CN104749568A - 一种基于水听器阵列的浅海目标深度的分类方法 - Google Patents
一种基于水听器阵列的浅海目标深度的分类方法 Download PDFInfo
- Publication number
- CN104749568A CN104749568A CN201310739820.8A CN201310739820A CN104749568A CN 104749568 A CN104749568 A CN 104749568A CN 201310739820 A CN201310739820 A CN 201310739820A CN 104749568 A CN104749568 A CN 104749568A
- Authority
- CN
- China
- Prior art keywords
- phi
- received signal
- sound
- represent
- signal strength
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
- G01S7/539—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明提供了一种基于水听器阵列的浅海目标深度的分类方法,通过融合多个水听器接收到的信息进行探测,并使用声传播仿真生成基于模型的深、浅声源产生的能量场变化的典型概率密度函数,基于该概率密度函数进行似然比检测(LRT)来辨识接收到的信号,根据声能量在整个声场范围内的分布规律进行先验知识的提取,从而对该声场目标进行深度分类,算法易于实现,环境适应性高。
Description
技术领域
本发明涉及水听器阵列信号测深领域,尤其涉及一种基于水听器阵列的浅海目标深度的分类方法。
背景技术
多年来,基于模态的深度估计和分类是被动声纳信号处理的重点。传统声纳检测问题将环境参数看作是确定的,检测性能(准确性、适用范围等)取决于模型参数与真实参数的匹配程度。目前最好的研究技术是匹配场处理(MFP),对其检测性能的预报本质上采用的是确定性方法。MFP有时也被称作广义波束形成,它使用复杂的声场干扰模式定位声源的距离、深度、方位参数组合,通过比较接收信号和拷贝声场来解决定位声源的反演问题。
而实际上受诸多因素的影响,环境参数并非是确定的。浅海声传播的一个显著特征是阳光、大气等因素引起的热对流使海水温度在较短时间内发生较大变化,从而浅海声速剖面随机扰动相当剧烈。而声速剖面的很小变化就足以影响海洋中声传播的条件,因此,声速剖面随时空的扰动往往是造成浅海声场能量波动和相位起伏的最重要因素。浅海声传播的另一个显著特征是声波频繁作用于海面和海底,粗糙的海面和海底又进一步增加了声波与上、下边界的作用次数,从而引起更多的散射衰减并使更多的能量渗透到沉积层中。
另外,水听器被动声纳定位技术通常又使用宽带信号匹配信道脉冲响应,所以对先验的环境参数极其敏感。随时空变化的水声信道能够引起声场能量的波动和相位的起伏,这意味着声场中各点的能量和相位不再是确定数值,而是服从某种概率分布,从而模型失配也难以避免。
发明内容
本发明的目的在于,为解决现有的浅海目标深度的分类方法未考虑环境参数的变化,从而造成模型参数与真实参数失配,影响声源定位的准确性的技术问题,本发明提供一种基于水听器阵列的浅海目标深度的分类方法,该分类方法使用声传播仿真生成基于模型的深、浅声源产生的能量场变化的典型概率密度函数,并基于该概率密度函数进行似然比检测(LRT)来辨识接收到的信号,以实现变化环境下的声源深度分类,避免了上述模型失配的技术问题。
本发明的分类方法对海洋环境的时变特性引起的声场不确定性加以利用,以分辨声源位于水面还是水体中。本发明提供了一种新型声源深度分类方法。该方法利用声源在波导中的位置深浅导致的水听器接收信号能量累积参数的不同进行处理。由于声传播和声源运动影响接收声信号,使接收信号能量在声场中的分布是变化的,对此建立声场模型,预先设定好声场中能量分布的概率密度函数,该概率密度函数对深和浅声源有不同的参数,该分类方法依赖深和浅声源在概率密度函数描述能量分布的差异进行分类。
为实现上述目的,本发明提供一种基于水听器阵列的浅海目标深度的分类方法,所述的分类方法包括:
步骤1)建立声源辐射的声信号模型,根据该声信号模型及接收信号数据存在的多普勒效应建立接收信号模型;
步骤2)根据FFT变换在频域对步骤1)中的接收信号数据进行估计,得到接收信号频率值;
步骤3)将步骤2)中得到的接收信号频率值以均方根进行归一化,得到不含白噪声的接收信号能量调制,建立该接收信号能量调制分布满足参数为(α,β)的伽马分布的概率密度函数;
步骤4)利用声传播仿真建立声场模型,根据该声场模型设置靠近海水表面的声源参数,重复计算得到若干个仿真的接收信号,使用矩法估计得到一组α和β值,并将其代入步骤3)中的概率密度函数,得到浅水概率密度函数;根据该声场模型设置深处声源参数,重复计算得到若干个仿真的接收信号,使用矩法估计得到另一组α和β值,并将其代入步骤3)中的概率密度函数,得到深水概率密度函数;
步骤5)根据步骤4)中得到的浅水概率密度函数和深水概率密度函数,使用似然比检验分类接收信号的声源深度。
作为上述技术方案的进一步改进,所述步骤1)中的声信号模型表示为:
υ[n]=Acos(ω0nTs+θ)
其中,ω0表示信号角频率,A表示幅度,θ表示相位,离散时间变量n=1,2,...,N,Ts表示每秒的采样时间间隔,采样频率fs=1/Ts。
作为上述技术方案的进一步改进,所述步骤1)中的接收信号模型表示为:
y[n]=x[n]Acos(ωdnTs+θ+φ[n])+ω[n]
其中,ω[n]表示加性噪声,x[n]表示接收信号能量调制,φ[n]表示时变的相位,ωd表示接收频率,θ表示相位,A表示幅度,Ts表示每秒的采样时间间隔。
作为上述技术方案的进一步改进,所述步骤3)中的概率密度函数表示为:
其中,α为形状参数,β为尺度参数,x[n]表示接收信号能量调制,Γ()为伽马函数。
作为上述技术方案的进一步改进,在声速剖面接近等声速的条件下,声速剖面随机扰动下的声场传播损失分布接近χ2分布,海面与海底起伏下的声场传播损失分布接近指数分布,将α和β的伽马分布族拟合上述分布,所述步骤3)中的概率密度函数变换为:
其中,TL表示传播损失,TL0表示按几何扩展计算的传播损失。
作为上述技术方案的进一步改进,对于海水加半无限液态沉积层二维模型,所述步骤4)中建立的声场模型表示为:
其中,μn=kn+iδn,kn表示水平波数,δn表示简正波衰减系数,表示海水中第n号模态函数,该模态函数满足下述模态方程和边界条件:
其中,ρ1表示海水密度,c1(z)表示海水声速,ρ2表示沉积层密度,c2(z)表示沉积层声速,ω表示声源频率,上、下界面粗糙度分别用海面波高σs和海底起伏σb来表示,表示沉积层第n号模态函数。
其中,αn表示海水吸收带来的能量衰减,表示空气-海水界面处的散射带来的能量衰减,表示为:
由下述公式表示:
其中,表示沉积层吸收带来的能量衰减,ε是沉积层吸收系数,其取值范围为0.3-0.9dB/λ;表示海水-沉积层界面处的散射带来的能量衰减。
作为上述技术方案的进一步改进,所述步骤5)中使用似然比检验分类接收信号的声源深度的公式表示为:
其中,Λ表示判定值;若Λ>1,则认为声源在浅水,若Λ<1,则认为声源在深水。
本发明的一种基于水听器阵列的浅海目标深度的分类方法的优点在于:本发明通过融合多个水听器接收到的信息进行探测,并使用声传播仿真生成基于模型的深、浅声源产生的能量场变化的典型概率密度函数,基于该概率密度函数进行似然比检测(LRT)来辨识接收到的信号,根据声能量在整个声场范围内的分布规律进行先验知识的提取,从而对该声场目标进行深度分类,算法易于实现,环境适应性高。
附图说明
图1为本发明的一种基于水听器阵列的浅海目标深度的分类方法流程图。
图2为海洋参数模型图。
图3为声场中各点能量分布计算结果图。
图4(a)为σSSP=1m/s,接收深度0m处的声场能量分布规律图。
图4(b)为σSSP=1m/s,接收深度50m处的声场能量分布规律图。
图4(c)为σSSP=1m/s,接收深度90m处的声场能量分布规律图。
图5(a)为σtop=2m,接收深度20m处的声场能量分布规律图。
图5(b)为σtop=2m,接收深度50m处的声场能量分布规律图。
图5(c)为σtop=2m,接收深度90m处的声场能量分布规律图。
图6(a)为σbot=2m,接收深度20m处的声场能量分布规律图。
图6(b)为σbot=2m,接收深度50m处的声场能量分布规律图。
图6(c)为σbot=2m,接收深度90m处的声场能量分布规律图。
图7(a)为接收深度20m出的声场能量分布规律之实验结果图。
图7(b)为接收深度50m处的声场能量分布规律之实验结果图。
图7(c)为接收深度90m处的声场能量分布规律之实验结果图。
具体实施方式
下面结合附图和实施例对本发明所述的一种基于水听器阵列的浅海目标深度的分类方法进行详细说明。
如图1所示,本发明的一种基于水听器阵列的浅海目标深度的分类方法,所述的分类方法包括:
步骤1)建立声源辐射的声信号模型,根据该声信号模型及接收信号数据存在的多普勒效应建立接收信号模型;
步骤2)根据FFT变换在频域对步骤1)中的接收信号数据进行估计,得到接收信号频率值;
步骤3)将步骤2)中得到的接收信号频率值以均方根进行归一化,得到不含白噪声的接收信号能量调制,建立该接收信号能量调制分布满足参数为(α,β)的伽马分布的概率密度函数;
步骤4)利用声传播仿真建立声场模型,根据该声场模型设置靠近海水表面的声源参数,重复计算得到若干个仿真的接收信号,使用矩法估计得到一组α和β值,并将其代入步骤3)中的概率密度函数,得到浅水概率密度函数;根据该声场模型设置深处声源参数,重复计算得到若干个仿真的接收信号,使用矩法估计得到另一组α和β值,并将其代入步骤3)中的概率密度函数,得到深水概率密度函数;
步骤5)根据步骤4)中得到的浅水概率密度函数和深水概率密度函数,使用似然比检验分类接收信号的声源深度。
为实现上述方法,在本实施例中可以进行如下处理:
第一步,建立信号模型并进行预处理。
首先,建立声源辐射的声信号模型,根据该声信号模型及接收信号数据存在的多普勒效应建立接收信号模型:
根据声源辐射声信号,建立声信号模型可表示为:
υ[n]=Acos(ω0nTs+θ) (1)
其中,ω0表示信号角频率,A表示幅度,θ表示相位,离散时间变量n=1,2,...,N,Ts表示每秒的采样时间间隔,采样频率fs=1/Ts。接收信号的能量和相位随着信号源和接收器深度、接收距离、水深和声速剖面等环境参数的改变而改变。由于接收距离的变化、声源运动等因素,导致接收信号存在多普勒效应,将接收信号能量调制表示为x[n],时变的相位为φ[n],接收频率为ωd,接收信号模型可表示为:
y[n]=x[n]Acos(ωdnTs+θ+φ[n])+ω[n] (2)
其中,ω[n]为加性噪声,θ表示相位,A表示幅度,Ts表示每秒的采样时间间隔。
其次,在实际接收信号的预处理阶段,依据FFT变换,在频域对上述的接收信号数据进行估计,得到接收信号频率值ωd。
再次,将上述得到的接收信号频率值ωd以均方根进行归一化,得到不含白噪声的接收信号能量调制。这是因为在实际应用中,辐射噪声信号的幅度值A是未知的。这一处理可由声传播和声源的运动计算得到一个归一化的幅值函数x[n]作为接收信号能量调制。接收信号可采用低通滤波器h[n]分离出不含白噪声的能量调制。该滤波器需要有足够的带宽保证调制能量能够顺利通过,并且尽可能多的抑制噪声。所述能量调制的绝对值即为复杂包络z[n]的值,z[n]表示为:
其中,*表示离散卷积。
最后,建立上述接收信号能量调制x[n]分布满足参数为(α,β)的伽马分布的概率密度函数,该概率密度函数表示为:
其中,α为形状参数,β为尺度参数,x[n]表示接收信号能量调制,Γ()为伽马函数。当α=1时的伽马分布就是指数分布,当且时的伽马分布是自由度为n的卡方分布(χ2分布)。(α,β)参数可由第二步建立的仿真数据估计得到。
第二步,使用声传播仿真生成基于模型的深、浅声源产生的能量场变化的典型概率密度函数。
对于海水加半无限液态沉积层二维模型,海水中单频点声源激发的声场模型可以表示为一系列简正波的叠加,该声场模型表示为:
其中,μn=kn+iδn,kn表示水平波数,δn表示简正波衰减系数,表示海水中第n号模态函数,该模态函数满足下述模态方程和边界条件:
如图2所示,ρ1表示海水密度,c1(z)表示海水声速,ρ2表示沉积层密度,c2(z)表示沉积层声速,ω表示声源频率,上、下界面粗糙度分别用海面波高σs和海底起伏σb来表征,表示沉积层第n号模态函数。则kn、和可以由(6)式求解。环境参数的影响用简正波衰减系数δn来表示:
其中,表示空气-海水界面处的散射带来的能量衰减,表示为:
由下述公式表示:
其中,表示沉积层吸收带来的能量衰减,ε是沉积层吸收系数,通常它是频率的函数,取值范围0.3-0.9dB/λ;表示海水-沉积层界面处的散射带来的能量衰减。
αn表示海水吸收带来的能量衰减。
在声速剖面接近等声速的条件下,声速剖面随机扰动下的声场传播损失分布接近χ2分布,海面与海底起伏下的声场传播损失分布接近指数分布。利用参数为α和β的伽马分布族拟合上述分布,上述公式(3)的概率密度函数变换为:
其中,TL表示传播损失,TL0表示按几何扩展计算的传播损失。
判定声源深水区还是浅水区的判定值α和β是由声传播模型决定的。仿真的环境参数包括水体和海底参数,例如声速剖面、水深、沉积物性质。系统输入包括信号频率和接收器深度。由此可计算出传播损失衰减模型,利用声学软件包可同时得到模型声场中的各点声压被其均方值归一化后的数值。利用已建立起来的声场模型先设置靠近表面的声源参数,重复多次计算得到多个仿真的接收信号,使用矩法矩法估计得到α和β值,而后改用深处声源参数计算,产生出两个不同的伽马分布函数fs和fd。
建立起上述的概率密度函数之后,就可以利用似然比检测(LRT)来辨识接收到的信号了。
第三步,使用似然比检验分类接收信号的声源深度。
采用似然比检测分类接收信号的声源深度的公式表示为:
最后一个步骤是将信号预处理步骤中从接收信号提取出的接收信号能量调制x[n]分别代入到公式(10)中,当声源的波导在上层时,得到x[n]的概率密度函数表示为fs(x[n]),当声源的波导在上层时,得到x[n]的概率密度函数表示为fd(x[n]),将fs(x[n])和fd(x[n])代入上式(11)进行浅海目标深度分类。
假设声源出现位置深或浅的先验概率是相等的,最大似然和最小误差概率检测可以表述为:若Λ>1则认为声源在浅水,若Λ<1则认为声源在深水。一般来说,似然比可以与一阈值相比较,该阈值反映了不同的先验概率知识和与误差相关的计算成本。
实施例1:
第一步,建立信号及环境模型。
深度辨识系统的第一个步骤是进行数据的预处理,从接收信号中提取出随时间变化的能量值。采用一个具有2Hz通带、2048个采样点的低通有限脉冲响应(FIR)滤波器提取复数能量值。
环境模型采用在浅海环境下在水深30m处布放声源,发射信号频率为300Hz。采用90元垂直阵接收信号,阵元间距1m。实验海域的声速剖面由XBT测量,XBT测量误差0.2m/s左右,实验期间的声速剖面近似为1520m/s的等声速剖面,平均有0.8m/s的声速扰动。波高由雷达测量,平均波高约0.5m,对应于二级海况。海底地质声学模型由声学反演和钻芯取样两种方法测定,两种方法获得的底质参数基本一致,可以确定海底分层结构为粘土-粘沙沉积层覆盖在岩石基底上。本文选择20m、50m和90m三个接收深度用来考察1m/s声速剖面随机扰动、2m海面起伏和2m海底起伏等条件下的声场能量分布规律。
若环境参数表示为 声场数据表示为 Nx是环境参数个数,Ny是声场空间采样数。则声场数据y=y(x)为:
y=y(<x>)+D(x-<x>)+O((x-<x>)2) (10)
其中,<>表示数学期望,实际计算时,通常使用近似式表示梯度矩阵。
第二步,使用声传播仿真生成基于模型的深、浅声源产生的能量场变化的典型概率密度函数。
通常方程(8)只有数值解。使用海洋声学计算软件AcTUP(Acoustic ToolboxUser-interface&Post-processor)实现声场计算,液态海底采用KRAKEN模型,弹性海底采用SCOOTER模型。通过声场传播损失表示声传播规律如图3所示,传播损失TL计算公式如下:
TL=SL-RL (13)
其中,SE表示回声信号级,RL表示等效平面波混响级。
在声速剖面接近等声速的条件下,声速剖面随机扰动下的声场传播损失分布接近χ2分布,海面与海底起伏下的声场传播损失分布接近指数分布。我们用参数为α和β的伽马分布族拟合上述分布,其概率密度函数:
f(TL|1,β)是指数分布,f(TL|n/2,1/2)是自由度为n的χ2分布。当α≤1,f(TL|α,β)单调下降;当α>1,f(TL|α,β)是单峰函数,极大值在TL=TL0+α-1/β处。
模型仿真结果如图4至图7所示。
第三步,使用似然比检验分类接收信号的声源深度。
伽马分布包含两个变量:形状参数α和尺度参数β。当声源处在深水区时,α较浅海声源条件下的更大,其概率密度函数形状更接近于正态分布;且在远距离测量时β也较大,代表其概率密度函数的幅值也将更大。
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 (7)
1.一种基于水听器阵列的浅海目标深度的分类方法,其特征在于,所述的分类方法包括:
步骤1)建立声源辐射的声信号模型,根据该声信号模型及接收信号数据存在的多普勒效应建立接收信号模型;
步骤2)根据FFT变换在频域对步骤1)中的接收信号数据进行估计,得到接收信号频率值;
步骤3)将步骤2)中得到的接收信号频率值以均方根进行归一化,得到不含白噪声的接收信号能量调制,建立该接收信号能量调制分布满足参数为(α,β)的伽马分布的概率密度函数;
步骤4)利用声传播仿真建立声场模型,根据该声场模型设置靠近海水表面的声源参数,重复计算得到若干个仿真的接收信号,使用矩法估计得到一组α和β值,并将其代入步骤3)中的概率密度函数,得到浅水概率密度函数;根据该声场模型设置深处声源参数,重复计算得到若干个仿真的接收信号,使用矩法估计得到另一组α和β值,并将其代入步骤3)中的概率密度函数,得到深水概率密度函数;
步骤5)根据步骤4)中得到的浅水概率密度函数和深水概率密度函数,使用似然比检验分类接收信号的声源深度。
2.根据权利要求1所述的基于水听器阵列的浅海目标深度的分类方法,其特征在于,所述步骤1)中的声信号模型表示为:
υ[n]=Acos(ω0nTs+θ)
其中,ω0表示信号角频率,A表示幅度,θ表示相位,离散时间变量n=1,2,...,N,Ts表示每秒的采样时间间隔,采样频率fs=1/Ts。
3.根据权利要求2所述的基于水听器阵列的浅海目标深度的分类方法,其特征在于,所述步骤1)中的接收信号模型表示为:
y[n]=x[n]Acos(ωdnTs+θ+φ[n])+ω[n]
其中,ω[n]表示加性噪声,x[n]表示接收信号能量调制,φ[n]表示时变的相位,ωd表示接收频率,θ表示相位,A表示幅度,Ts表示每秒的采样时间间隔。
4.根据权利要求3所述的基于水听器阵列的浅海目标深度的分类方法,其特征在于,所述步骤3)中的概率密度函数表示为:
其中,α为形状参数,β为尺度参数,x[n]表示接收信号能量调制,Γ()为伽马函数。
5.根据权利要求4所述的基于水听器阵列的浅海目标深度的分类方法,其特征在于,在声速剖面接近等声速的条件下,声速剖面随机扰动下的声场传播损失分布接近χ2分布,海面与海底起伏下的声场传播损失分布接近指数分布,将α和β的伽马分布族拟合上述分布,所述步骤3)中的概率密度函数变换为:
其中,TL表示传播损失,TL0表示按几何扩展计算的传播损失。
6.根据权利要求1所述的基于水听器阵列的浅海目标深度的分类方法,其特征在于,对于海水加半无限液态沉积层二维模型,所述步骤4)中建立的声场模型表示为:
其中,μn=kn+iδn,kn表示水平波数,δn表示简正波衰减系数,表示海水中第n号模态函数,该模态函数满足下述模态方程和边界条件:
其中,ρ1表示海水密度,c1(z)表示海水声速,ρ2表示沉积层密度,c2(z)表示沉积层声速,ω表示声源频率,上、下界面粗糙度分别用海面波高σs和海底起伏σb来表示,表示沉积层第n号模态函数;
其中,αn表示海水吸收带来的能量衰减,表示空气-海水界面处的散射带来的能量衰减,表示为:
由下述公式表示:
其中,表示沉积层吸收带来的能量衰减,ε是沉积层吸收系数,其取值范围为0.3-0.9dB/λ;表示海水-沉积层界面处的散射带来的能量衰减。
7.根据权利要求1所述的基于水听器阵列的浅海目标深度的分类方法,其特征在于,所述步骤5)中使用似然比检验分类接收信号的声源深度的公式表示为:
其中,Λ表示判定值;若Λ>1,则认为声源在浅水,若Λ<1,则认为声源在深水。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310739820.8A CN104749568B (zh) | 2013-12-26 | 2013-12-26 | 一种基于水听器阵列的浅海目标深度的分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310739820.8A CN104749568B (zh) | 2013-12-26 | 2013-12-26 | 一种基于水听器阵列的浅海目标深度的分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104749568A true CN104749568A (zh) | 2015-07-01 |
CN104749568B CN104749568B (zh) | 2017-06-09 |
Family
ID=53589544
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310739820.8A Active CN104749568B (zh) | 2013-12-26 | 2013-12-26 | 一种基于水听器阵列的浅海目标深度的分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104749568B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105372644A (zh) * | 2015-11-03 | 2016-03-02 | 西北工业大学 | 一种基于动态重修正的自适应波束形成方法及系统 |
CN105631194A (zh) * | 2015-12-20 | 2016-06-01 | 西北工业大学 | 一种利用模态频散曲线能量差反演海底衰减系数的方法 |
CN105929385A (zh) * | 2016-04-06 | 2016-09-07 | 山东省科学院海洋仪器仪表研究所 | 基于双水听器lofar谱图分析的目标深度分辨方法 |
CN107016159A (zh) * | 2017-02-28 | 2017-08-04 | 浙江海洋大学 | 本征值确定方法及装置 |
CN108107436A (zh) * | 2017-12-25 | 2018-06-01 | 西北工业大学 | 一种基于可靠声路径的水下目标主动分类与定位方法 |
CN108985304A (zh) * | 2017-05-31 | 2018-12-11 | 中国科学院声学研究所 | 一种基于浅剖数据的沉积层结构自动提取方法 |
CN109975812A (zh) * | 2017-12-27 | 2019-07-05 | 中国科学院声学研究所 | 一种爆炸声的声源深度和声源级的计算方法 |
CN110531362A (zh) * | 2018-05-23 | 2019-12-03 | 中国科学院声学研究所 | 一种高分辨率运动声呐知识基的目标检测方法 |
CN112630782A (zh) * | 2020-11-25 | 2021-04-09 | 海鹰企业集团有限责任公司 | 一种利用浮沉载荷装置实现深海扩展跟踪的方法 |
CN113221651A (zh) * | 2021-04-09 | 2021-08-06 | 广东海洋大学 | 利用声传播数据和无监督机器学习的海底沉积分类方法 |
CN114462457A (zh) * | 2022-04-11 | 2022-05-10 | 自然资源部第一海洋研究所 | 基于本征概率密度函数的舰船水下噪声深度学习识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110010405A1 (en) * | 2009-07-12 | 2011-01-13 | Chetan Kumar Gupta | Compression of non-dyadic sensor data organized within a non-dyadic hierarchy |
CN102721958A (zh) * | 2012-06-25 | 2012-10-10 | 西北工业大学 | 不确定海洋环境中广义似然比稳健信号检测方法 |
-
2013
- 2013-12-26 CN CN201310739820.8A patent/CN104749568B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110010405A1 (en) * | 2009-07-12 | 2011-01-13 | Chetan Kumar Gupta | Compression of non-dyadic sensor data organized within a non-dyadic hierarchy |
CN102721958A (zh) * | 2012-06-25 | 2012-10-10 | 西北工业大学 | 不确定海洋环境中广义似然比稳健信号检测方法 |
Non-Patent Citations (2)
Title |
---|
FIKADU T DAGEFU ET AL.: ""HIGH RESOLUTION SUBSURFACE IMAGING OF DEEP TARGETS BASED ON DISTRIBUTED SENSOR NETWORKS"", 《INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》 * |
王绪虎 等: ""环境噪声场中二阶组合水听器的空间相关性"", 《振动与冲击》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105372644A (zh) * | 2015-11-03 | 2016-03-02 | 西北工业大学 | 一种基于动态重修正的自适应波束形成方法及系统 |
CN105372644B (zh) * | 2015-11-03 | 2018-08-24 | 西北工业大学 | 一种基于动态重修正的自适应波束形成方法及系统 |
CN105631194B (zh) * | 2015-12-20 | 2018-02-09 | 西北工业大学 | 一种利用模态频散曲线能量差反演海底衰减系数的方法 |
CN105631194A (zh) * | 2015-12-20 | 2016-06-01 | 西北工业大学 | 一种利用模态频散曲线能量差反演海底衰减系数的方法 |
CN105929385B (zh) * | 2016-04-06 | 2019-02-26 | 山东省科学院海洋仪器仪表研究所 | 基于双水听器lofar谱图分析的目标深度分辨方法 |
CN105929385A (zh) * | 2016-04-06 | 2016-09-07 | 山东省科学院海洋仪器仪表研究所 | 基于双水听器lofar谱图分析的目标深度分辨方法 |
CN107016159A (zh) * | 2017-02-28 | 2017-08-04 | 浙江海洋大学 | 本征值确定方法及装置 |
CN108985304A (zh) * | 2017-05-31 | 2018-12-11 | 中国科学院声学研究所 | 一种基于浅剖数据的沉积层结构自动提取方法 |
CN108985304B (zh) * | 2017-05-31 | 2021-07-30 | 中国科学院声学研究所 | 一种基于浅剖数据的沉积层结构自动提取方法 |
CN108107436A (zh) * | 2017-12-25 | 2018-06-01 | 西北工业大学 | 一种基于可靠声路径的水下目标主动分类与定位方法 |
CN108107436B (zh) * | 2017-12-25 | 2021-06-29 | 西北工业大学 | 一种基于可靠声路径的水下目标主动分类与定位方法 |
CN109975812A (zh) * | 2017-12-27 | 2019-07-05 | 中国科学院声学研究所 | 一种爆炸声的声源深度和声源级的计算方法 |
CN110531362B (zh) * | 2018-05-23 | 2021-09-10 | 中国科学院声学研究所 | 一种高分辨率运动声呐知识基的目标检测方法 |
CN110531362A (zh) * | 2018-05-23 | 2019-12-03 | 中国科学院声学研究所 | 一种高分辨率运动声呐知识基的目标检测方法 |
CN112630782A (zh) * | 2020-11-25 | 2021-04-09 | 海鹰企业集团有限责任公司 | 一种利用浮沉载荷装置实现深海扩展跟踪的方法 |
CN112630782B (zh) * | 2020-11-25 | 2022-04-12 | 海鹰企业集团有限责任公司 | 一种利用浮沉载荷装置实现深海扩展跟踪的方法 |
CN113221651A (zh) * | 2021-04-09 | 2021-08-06 | 广东海洋大学 | 利用声传播数据和无监督机器学习的海底沉积分类方法 |
CN113221651B (zh) * | 2021-04-09 | 2023-06-02 | 广东海洋大学 | 利用声传播数据和无监督机器学习的海底沉积分类方法 |
CN114462457A (zh) * | 2022-04-11 | 2022-05-10 | 自然资源部第一海洋研究所 | 基于本征概率密度函数的舰船水下噪声深度学习识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104749568B (zh) | 2017-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104749568A (zh) | 一种基于水听器阵列的浅海目标深度的分类方法 | |
CN103176210B (zh) | 估计沿拖曳的声学线天线布置的节点之间节点间距离的方法和装置 | |
CN103076594B (zh) | 一种基于互相关的水声脉冲信号双阵元定位的方法 | |
Xu | Measuring currents in submarine canyons: technological and scientific progress in the past 30 years | |
Yanhu et al. | A method of seismic meme inversion and its application | |
CN104678384B (zh) | 一种波束域的声压差互相关谱分析水下目标速度估计方法 | |
CN104820218B (zh) | 一种基于频域自相关的浅海海底单参数反演方法 | |
CN103048642A (zh) | 基于频域最小二乘法的水声脉冲信号匹配场定位方法 | |
Williams et al. | Surface gravity wave interferometry and ocean current monitoring with ocean‐bottom DAS | |
CN112987004A (zh) | 一种浅海环境下基于水平阵列的水面水下目标分类方法 | |
CN111443384B (zh) | 确定节点深度和水柱通过速度 | |
CN103076604A (zh) | 一种基于频散特征的低频水声脉冲信号距离的测量方法 | |
CN117198330A (zh) | 一种声源识别方法、系统及电子设备 | |
CN108572349B (zh) | 一种深海环境下基于模型计算的声源定深方法 | |
Holmes et al. | Nonlinear frequency-dependent attenuation in sandy sediments | |
CN109632258A (zh) | 一种基于矢量传感器的收发分离的海洋内波声学检测方法 | |
CN106019290A (zh) | 加权宽带时反算子分解多目标声成像方法 | |
CN110780340B (zh) | 一种浅海弹性软沉积层横波声速或厚度的反演方法 | |
CN112305502A (zh) | 一种基于阵列不变量的水面水下声源二元判别方法 | |
CN114974298A (zh) | 一种基于深度学习的海洋声源定位及海洋参数反演方法 | |
CN115220026A (zh) | 一种基于冰面水平阵列的匹配场跨冰定位方法 | |
CN111580078B (zh) | 基于融合模态闪烁指数的单水听器目标识别方法 | |
Zhang et al. | Simulation of ship radiated noise field in deep sea based on statistical characteristics of sound source | |
Guo et al. | Tracking-positioning of sound speed profiles and moving acoustic source in shallow water | |
RU2466432C1 (ru) | Способ обнаружения возможности наступления катастрофических явлений |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |