摘要：[目的]针对全息面、低采样率条件下近场声源重建误差较大的问题,提出一种高分辨率、低误差的平面声源表面法向振速重建的深度神经网络框架。[方法]首先,建立用于近场声源重建问题的三维N型卷积神经网络框架(包含预编码器),通过提取空间声场频域内的特征,以弥补空间信息的稀疏性;然后,提出频域注意力机制,设计包含频域注意力–归一化重建均方误差、亥姆霍兹正则项的损失函数,以自适应增加频域内难训练样本的损失权重,从而提升声源在高频和本征特征区间的重建精度;最后,通过Matlab对COMSOL Multiphysics软件进行二次开发,建立矩形薄板声振模型的训练集和测试集,开展对比验证。[结果]对比结果表明,该方法在验证集上100~2000 Hz内的平均重建误差仅为4.96%,重建精度明显高于SRCNN和PV-NN。[结论]该研究成果可以降低近场声源重建实船应用中的全息面采样点数量,同时可保证较高的声源面法向振速重建精度。