张浩然, 季霞
声学点源反演是波物理学中的一个关键但不适定的反问题, 在观测数据量少、孔径小且含有噪声的场景下更具挑战性.为克服传统方法与现有深度学习模型在处理复杂多源、强干涉场景下的局限性, 本文提出了一种基于多频数据融合与Transformer的统一端到端反演网络(Multi-Frequency Fieldand Count Transformer, MFFC-Former).该模型创新地将每个测量点的多频复数响应聚合为特征令牌(Token), 并利用Transformer强大的自注意力机制来捕捉所有测点之间的全局依赖关系, 从而在单一网络内同步实现点源数量的分类预测与位置指示场的回归.该端到端、多任务的学习范式摒弃了复杂的后处理步骤(如MCMC), 也避免了对噪声先验等信息的依赖, 提升了求解效率与系统集成度.在包含多达6个点源和高达20\%强噪声的复杂条件下进行的数值实验表明:相较于参数量可比的全连接网络(MLP)基线, MFFC-Former在平均定位误差和数量预测准确率上均表现更优.特别是在6源、20\%噪声的复杂场景中, MLP基线难以分辨所有源点, 而MFFC-Former仍能分辨并定位所有源点, 展现了其在多源强干涉环境下的分辨率与鲁棒性.本文的研究结果表明, 利用Transformer架构有效融合多频观测数据中的内在关联, 是解决此类高度不适定反演问题的有效途径.