CN103941224A - 一种次声源的定向定速方法及系统 - Google Patents

Abstract

本发明提供了一种次声源的定向定速方法及系统，所述方法包含：步骤101）采用统计分析的方法，通过正态分布模型求解出有效时延范围，即依据时延和的均值剔除所有时延量中的野值进而选取出有效的时延量；步骤102）基于有效时延量，利用时延算法对次声源进行定向和定速处理，得到每个子监测网络对待测次声源的定向和定速处理结果。上述方法还包含：步骤103）对每个子监测网络获得的定向处理结果采用统计综合的方法排除干扰次声波源，完成对待测目标次声源的优化定向。本方法简单可靠，对次声监测阵型、监测时间没有苛刻的要求，同时可以排除传感器和数字化仪器的自噪声、子网布设周边其他次声源产生次声的干扰。

Description

一种次声源的定向定速方法及系统

技术领域

本发明涉及声学测量领域，具体地说，本发明涉及一种次声源的定向定速方法及系统。

背景技术

利用次声传感器网络确定次声源的方法是通过布设次声传感器网络接收采集次声信息，利用网络内的传感器之间的时延，使用时延计算的方法对源头进行定向计算。但是，在传统的定源方法中，次声传感器测量仪器和数字化网络传输采集仪器自噪声会对计算的时延量产生偏差；同时由于布设传感器监测阵的随机性，网络周边环境的次声源产生的次声会对目标定向产生很大的随机干扰；因此在实际测量中，上述原因会对次声监测网络的定向和定速计算结果产生很大的干扰，有时甚至无法发现真正的目标次声源。

发明内容

本发明的目在于，提供一种次声统计定向方法，通过这种方法可以准确的确定次声源来波方向，排除测量和采集仪器的自噪声产生的干扰和监测网络环境其他次声源产生的随机干扰，实现目标增强的作用，为实际确定次声源方位提供依据。

为实现上述目的，本发明提供了一种次声源的定向定速方法，该方法基于设置于待测目标次声源附近的次声监测网络子系统敏感到的次声源信息，所述方法包含：

步骤101）采用统计分析的方法，基于敏感到的次声源信息通过正态分布模型求解出有效时延范围，即依据时延和的均值剔除所有时延量中的野值进而选取出有效的时延量，；

步骤102）基于有效时延量，利用时延算法对次声源进行定向和定速处理，得到每个子监测网络对待测次声源的定向和定速处理结果。

上述方法还包含：

步骤103）对每个子监测网络获得的定向处理结果采用统计综合的方法排除干扰次声波源，完成对待测目标次声源的优化定向。

上述步骤101）进一步包含：

步骤101-1）用于获得每个子监测网络中的布设的所有次声传感器对的时延值的步骤，具体为：

将第m个子监测网络中的J个次声传感器分别编号为：传感器1、传感器2……传感器“J-1”至传感器J，并依据编号将次声传感器划分为若干对得到次声传感器对，所述次声传感器对具体为：第1次声传感器对依次包含传感器1和传感器2，第2次声传感器对依次包含传感器2和传感器3，依次类推，第“L-1”次声传感器对依次包含传感器“J-1”和传感器J，第L次声传感器对依次包含传感器J和传感器1；

将J个次声传感器采集的所有次声数据S_m化分段成N段，每一段表示为S_mn，并计算第m个子监测网络的所有次声传感器对的时延值τ_mn1，得到初始时延值集合，且所述时延值τ_mn1均为次声波顺序到达每对次声传感器对中包含的各次声传感器的时刻的差值；

其中，m为任意一个子监测网络的编号，其取值的最大值为在待测次声源目标附近布置的子监测网络的总个数，n＝1,2,...,N且l为次声传感器采集数据划分成数据段的起始编号，其取值的最大值为次声传感器采集数据划分数据段的总个数，l＝1,2,..,L且1为子网中的传感器对起始编号，其取值的最大值为子网中传感器对编号的总个数；

步骤101-2）对于每个子监测网络，用于通过计算所有时延值和的均值确定时延值的有效范围，并从初始时延值集合中剔除时延量中的野值的步骤，具体为：

步骤101-2-1）计算第m个子监测网络中的次声传感器对的时延值的和；

步骤101-2-2）对求得的和值进行统计分析求出时延值和的正态分布均值μ_mn，并根据次声传感器的工作采样率f选取门限值“δ＝1/f”；

步骤101-2-3）将初始时延值集合中在“μ_mn±δ”范围之外的时延值剔除，得到有效的时延值集合。

上述步骤102）进一步包含：

步骤102-1）建立每个子监测网络的坐标系，具体步骤为：

将每个子监测网络的次声传感器组成的几何形状的中心作为坐标系原点，横坐标指向正东，纵坐标指向正北；

步骤102-2）根据时延定向理论，由剔除野值后的有效时延量集合计算得到次声波到达第m个子监测网络的次声波来波方向角度信息θ_mn和速度信息v_mn，具体计算公式为：

${\mathrm{\θ}}_{\mathrm{mn}}=\left\{\begin{array}{cc}{\mathrm{\θ}}_{\mathrm{mn}}& {\mathrm{\τ}}_{\mathrm{mn}}\≠\mathrm{NaN}\\ \mathrm{NaN}& {\mathrm{\τ}}_{\mathrm{mn}}=\mathrm{NaN}\end{array}\right.$

$v_{\mathrm{mn}}=\left\{\begin{array}{cc}{v}_{\mathrm{mn}}& {\mathrm{\τ}}_{\mathrm{mn}}\≠\mathrm{NaN}\\ \mathrm{NaN}& {\mathrm{\τ}}_{\mathrm{mn}}=\mathrm{NaN}\end{array}\right.$

其中，NaN表示非数字，n的取值范围为：[1，N],N为将第m个子监测网络的所有J个传感器采集的次声数据S_m化分的总段数。

上述步骤103）进一步包含：

步骤103-1）任意选取一个参考点A，将第m个子监测网络的坐标原点与参考点A连线与正东之间夹角角度表示为θ_m0，将所述θ_mn转换为与θ_m0之间的相对角度θ’_mn，将相对角度θ’_mn划分为K段，并依据相对角度统计第m个子监测网络相对角度的比率量P_mk，所述相对角度θ’_mn计算如下：

${\mathrm{\&theta;}}_{\mathrm{mn}}^{\&prime;}=\left\{\begin{array}{cc}{\mathrm{\&theta;}}_{\mathrm{mn}}-{\mathrm{\&theta;}}_{m0}& 0<({\mathrm{\&theta;}}_{\mathrm{mn}}-{\mathrm{\&theta;}}_{m0})<360\\ {\mathrm{\&theta;}}_{\mathrm{mn}}-{\mathrm{\&theta;}}_{m0}+360& ({\mathrm{\&theta;}}_{\mathrm{mn}}-{\mathrm{\&theta;}}_{m0})<0\\ \mathrm{NaN}& {\mathrm{\&theta;}}_{\mathrm{mn}}=\mathrm{NaN}\end{array}\right.$

第m个子监测网络的相对角度的比率计算公式如下：

$P_{\mathrm{mk}}=\frac{\mathrm{Num}({\mathrm{\&theta;}}_{\mathrm{mn}}^{\&prime;}\&Element;(k/K)*360)}{\mathrm{Num}({\mathrm{\&theta;}}_{\mathrm{mn}}^{\&prime;}\&NotEqual;\mathrm{NaN})},k=\mathrm{1,2},...,K$

其中，公式中Num(·)为统计符合括号内条件的个数；

步骤103-2）统计次声传感器监测网络的所有子监测网络的来自K个方向的K个比率值P_k，将K个P_k中的最大值对应的角度作为监测网络探测得到的次声波与参考点A的夹角，其中相对角度比率P_k计算公式如下：

$P_k=\frac{1}{M}\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}{P}_{\mathrm{mk}}$

其中，k＝1,2,...,K。

基于上述方法本发明还提供了一种次声源的定向定速系统，所述系统包含：设置于待测目标次声源附近的次声监测网络子系统和次声定向定速处理子系统，且所述次声监测网络划分为若干子监测网络，

每个子监测网络进一步包含：

次声传感器，用于敏感到次声源信息；和

数字化网络传输设备，用于将次声传感器敏感到的次声信息进行存储并传输至次声定向定速子系统；

所述定向定速子系统，用于基于各子监测网络测量的次声信息对待测次声目标进行定速定向测量，且该定向定速子系统进一步包含：

时延量剔除模块，用于采用统计分析的方法，通过正态模型求解出有效时延范围，同时剔除时延量的野值，即通过时延和的均值确定时延有效范围，选取有效的时延量，剔除时延量中的野值；和

基于有效时延量的定速定向模块，用于基于有效时延值集合，利用时延算法对次声源进行定向和定速处理，得到每个子监测网络对待测次声源的定向和定速处理结果。

上述定向定速子系统还包含：

干扰次声处理模块，用于对定向处理结果采用统计综合的方法排除干扰次声波源。

上述时延量剔除模块进一步包含：

次声传感器对设置子模块，用于将子监测网络设置的所有J个次声传感器顺序编号为：传感器1、传感器2……传感器“J-1”至传感器J，并依据编号将次声传感器划分为若干对得到次声传感器对；

其中，所述次声传感器对具体为：第1次声传感器对依次包含传感器1和传感器2，第2次声传感器对依次包含传感器2和传感器3，依次类推，第“L-1”次声传感器对依次包含传感器“J-1”和传感器J，第L次声传感器对依次包含传感器J和传感器1；

时延值统计子模块，用于获得次声波顺序到达次声传感器对包含两个次声传感器之间的时延值，得到初始时延值集合；和

有效时延值集合确定子模块，依据时延值的和的均值从初始时延值集合中剔除时延值中的野值后得到有效的时延值，这些有效的时延值组成有效的时延值集合用于进行次声波的定速定向处理。

上述基于有效时延量的定速定向模块进一步包含：

坐标系建立子模块，用于建立每个子监测网络定向定速的坐标系，具体为：将每个子监测网络的次声传感器组成的几何形状的中心作为坐标系原点，横坐标指向正东，纵坐标指向正北；和

次声波来波方向和速度获取子模块，用于根据时延定向理论，由剔除野值后的有效时延量计算得到次声波到达第m个子监测网络的次声波来波方向角度信息θ_mn和速度信息v_mn，具体计算公式为：

${\mathrm{\&theta;}}_{\mathrm{mn}}=\left\{\begin{array}{cc}{\mathrm{\&theta;}}_{\mathrm{mn}}& {\mathrm{\&tau;}}_{\mathrm{mn}}\&NotEqual;\mathrm{NaN}\\ \mathrm{NaN}& {\mathrm{\&tau;}}_{\mathrm{mn}}=\mathrm{NaN}\end{array}\right.$

$v_{\mathrm{mn}}=\left\{\begin{array}{cc}{v}_{\mathrm{mn}}& {\mathrm{\&tau;}}_{\mathrm{mn}}\&NotEqual;\mathrm{NaN}\\ \mathrm{NaN}& {\mathrm{\&tau;}}_{\mathrm{mn}}=\mathrm{NaN}\end{array}\right.$

。

上述干扰次声处理模块进一步包含：

获取子监测网络的相对角度比率子模块，用于任意选取一个参考点A，将第m个子监测网络的坐标原点与参考点A连线与正东之间夹角角度为θ_m0，将θ_mn转换为与θ_m0之间的相对角度θ’_mn，并将相对角度θ’_mn划分为K段，并依据相对角度统计第m个子监测网络相对角度的比率量P_mk，所述相对角度θ’_mn计算如下：

${\mathrm{\&theta;}}_{\mathrm{mn}}^{\&prime;}=\left\{\begin{array}{cc}{\mathrm{\&theta;}}_{\mathrm{mn}}-{\mathrm{\&theta;}}_{m0}& 0<({\mathrm{\&theta;}}_{\mathrm{mn}}-{\mathrm{\&theta;}}_{m0})<360\\ {\mathrm{\&theta;}}_{\mathrm{mn}}-{\mathrm{\&theta;}}_{m0}+360& ({\mathrm{\&theta;}}_{\mathrm{mn}}-{\mathrm{\&theta;}}_{m0})<0\\ \mathrm{NaN}& {\mathrm{\&theta;}}_{\mathrm{mn}}=\mathrm{NaN}\end{array}\right.$

第m个子监测网络的相对角度的比率计算公式如下：

$P_{\mathrm{mk}}=\frac{\mathrm{Num}({\mathrm{\&theta;}}_{\mathrm{mn}}^{\&prime;}\&Element;(k/K)*360)}{\mathrm{Num}({\mathrm{\&theta;}}_{\mathrm{mn}}^{\&prime;}\&NotEqual;\mathrm{NaN})},k=\mathrm{1,2},...,K$

其中，公式中Num(·)为统计符合括号内条件的个数；和

次声源方位优化确定子模块，用于统计次声传感器监测网络所有子监测网络的K个比率P_k，将K个P_k中的最大值对应的角度作为次声传感器监测网络探测的次声波与参考点A的夹角，其中整个监测网络相对角度比率P_k计算公式如下：

$P_k=\frac{1}{M}\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}{P}_{\mathrm{mk}}.$

与现有技术相比，本发明的一种次声统计定向方法，简单可靠，可以实现对目标次声源的精确定向。具有以下技术效果：

1、本发明与传统的次声监测阵列相比较，对次声传感器网络布设没有特别几何要求；

2、本发明的统计定向方法采用了通过时延和的均值确定时延有效范围的方法，选取有效的时延量，可以剔除时延量中的野值，避免了由于采集和测量仪器误差产生的错误时延量而求解角度和速度的运算，提高了运算效率；

3、本发明的统计定向方法采用了选取参考方向后综合统计次声定向图的方法，避免了每个监测子网由于周边环境干扰次声源对目标定向结果产生的影响，具有目标增强的作用。

附图说明

结合附图来详细说明本发明的实施例如下，其中：

图1为本发明的次声传感器网络布设示意图；

图2为本发明的统计定向方法处理的流程图；

附图标识：

1、次声传感器监测子网        2、次声传感器

3、数字化网络传输仪器        4、待测次声源

具体实施方式

下面结合附图和具体实施例对本发明作进一步地描述。

本发明提供的一种次声统计方法，所述的次声统计定向方法是通过在待测目标次声源附近布设次声传感器监测网络，该次声传感器监测网络进一步包含若干个子次声传感器监测网络，且每个次声传感器子监测网络由若干个次声传感器和数字化网络传输仪器组成，所述每个次声传感器敏感到次声信息并通过所述数字化网络传输仪器进行在线或者离线的存储，最后使用统计定向方法计算确定次声源的方位；

所述的次声传感器监测网络具体包括M个子监测网络1；

每个子监测网络又包括J个次声传感器2和1个数字化网络传输仪器3，所述的次声传感器2用于敏感次声信息；所述的数字化网络传输仪器3用于将次声传感器敏感到的次声信号进行模数转换，并将模数转换后的数据进行在线计算或者存储离线处理；

所述的统计定向定速方法的具体步骤如下：

步骤1）将第m个子监测网络所有J个次声传感器采集的次声数据S_m(m＝1,2,...,M)化分成N段，每一段表示为：S_mn(m＝1,2，...,M;n＝1,2，...,N)，计算每个子监测网络的第l个次声传感器对的时延，表示为：τ_mnl(m＝1,2,...,M;n＝1,2,...,N;l＝1,2,...,L)；

步骤2）剔除时延量中野值的操作：计算第m个子监测网络包含的所有次声传感器之间的时延量的和 ${\mathrm{\&tau;}}_{\mathrm{mn}}^{\&prime;}=\underset{l=1}{\overset{L}{\mathrm{\&Sigma;}}}{\mathrm{\&tau;}}_{\mathrm{mnl}}(m=\mathrm{1,2},...,M;n=\mathrm{1,2},...,N;l=\mathrm{1,2},...,L),$ 并对其进行统计分析求出时延量和的正态分布均值μ_mn(m＝1,2,...,M;n＝1,2，...,N)，根据次声传感器的工作采样率f选取门限值δ＝1/f，将在“μ_mn(m＝1,2,...,M;n＝1,2,...,N)±δ”范围之外的时延量剔除，具体计算公式如下

其中，NaN表示非数字。

步骤3）所有子监测网络的计算坐标系中心（即坐标原点）为：该子监测网络的次声传感器组成的几何形状的中心，横坐标指向正东，纵坐标指向正北。根据时延定向理论，可以由有效时延量计算得到次声波到达第m个子监测网络的次声波来波方向角度信息θ_mn(m＝1,2,...,M;n＝1,2,...,N)和速度信息v_mn(m＝1,2，...,M;n＝1,2,...,N)；

${\mathrm{\&theta;}}_{\mathrm{mn}}=\left\{\begin{array}{cc}{\mathrm{\&theta;}}_{\mathrm{mn}}& {\mathrm{\&tau;}}_{\mathrm{mn}}\&NotEqual;\mathrm{NaN}\\ \mathrm{NaN}& {\mathrm{\&tau;}}_{\mathrm{mn}}=\mathrm{NaN}\end{array}\right.(m=\mathrm{1,2},...,M;n=\mathrm{1,2},...,N)---\left(2\right)$

$v_{\mathrm{mn}}=\left\{\begin{array}{cc}{v}_{\mathrm{mn}}& {\mathrm{\&tau;}}_{\mathrm{mn}}\&NotEqual;\mathrm{NaN}\\ \mathrm{NaN}& {\mathrm{\&tau;}}_{\mathrm{mn}}=\mathrm{NaN}\end{array}\right.(m=\mathrm{1,2},...,M;n=\mathrm{1,2},...,N)---\left(3\right)$

步骤4）任意选取一个参考点，将第m个子监测网络的坐标原点与参考点连线与正东之间夹角角度为θ_m0，将θ_mn(m＝1,2,...,M;n＝1,2,...,N)转换为与θ_m0之间的相对角度θ’_mn(m＝1,2,...,M;n＝1,2，...,N)，将相对角度θ’_mn划分为K段，并依据相对角度统计第m个子监测网络相对角度的比率量P_mk，所述相对角度θ’_mn计算如下：

${\mathrm{\&theta;}}_{\mathrm{mn}}^{\&prime;}=\left\{\begin{array}{cc}{\mathrm{\&theta;}}_{\mathrm{mn}}-{\mathrm{\&theta;}}_{m0}& 0<({\mathrm{\&theta;}}_{\mathrm{mn}}-{\mathrm{\&theta;}}_{m0})<360\\ {\mathrm{\&theta;}}_{\mathrm{mn}}-{\mathrm{\&theta;}}_{m0}+360& ({\mathrm{\&theta;}}_{\mathrm{mn}}-{\mathrm{\&theta;}}_{m0})<0\\ \mathrm{NaN}& {\mathrm{\&theta;}}_{\mathrm{mn}}=\mathrm{NaN}\end{array}\right.---\left(4\right)$

第m个子监测网络的相对角度的比率计算公式如下：

$P_{\mathrm{mk}}=\frac{\mathrm{Num}({\mathrm{\&theta;}}_{\mathrm{mn}}^{\&prime;}\&Element;(k/K)*360)}{\mathrm{Num}({\mathrm{\&theta;}}_{\mathrm{mn}}^{\&prime;}\&NotEqual;\mathrm{NaN})},k=\mathrm{1,2},...,K---\left(5\right)$

其中，公式（5）中Num(·)为统计符合括号内条件的个数。

步骤5）统计整个监测网络（即所有子监测网络）相对角度的比率P_k，将K个P_k中的最大值对应的角度作为监测网络探测的次声波与参考点的夹角，其中整个监测网络相对角度比率P_k计算公式如下：

$P_k=\frac{1}{M}\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}{P}_{\mathrm{mk}}---\left(6\right)$

所述次声传感器网络中的次声传感器2的探测频率为10^-4Hz到40Hz，动态范围为108dB（0.001Pa-300Pa）。

所述的统计定向定速方法的步骤1中次声传感器对确定方法为：将第m个子监测网络中的J个次声传感器任意编号；第1个传感器对对应传感器1和2，第2个传感器对对应传感器2和3，依次类推，第L-1个传感器对对应传感器J-1和J，第L个传感器对对应J和1。

本发明的工作原理是：测量和采集仪器会产生自噪声，该噪声的特点是宽频带，因此很难用滤波的方法将其滤除，因此会叠加到有效次声信号上，进而影响到计算的时延量，本发明采用了统计分析的方法，通过使用正态模型求解出有效时延范围，剔除时延量的野值，为后续利用时延算法有效的进行定向和定速奠定了基础；由于子网布设环境不同，某些子网周围的干扰次声源产生的次声可能会掩蔽目标的次声来波信号，采用对定向结果进行统计综合的方法，可以排除干扰次声波源，达到目标增强的效果。

本发明技术方案中记载的次声传感器1的探测频率为10^-4Hz到40Hz，动态范围为108dB（0.001Pa-300Pa），且所述的子网络中包含的次声传感器个数大于或者等于3个，推荐3个。

本实施例是一个包含三个监测子网的次声监测网络，如图1所示。每个监测子网1包括三个次声传感器2，一个数字化网络传输仪器3，三个监测子网1随机分布在目标次声源的附近。

本发明采用的次声传感器1的探测频率为10^-4Hz到40Hz，动态范围为108dB（0.001Pa-300Pa），且所述的子监测网络中包含的次声传感器个数大于或者等于3个，推荐3个。具体可以选用中国科学院声学研究所研制的InSAS2008型号的传感器和中国科学院声学研究所研制的InSAS2008型号的数字化网络传输仪器。

所述的次声统计定向方法的具体步骤如下：

步骤1）将第m个子监测网络采集的次声数据S_m(m＝1,2,3)化分段成N段S_mn(m＝1,2,3;n＝1,2，...,N)，计算每个子网中次声传感器对的时延τ_mnl(m＝1,2,3;n＝1,2，...,N;l＝1,2,3)；

步骤2）剔除时延量中野值的操作：计算第m个子监测网络传感器时延量和 ${\mathrm{\&tau;}}_{\mathrm{mn}}^{\&prime;}=\underset{l=1}{\overset{L}{\mathrm{\&Sigma;}}}{\mathrm{\&tau;}}_{\mathrm{mnl}}(m=\mathrm{1,2},3;n=\mathrm{1,2},...,N;l=\mathrm{1,2},3),$ 并对其进行统计分析，并求出时延量和的正态分布均值μ_mn(m＝1,2,3;n＝1,2，...,N)，根据采样率f选取门限值δ＝1/f，将在μ_mn(m＝1,2,3;n＝1,2，...,N)±δ范围之外的时延量剔除，计算公式如下：

其中，NaN表示非数字。

步骤3）所有子网的计算坐标系中心为子网传感器组成几何形状的中心，横坐标指向正东，纵坐标指向正北。根据时延定向理论，由有效时延量可以计算得到次声波到达第m个子监测网络的次声波来波方向角度信息θ_mn(m＝1,2,3;n＝1,2,...,N)和速度信息v_mn(m＝1,2,3;n＝1,2,...,N)；

${\mathrm{\&theta;}}_{\mathrm{mn}}=\left\{\begin{array}{cc}{\mathrm{\&theta;}}_{\mathrm{mn}}& {\mathrm{\&tau;}}_{\mathrm{mn}}\&NotEqual;\mathrm{NaN}\\ \mathrm{NaN}& {\mathrm{\&tau;}}_{\mathrm{mn}}=\mathrm{NaN}\end{array}\right.(m=\mathrm{1,2},3;n=\mathrm{1,2},...,N)---\left(2\right)$

$v_{\mathrm{mn}}=\left\{\begin{array}{cc}{v}_{\mathrm{mn}}& {\mathrm{\&tau;}}_{\mathrm{mn}}\&NotEqual;\mathrm{NaN}\\ \mathrm{NaN}& {\mathrm{\&tau;}}_{\mathrm{mn}}=\mathrm{NaN}\end{array}\right.(m=\mathrm{1,2},3;n=\mathrm{1,2},...,N)---\left(3\right)$

步骤4）任意选取参考点，第m个子网坐标原点与参考点连线与正东之间夹角角度为θ_m0，将θ_mn(m＝1,2,3;n＝1,2，...,N)转换为与θ_m0之间的相对角度θ’_mn(m＝1,2,3;n＝1,2,...,N)，将方向划分为K段，统计第m个子网络相对角度的比率量P_mk，相对角度θ’_mn计算如下：

${\mathrm{\&theta;}}_{\mathrm{mn}}^{\&prime;}=\left\{\begin{array}{cc}{\mathrm{\&theta;}}_{\mathrm{mn}}-{\mathrm{\&theta;}}_{m0}& 0<({\mathrm{\&theta;}}_{\mathrm{mn}}-{\mathrm{\&theta;}}_{m0})<360\\ {\mathrm{\&theta;}}_{\mathrm{mn}}-{\mathrm{\&theta;}}_{m0}+360& ({\mathrm{\&theta;}}_{\mathrm{mn}}-{\mathrm{\&theta;}}_{m0})<0\\ \mathrm{NaN}& {\mathrm{\&theta;}}_{\mathrm{mn}}=\mathrm{NaN}\end{array}\right.---\left(4\right)$

第m个子网络相对角度的比率计算公式如下：

$P_{\mathrm{mk}}=\frac{\mathrm{Num}({\mathrm{\&theta;}}_{\mathrm{mn}}^{\&prime;}\&Element;(k/K)*360)}{\mathrm{Num}({\mathrm{\&theta;}}_{\mathrm{mn}}^{\&prime;}\&NotEqual;\mathrm{NaN})},k=\mathrm{1,2},...,K---\left(5\right)$

式（5）中Num(·)为统计符合括号内条件的个数。

步骤5）统计整个监测网络相对角度的比率P_k，P_k中最大值对应的角度为次声源与参考方向之间的夹角，监测网络相对角度比率P_k计算公式如下

$P_k=\frac{1}{M}\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}{P}_{\mathrm{mk}}---\left(6\right)$

所述的统计定向定速方法的步骤1中次声传感器对l确定方法为：将第m个子监测网络中的3个次声传感器任意编号为1、2和3；定义的第1个传感器对对应传感器1和2，第2个传感器对对应传感器2和3，第3个传感器对对应传感器3和1。所述时延值分别为：第一传感器对的时延值、第二传感器对的时延值和第三传感器对的时延值；且所述第一传感器对的时延值为次声波到达传感器1和到达传感器2的时刻的差值，所述第二传感器对的时延值为次声波到达传感器2和到达传感器3的时刻的差值，所述第三传感器对的时延值为次声波到达传感器3和到达传感器1的时刻的差值。

总之，本发明涉及一种次声统计定向方法，包括：在待监测的次声源头附近布设广域次声监测传感器网络，该次声监测网络包括若干个次声监测子网络，每个次声监测子网络由三个以上的次声传感器组成。使用数字化网络传输仪器对次声传感器采集的次声数据进行模数转换，进行在线计算或者存储后离线计算分析。将每个次声监测子网络采集的次声数据进行分段处理，每两个次声传感器的数据进行相关运算求出时延量，然后将每个次声传感子网络内的所有时延量相加求出时延和，对时延和进行统计分析，求出时延和正态分布的均值，根据采样率确定门限值，根据时延和的正态分布均值和门限值确定一个有效时延范围带，将无效时延量剔除；从有效时延量根据时延定向理论计算出次声波的来波方向角和速度信息；选取一个参考点，计算各个子网络的定向方向与参考点之间的相对角度，并对相对角度进行统计分析，计算出每个子网的相对角度比率，最后对整个网络的相对角度比率进行统计平均得到次声监测网络的相对角度比率，最高的相对角度比率值对应的角度为监测网络探测的次声波于参考点之间的夹角。本方法简单可靠，对次声监测阵型、监测时间没有苛刻的要求，同时可以排除传感器和数字化仪器的自噪声、子网布设周边其他次声源产生次声的干扰，适用于对类似瀑布、水坝、山体波、海浪等持续产生次声波的次声源监测。

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种次声源的定向定速方法，该方法基于设置于待测目标次声源附近的次声监测网络子系统敏感到的次声源信息，所述方法包含：

步骤101）采用统计分析的方法，基于敏感到的次声源信息通过正态分布模型求解出有效时延范围，即依据时延和的均值剔除所有时延量中的野值进而选取出有效的时延量；

步骤102）基于有效时延量，利用时延算法对次声源进行定向和定速处理，得到每个子监测网络对待测次声源的定向和定速处理结果。

2.根据权利要求1所述的次声源的定向定速方法，其特征在于，所述方法还包含：

步骤103）对每个子监测网络获得的定向处理结果采用统计综合的方法排除干扰次声波源，完成对待测目标次声源的优化定向。

3.根据权利要求1所述的次声源的定向定速方法，其特征在于，所述步骤101）进一步包含：

步骤101-1）用于获得每个子监测网络中的布设的所有次声传感器对的时延值的步骤，具体为：

将第m个子监测网络中的J个次声传感器分别编号为：传感器1、传感器2……传感器“J-1”至传感器J，并依据编号将次声传感器划分为若干对得到次声传感器对，所述次声传感器对具体为：第1次声传感器对依次包含传感器1和传感器2，第2次声传感器对依次包含传感器2和传感器3，依次类推，第“L-1”次声传感器对依次包含传感器“J-1”和传感器J，第L次声传感器对依次包含传感器J和传感器1；

将J个次声传感器采集的所有次声数据S_m化分段成N段，每一段表示为S_mn，并计算第m个子监测网络的所有次声传感器对的时延值τ_mn1，得到初始时延值集合，且所述时延值τ_mn1均为次声波顺序到达每对次声传感器对中包含的各次声传感器的时刻的差值；

其中，m为任意一个子监测网络的编号，其取值的最大值为在待测次声源目标附近布置的子监测网络的总个数，n＝1,2，...,N且l为次声传感器采集数据划分成数据段的起始编号，其取值的最大值为次声传感器采集数据划分数据段的总个数，l＝1,2,...,L且1为子网中的传感器对起始编号，其取值的最大值为子网中传感器对编号的总个数；

步骤101-2）对于每个子监测网络，用于通过计算所有时延值和的均值确定时延值的有效范围，并从初始时延值集合中剔除时延量中的野值的步骤，具体为：

步骤101-2-1）计算第m个子监测网络中的次声传感器对的时延值的和；

步骤101-2-2）对求得的和值进行统计分析求出时延值和的正态分布均值μ_mn，并根据次声传感器的工作采样率f选取门限值“δ＝1/f”；

步骤101-2-3）将初始时延值集合中在“μ_mn±δ”范围之外的时延值剔除，得到有效的时延值集合。

4.根据权利要求1所述的次声源的定向定速方法，其特征在于，所述步骤102）进一步包含：

步骤102-1）建立每个子监测网络的坐标系，具体步骤为：

将每个子监测网络的次声传感器组成的几何形状的中心作为坐标系原点，横坐标指向正东，纵坐标指向正北；

步骤102-2）根据时延定向理论，由剔除野值后的有效时延量集合计算得到次声波到达第m个子监测网络的次声波来波方向角度信息θ_mn和速度信息v_mn，具体计算公式为：

${\mathrm{\&theta;}}_{\mathrm{mn}}=\left\{\begin{array}{cc}{\mathrm{\&theta;}}_{\mathrm{mn}}& {\mathrm{\&tau;}}_{\mathrm{mn}}\&NotEqual;\mathrm{NaN}\\ \mathrm{NaN}& {\mathrm{\&tau;}}_{\mathrm{mn}}=\mathrm{NaN}\end{array}\right.$

$v_{\mathrm{mn}}=\left\{\begin{array}{cc}{v}_{\mathrm{mn}}& {\mathrm{\&tau;}}_{\mathrm{mn}}\&NotEqual;\mathrm{NaN}\\ \mathrm{NaN}& {\mathrm{\&tau;}}_{\mathrm{mn}}=\mathrm{NaN}\end{array}\right.$

其中，NaN表示非数字，n的取值范围为：[1，N],N为将第m个子监测网络的所有J个传感器采集的次声数据S_m化分的总段数。

5.根据权利要求4述的次声源的定向定速方法，其特征在于，所述步骤103）进一步包含：

步骤103-1）任意选取一个参考点A，将第m个子监测网络的坐标原点与参考点A连线与正东之间夹角角度表示为θ_m0，将所述θ_mn转换为与θ_m0之间的相对角度θ’_mn，将相对角度θ’_mn划分为K段，并依据相对角度统计第m个子监测网络相对角度的比率量P_mk，所述相对角度θ’_mn计算如下：

${\mathrm{\&theta;}}_{\mathrm{mn}}^{\&prime;}=\left\{\begin{array}{cc}{\mathrm{\&theta;}}_{\mathrm{mn}}-{\mathrm{\&theta;}}_{m0}& 0<({\mathrm{\&theta;}}_{\mathrm{mn}}-{\mathrm{\&theta;}}_{m0})<360\\ {\mathrm{\&theta;}}_{\mathrm{mn}}-{\mathrm{\&theta;}}_{m0}+360& ({\mathrm{\&theta;}}_{\mathrm{mn}}-{\mathrm{\&theta;}}_{m0})<0\\ \mathrm{NaN}& {\mathrm{\&theta;}}_{\mathrm{mn}}=\mathrm{NaN}\end{array}\right.$

第m个子监测网络的相对角度的比率计算公式如下：

$P_{\mathrm{mk}}=\frac{\mathrm{Num}({\mathrm{\&theta;}}_{\mathrm{mn}}^{\&prime;}\&Element;(k/K)*360)}{\mathrm{Num}({\mathrm{\&theta;}}_{\mathrm{mn}}^{\&prime;}\&NotEqual;\mathrm{NaN})},k=\mathrm{1,2},...,K$

其中，公式中Num(·)为统计符合括号内条件的个数；

步骤103-2）统计次声传感器监测网络的所有子监测网络的来自K个方向的K个比率值P_k，将K个P_k中的最大值对应的角度作为监测网络探测得到的次声波与参考点A的夹角，其中相对角度比率P_k计算公式如下：

$P_k=\frac{1}{M}\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}{P}_{\mathrm{mk}}$

其中，k＝1,2,...,K。

6.一种次声源的定向定速系统，其特征在于，所述系统包含：设置于待测目标次声源附近的次声监测网络子系统和次声定向定速处理子系统，且所述次声监测网络划分为若干子监测网络，

每个子监测网络进一步包含：

次声传感器，用于敏感到次声源信息；和

数字化网络传输设备，用于将次声传感器敏感到的次声信息进行存储并传输至次声定向定速子系统；

所述定向定速子系统，用于基于各子监测网络测量的次声信息对待测次声目标进行定速定向测量，且该定向定速子系统进一步包含：

时延量剔除模块，用于采用统计分析的方法，通过正态模型求解出有效时延范围，同时剔除时延量的野值，即通过时延和的均值确定时延有效范围，选取有效的时延量，剔除时延量中的野值；和

基于有效时延量的定速定向模块，用于基于有效时延值集合，利用时延算法对次声源进行定向和定速处理，得到每个子监测网络对待测次声源的定向和定速处理结果。

7.根据权利要求6所述的次声源的定向定速系统，其特征在于，所述定向定速子系统还包含：

干扰次声处理模块，用于对定向处理结果采用统计综合的方法排除干扰次声波源。

8.根据权利要求6所述的次声源的定向定速系统，其特征在于，所述时延量剔除模块进一步包含：

次声传感器对设置子模块，用于将子监测网络设置的所有J个次声传感器顺序编号为：传感器1、传感器2……传感器“J-1”至传感器J，并依据编号将次声传感器划分为若干对得到次声传感器对；

其中，所述次声传感器对具体为：第1次声传感器对依次包含传感器1和传感器2，第2次声传感器对依次包含传感器2和传感器3，依次类推，第“L-1”次声传感器对依次包含传感器“J-1”和传感器J，第L次声传感器对依次包含传感器J和传感器1；

时延值统计子模块，用于获得次声波顺序到达次声传感器对包含两个次声传感器之间的时延值，得到初始时延值集合；和

有效时延值集合确定子模块，依据时延值的和的均值从初始时延值集合中剔除时延值中的野值后得到有效的时延值，这些有效的时延值组成有效的时延值集合用于进行次声波的定速定向处理。

9.根据权利要求6所述的次声源的定向定速系统，其特征在于，所述基于有效时延量的定速定向模块进一步包含：

坐标系建立子模块，用于建立每个子监测网络定向定速的坐标系，具体为：将每个子监测网络的次声传感器组成的几何形状的中心作为坐标系原点，横坐标指向正东，纵坐标指向正北；和

次声波来波方向和速度获取子模块，用于根据时延定向理论，由剔除野值后的有效时延量计算得到次声波到达第m个子监测网络的次声波来波方向角度信息θ_mn和速度信息v_mn，具体计算公式为：

${\mathrm{\&theta;}}_{\mathrm{mn}}=\left\{\begin{array}{cc}{\mathrm{\&theta;}}_{\mathrm{mn}}& {\mathrm{\&tau;}}_{\mathrm{mn}}\&NotEqual;\mathrm{NaN}\\ \mathrm{NaN}& {\mathrm{\&tau;}}_{\mathrm{mn}}=\mathrm{NaN}\end{array}\right.$

$v_{\mathrm{mn}}=\left\{\begin{array}{cc}{v}_{\mathrm{mn}}& {\mathrm{\&tau;}}_{\mathrm{mn}}\&NotEqual;\mathrm{NaN}\\ \mathrm{NaN}& {\mathrm{\&tau;}}_{\mathrm{mn}}=\mathrm{NaN}\end{array}\right.$

。

10.据权利要求9所述的次声源的定向定速系统，其特征在于，所述干扰次声处理模块进一步包含：

获取子监测网络的相对角度比率子模块，用于任意选取一个参考点A，将第m个子监测网络的坐标原点与参考点A连线与正东之间夹角角度为θ_m0，将θ_mn转换为与θ_m0之间的相对角度θ’_mn，并将相对角度θ’_mn划分为K段，并依据相对角度统计第m个子监测网络相对角度的比率量P_mk，所述相对角度θ’_mn计算如下：

${\mathrm{\&theta;}}_{\mathrm{mn}}^{\&prime;}=\left\{\begin{array}{cc}{\mathrm{\&theta;}}_{\mathrm{mn}}-{\mathrm{\&theta;}}_{m0}& 0<({\mathrm{\&theta;}}_{\mathrm{mn}}-{\mathrm{\&theta;}}_{m0})<360\\ {\mathrm{\&theta;}}_{\mathrm{mn}}-{\mathrm{\&theta;}}_{m0}+360& ({\mathrm{\&theta;}}_{\mathrm{mn}}-{\mathrm{\&theta;}}_{m0})<0\\ \mathrm{NaN}& {\mathrm{\&theta;}}_{\mathrm{mn}}=\mathrm{NaN}\end{array}\right.$

第m个子监测网络的相对角度的比率计算公式如下：

$P_{\mathrm{mk}}=\frac{\mathrm{Num}({\mathrm{\&theta;}}_{\mathrm{mn}}^{\&prime;}\&Element;(k/K)*360)}{\mathrm{Num}({\mathrm{\&theta;}}_{\mathrm{mn}}^{\&prime;}\&NotEqual;\mathrm{NaN})},k=\mathrm{1,2},...,K$

其中，公式中Num(·)为统计符合括号内条件的个数；和

次声源方位优化确定子模块，用于统计次声传感器监测网络所有子监测网络的K个比率P_k，将K个P_k中的最大值对应的角度作为次声传感器监测网络探测的次声波与参考点A的夹角，其中整个监测网络相对角度比率P_k计算公式如下：

$P_k=\frac{1}{M}\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}{P}_{\mathrm{mk}}.$