息压到不可分辨的程度。参数说明：n_fft=512对应约 10.7ms 的窗长，hop_length=256是 50% 重叠，频率分辨率约 93.75Hz，时间分辨率约 5.3ms。对 2 秒、48kHz 的输入，输出时间帧数是 374 个左右，完整输入 shape 为(8, 257, 374)。

有个细节值得记住：训练时用的 STFT 参数必须和部署时完全一致，n_fft、hop、win_length、window 函数任何一个变了，输入分布就变了。我见过团队把训练代码里n_fft=512和部署代码里n_fft=1024混着用，模型的精度直接掉到随机水平，查了半天才发现这两个数字不一致。

2.3 数据增强与样本均衡：三个马上能用的小手段

水声数据集的通病是样本量不大，尤其近距离高信噪比样本更稀缺。训练集太小，模型很容易记住特定阵型和特定 SNR 的组合，换一组数据就失灵。下面三个增强手段是这套资源里常见的做法，直接加在 Dataset 的__getitem__里即可。

def augment_batch(spec: torch.Tensor) -> torch.Tensor: # 1) 随机通道增益失配：模拟各阵元灵敏度差异 channel_gain = torch.empty(spec.shape[0], 1, 1).uniform_(0.9, 1.1) spec = spec * channel_gain # 2) 叠加高斯噪声，把信噪比打到随机目标 snr_db = torch.empty(spec.shape[0], 1, 1).uniform_(5.0, 20.0) signal_power = spec.pow(2).mean(dim=(1, 2), keepdim=True) noise_power = signal_power / (10 ** (snr_db / 10)) noise = torch.randn_like(spec) * torch.sqrt(noise_power) spec = spec + noise return spec

逻辑说明：第一项对每个通道乘一个 0.9–1.1 的随机增益，模拟水听器之间的灵敏度不一致；第二项按目标 SNR 生成高斯噪声并叠加到幅度谱上，让模型对信噪比不过度敏感。参数说明：通道增益的范围太小没效果，太大又会让阵列幅度比失真，0.9–1.1 是相对稳的区间；SNR 范围按你实际任务来，近海环境噪声高，可以把下限拉到 0dB，远海安静环境就保持 5dB 起步。如果你有时间，更严格的做法是在时域叠加噪声再转谱，这里为演示简洁直接对幅度谱操作，两者结果差异不大。

样本均衡方面，我的习惯是先按distance_m分桶统计样本量。发现近距离样本明显偏少时，最简单的办法是复制近距离样本并配合不同程度的噪声增强，让每个距离桶的样本量大致持平。方位角本身一般天然近似均匀，重点关注距离维度的不均衡就够了。

3. 模型与损失设计：CNN 结构、回归头和评估指标的选择

3.1 为什么是 CNN：把定位问题重新表述成回归

传统波束成形的痛点在于依赖精确的阵列流型矩阵和声速剖面，而实际海水的声速随温度、盐度、深度实时变化，校准一次只能管一阵子。CNN 的思路是让模型在大规模模拟样本上学会「从多通道频谱的幅度差和相位差反推声源方位」这一映射关系，训练好之后推理只依赖输入信号本身，不需要临时测量声速剖面。

架构选择上主要分两类：分类模型把方位角离散成若干 bin 做多分类，回归模型直接输出连续的角度值。这套资源选的是回归，输出(azimuth_deg, distance_m)两个连续值。经验上如果只关心方位角且角度范围预先固定，分类会更稳；但一旦需要距离，回归的确更灵活，因为距离标签天然连续且分布跨度大，硬分 bin 会让离散误差主导评估结果。

3.2 网络结构：八通道输入、三层卷积、一个回归头

模型整体是「卷积骨干 + 全连接回归头」的经典结构：

import torch.nn as nn class UnderwaterLocalizationCNN(nn.Module): def __init__(self, in_channels: int = 8, freq_bins: int = 257): super().__init__() self.backbone = nn.Sequential( nn.Conv2d(in_channels, 32, 3, padding=1), nn.BatchNorm2d(32), nn.ReLU(inplace=True), nn.MaxPool2d(2), nn.Conv2d(32, 64, 3, padding=1), nn.BatchNorm2d(64), nn.ReLU(inplace=True), nn.MaxPool2d(2), nn.Conv2d(64, 128, 3, padding=1), nn.BatchNorm2d(128), nn.ReLU(inplace=True), nn.MaxPool2d(2), ) self.head = nn.Sequential( nn.AdaptiveAvgPool2d((1, 1)), nn.Flatten(), nn.Linear(128, 64), nn.ReLU(inplace=True), nn.Linear(64, 2), # 输出 [azimuth_deg, distance_m] ) def forward(self, x): return self.head(self.backbone(x))

逻辑说明：in_channels=8对应 8 路水听器通道，和上一章频谱图的通道维度严格对应；三次 3x3 卷积配合MaxPool2d(2)把频率维和时间维逐级压缩，同时把通道数从 8 提升到 128；AdaptiveAvgPool2d((1, 1))把空间维度压成 1x1，保证不管输入时间帧数是多少，全连接层的输入维度恒定。参数说明：卷积核都选 3x3，是因为两层 3x3 堆叠等效感受野等于一层 5x5，参数量却更小；BatchNorm2d在训练 batch size 不小于 8 时效果稳定，部署时记得把模型切到 eval 模式，否则 BN 会继续用 batch 统计量，导致单样本推理结果漂移。

对应到实际输入尺寸，2 秒、48kHz、hop=256 的频谱图是(8, 257, 374)。三次池化后时间帧从 374 缩到 46，频率维从 257 缩到 32，最后的全局平均池化把这 32x46 的空间信息汇总成 128 维向量，再经过两层全连接得到方位角和距离。整体参数量在千万量级以下，单张常见显卡可以很轻松地跑起来，CPU 上推理也不会有太大压力。

3.3 损失函数和评估指标：回归任务的三个关键点

方位角和距离量纲差很远，距离是几百到几千米的尺度，角度是 0–360 的尺度，直接用单个 MSE 会让距离项主导梯度：

我一般把角度和距离拆成两个损失，分别取 SmoothL1 再相加。角度误差还有个隐藏细节：359° 和 0° 之间的差值按普通abs(pred - true)算会得到 359，但真实角度差只有 1°，必须做环形修正。

def azimuth_mae(pred: torch.Tensor, true: torch.Tensor) -> torch.Tensor: diff = torch.abs(pred - true) % 360.0 return torch.minimum(diff, 360.0 - diff).mean()

逻辑说明：% 360.0先把任意差值映射到 0–360，再和它的补角取最小值，得到的就是「最短角距离」。参数说明：如果数据集定义的是 0–180° 半圆范围，取模基准要跟着改成 180，否则 179° 和 1° 会被错误地算成 178° 误差。

4. 训练与预训练权重：从零训练、直接推理到微调的完整配置

4.1 训练脚本主干：参数怎么设、监控什么指标

训练配置在资源里有现成脚本，核心参数段大概是这样的：

config = { "batch_size": 16, "epochs": 60, "lr": 1e-3, "lr_scheduler": "cosine_annealing", "optimizer": "AdamW", "weight_decay": 1e-4, "loss": "smooth_l1", "early_stopping_patience": 12, }

逻辑说明：AdamW配合weight_decay=1e-4比裸 Adam 更不容易过拟合；cosine_annealing让学习率从 1e-3 平滑衰减到接近 0，适合 60 个 epoch 的中等规模训练；early_stopping_patience=12表示验证 loss 连续 12 个 epoch 不下降就停，避免无效等待。参数说明：batch_size=16对应 8 通道 257x374 的输入，单卡 8–11GB 显存足够；显存紧张就降到 8，同时把 BN 的momentum默认值保留，不要手动调高，否则小 batch 下 batch 统计量抖动会直接影响训练稳定性。

训练循环里每个 epoch 结束都要做一次验证，同时记录学习率：

train_loss = run_epoch(model, train_loader, optimizer, is_train=True) val_loss = run_epoch(model, val_loader, None, is_train=False) lr = scheduler.get_last_lr()[0] print(f"epoch={epoch:02d} train={train_loss:.4f} val={val_loss:.4f} lr={lr:.2e}")

这段代码的价值在于把三样东西同时打印到一行：训练 loss、验证 loss、学习率。我靠这个输出判断过很多次训练状态——学习率衰减到位但验证 loss 还高，问题基本在数据侧；训练 loss 和验证 loss 同时高，问题基本在模型容量或特征提取。

4.2 加载预训练权重：直接推理还是微调

这套资源自带预训练权重，加载方式按场景分两种。第一种是直接推理，适合和训练集同分布的数据：

model = UnderwaterLocalizationCNN(in_channels=8) ckpt = torch.load("weights/underwater_cnn_best.pth", map_location="cpu") model.load_state_dict(ckpt["model_state_dict"], strict=False) model.eval() with torch.no_grad(): pred = model(spec_batch)

逻辑说明：map_location="cpu"先把权重拉到 CPU，再在真正用 GPU 推理时拷过去，避免显存瞬时占用抖动；strict=False允许两个 dictionary 的 key 不完全一致，加载后最好跑一次model.load_state_dict看返回值里 missing keys 的列表，确认到底少了哪些层。参数说明：如果你改了in_channels=16这类结构参数，第一层卷积的权重 shape 就对不上，strict=False会把这层跳过，需要手动重建。

第二种是微调，适合手头有少量实测数据、想快速迁移到新海域的场景：

for name, param in model.named_parameters(): param.requires_grad = name.startswith("head") optimizer = torch.optim.AdamW( filter(lambda p: p.requires_grad, model.parameters()), lr=5e-4 )

逻辑说明：只让head开头的层参与梯度更新，骨干卷积层完全冻结，目的是保留预训练权重里已经学到的频谱定位特征，只重新拟合回归头去适配新数据的角度尺度。参数说明：微调学习率设 5e-4，比从头训练低一半，epoch 数按实测样本量定，样本在几百段这个量级时 15–20 个 epoch 就够，跑太久反而会把已经学好的骨干特征带偏。

4.3 训练监控与调参：三个容易翻车的细节

第一个细节是 loss 曲线完全不降。先看学习率是否过大，1e-3 对 CNN 回归任务是经验安全区，超过 5e-3 会出现 loss 震荡不收敛；再看 STFT 输出里是否包含大量 NaN——浮点溢出在 log 压缩前不常见，但一旦输入波形里有坏道数据，幅度谱会出现异常大值。

第二个细节是验证 loss 在 20 个 epoch 左右就开始回升。这是过拟合信号，优先调大weight_decay到 5e-4，而不是急着上早停。数据增强也在同一时间检查：如果增强强度太大，训练 loss 会比不增强时高一大截，这时调小噪声 SNR 上限比调模型更有效。

第三个细节是训练集与验证集的分布割裂。水声数据经常按海域或航次组织，如果直接随机切分，同一段连续记录会同时出现在两个集合里，验证 loss 虚低；等模型上了真实数据立刻打回原形。正确做法是按航次或按位置分组切分，保证验证集里的样本和训练集没有时空重叠，这是评估可信度的底线。

5. 部署避坑清单：五个登记在案的实测教训

5.1 部署推理环境：三件事优先做

训练完的模型要落地，先解决三个基础问题。一是特征提取代码统一，把waveform_to_logspec抽成独立模块，训练和部署都直接 import 同一份，杜绝复制粘贴后参数不一致。二是固定输入长度，部署时按 2 秒窗口滑动切片，相邻窗口重叠 50%，每个窗口独立推理，再对连续输出做中值滤波。三是导出为 ONNX 加速推理，尤其在嵌入式平台上，PyTorch 动态图的开销不可忽略。

model.eval() dummy = torch.randn(1, 8, 257, 374) torch.onnx.export( model, dummy, "uw_cnn.onnx", input_names=["spectrogram"], output_names=["azimuth", "distance"], dynamic_axes={"spectrogram": {0: "batch_size"}}, )

逻辑说明：dynamic_axes只把 batch 维度设为动态，频率和时间维度保持固定，这样 ONNX 推理时输入 shape 校验更严格，尺寸不匹配错误会在早期暴露。参数说明：导出前一定要model.eval()，否则 BN 和 Dropout 的行为会内嵌到计算图里，导致导出的模型在推理时仍依赖训练模式的状态。导出后再用一个固定样本对拍 ONNX Runtime 和 PyTorch 的输出，两个结果差异超过 1e-4 就得停下来检查算子兼容性。

5.2 高频踩坑记录与排查方法

现象 1：训练时验证集 loss 很漂亮，部署后同一段数据推理结果对不上。原因：推理脚本里特征提取的 log 缩放系数和训练时不一样，比如训练时是log1p(mag * 10.0)，部署脚本里写成了log1p(mag)，输入分布整体偏移，模型输出自然全偏。 解决：把特征提取函数放在一个独立 python 文件里，训练和部署从同一个模块导入；部署前用固定随机种子生成一段波形，分别跑训练侧和部署侧的特征提取，比对输出数组是否完全一致。

现象 2：加载预训练权重报 size mismatch，模型起不来。原因：修改了输入通道数或 freq_bins 后，第一层卷积或最后一层全连接的参数维度对不上。 解决：先打印 checkpoint 里各 key 的 shape，再和当前模型逐层核对；只改通道数时，可以保留原权重的前 8 个通道、随机初始化新增通道，而不是整个重置。

现象 3：推理延迟超标，显存被吃满。原因：部署脚本没控制 batch size，把一整段几十秒的音频一次性送进模型，中间过程张量全部驻留显存。 解决：按 2 秒滑动窗口切分，推理时 batch 固定为 1，既不爆显存也便于逐窗口调试；CPU 部署时还要控制线程数，torch.set_num_threads(4)在多数推理机上比默认全核更快更稳。

现象 4：近距离目标方位经常跳变，远距离反而稳定。原因：训练数据里近距离样本占比低，近距离声场多途效应强，模型对这部分特征欠拟合。 解决：统计标签里距离的分布，对近距离样本做重采样复制，配合叠加多途副本的增强方式重新训练；验证时单独统计近距离段的角度误差，不要只看全局均值。

现象 5：模拟数据上测试精度很高，换到实际海洋数据掉一半。原因：训练数据全部由单一声速剖面或单一海底地形的模拟环境生成，真实海域的声速梯度、底质反射系数和训练假设差别太大。 解决：用少量实测切片做第 4.2 节说的微调；如果实测数据量不足，可以给训练数据加入声速剖面随机化——在生成阶段随机扰动声速梯度，让模型对传播条件变化更鲁棒。

6. 验证技巧：合成信号给模型做一次独立体检

预训练权重到手后，别急着上真实数据，先用合成信号给模型做一次独立体检。所谓独立，是指合成信号完全不经过训练数据的生成管线，只用物理原理构造，这样能检验出模型是否真的学到了「阵列时延差 → 方位角」这个映射，而不是背下了训练样本里的某些模式。

做法是模拟一个平面波到达 8 元均匀线阵的场景。平面波假设下，第 i 个阵元的相对时延等于阵元位置乘方位角正弦除以水中声速，只需要生成一组已知方位角的信号，按理论时延错开叠加，再送进和训练一致的 STFT 与模型推理：

import numpy as np import torch def synthesize_plane_wave(azimuth_deg: float, sensor_x: np.ndarray, c: float = 1500.0, sr: int = 48000, duration: float = 1.0): """按平面波理论时延生成 8 阵元模拟信号，用于独立验证。""" t = np.arange(int(sr * duration)) / sr source = np.sin(2 * np.pi * 300 * t) # 300Hz 单频信号 delays = sensor_x * np.sin(np.deg2rad(azimuth_deg)) / c delay_min = delays.min() out = np.zeros((len(sensor_x), len(t))) for i, delay in enumerate(delays): n_delay = int(round((delay - delay_min) * sr)) out[i, n_delay:n_delay + len(source)] = source return out

逻辑说明：先计算各阵元相对参考点的理论时延，再整体平移保证最小延迟为 0；source用 300Hz 单频是便于目视检查时延差是否符合预期。参数说明：c 默认 1500m/s 是海水声速的近似值，如果你的目标海域声速剖面差异大，可以改用 1480 或 1520，敏感度分析时可以扫几个值对比模型输出变化。

然后对 0° 到 180° 每隔 10° 合成一组信号，逐个推理并记录误差：

errors = [] for az in range(0, 181, 10): wav = synthesize_plane_wave(az, sensor_x=np.arange(8) * 0.15) spec = waveform_to_logspec(torch.from_numpy(wav).float()) with torch.no_grad(): pred = model(spec.unsqueeze(0)) err = abs(pred[0, 0].item() - az) % 360 err = min(err, 360 - err) errors.append(err) print("max_azimuth_error:", max(errors))

如果最大角度误差超过 5°，说明模型对基本物理量的拟合并不可靠，先别急着部署，回到数据或模型层面排查。如果误差在 2° 以内，说明模型确实学到了平面波假设下的线性规律。做完这轮体检，我对模型输出的态度从「黑匣子」变成「可信但有边界」：合成信号验证的是理想传播条件，真实海域还有多途、起伏和阵型误差，所以规划里永远给实际数据预留比对环节。

从那次之后，我每次拿到新权重，都强制自己先跑一遍 0° 到 180° 的合成扫描，把误差曲线存档再谈部署。这个习惯帮我筛掉了三版看似精度很高、实则背样本的权重。希望帮到你。

本文还有配套的精品资源，点击获取