CN108562905B - 一种基于模态域子空间检测器加权的水下目标检测方法 - Google Patents
一种基于模态域子空间检测器加权的水下目标检测方法 Download PDFInfo
- Publication number
- CN108562905B CN108562905B CN201810256634.1A CN201810256634A CN108562905B CN 108562905 B CN108562905 B CN 108562905B CN 201810256634 A CN201810256634 A CN 201810256634A CN 108562905 B CN108562905 B CN 108562905B
- Authority
- CN
- China
- Prior art keywords
- modal
- detection
- order
- detector
- target
- 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.)
- Expired - Fee Related
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 95
- 208000030523 mesoaxial synostotic syndactyly with phalangeal reduction Diseases 0.000 claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 239000013598 vector Substances 0.000 claims description 13
- 238000000034 method Methods 0.000 claims description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 238000010521 absorption reaction Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 4
- 239000013535 sea water Substances 0.000 claims description 4
- 238000003657 Likelihood-ratio test Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 10
- 238000004088 simulation Methods 0.000 description 6
- 150000001875 compounds Chemical class 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 230000035508 accumulation Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- ONDSBJMLAHVLMI-UHFFFAOYSA-N trimethylsilyldiazomethane Chemical compound C[Si](C)(C)[CH-][N+]#N ONDSBJMLAHVLMI-UHFFFAOYSA-N 0.000 description 2
- 241001386813 Kraken Species 0.000 description 1
- 102000002274 Matrix Metalloproteinases Human genes 0.000 description 1
- 108010000684 Matrix Metalloproteinases Proteins 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/02—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems using reflection of acoustic waves
- G01S15/04—Systems determining presence of a target
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Acoustics & Sound (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明提供了一种基于模态域子空间检测器加权的水下目标检测方法,涉及阵列信号处理领域,对垂直线列阵的接收信号数据进行预处理并计算相关声场参数,利用模态矩阵的正交性构造各阶MSSD,并计算各阶模态系数的衰减指数,进而得到各阶MSSD的加权系数;并构造最终的加权重构模态空间检测器,根据虚警概率得到检测门限,并与检测门限进行比较,则表明目标存在,否则目标不存在。本发明采用模态衰减指数的倒数对各阶MSSD进行加权,以弱化检测性能较差的MSSD对最终检测器的影响,使得重构的检测器WMSD的检测性能得到提高,即在相同输入信噪比和虚警概率条件下,重构的检测器WMSD具有更大的检测概率。
Description
技术领域
本发明涉及阵列信号处理领域,尤其是一种水下目标的检测方法。
背景技术
实现水下目标的被动检测是被动声呐系统的主要任务之一。传统的被动声呐检测方法大多是基于纯数据驱动(张晓勇,罗来源.被动声呐信号检测技术发展[J].声学技术,2014(6):559-563.),假设海洋信道为理想信道,利用匹配滤波和波束形成等技术来提高处理增益,主要可分为基于时域信息的检测方法和基于空域信息的检测方法。
近年来随着减振降噪技术的发展和声呐作用的水声环境日趋复杂,人们逐渐发现传统的被动声呐检测技术不能达到较为理想的性能。究其原因,主要是上述技术大都假设了自由的空间环境,没有充分考虑水声传播环境的复杂性,造成实际应用中效果不佳。随着水声传播理论的发展,一些结合实际海洋环境的检测技术应运而生。该类技术运用声场传播规律根据波导环境参数建立物理模型,并将该模型引入到信号处理技术中,从而有效利用环境先验知识提高信号处理的性能,如匹配场处理(Matched Field Processing,MFP)技术和匹配模处理(Matched Mode Processing,MMP)技术(Yang T C.Effectiveness ofmode filtering:A comparison of matched-field and matched mode processing[J].Journal of the Acoustical Society of America,1990,87(5):2072-2084.)。MFP和MMP可用于位置已知的被动目标检测,对于位置未知的目标需要通过扫描得到最终的检测统计量,运算量较大。另外一种方法是根据波导环境信息和接收的声场数据先估计与目标声源位置有关的参数,再利用该参数构造检测统计量。李明杨等介绍并推导了该检测器(李明杨,孙超,邵炫.模态信息非完备采样对水下声源检测的影响及改进方法[J].物理学报,2014(20):207-220.),并称之为广义似然比检测器。该方法在实现过程中主要是利用信号在模态空间上正交投影的能量,因此该检测器也可称为模态空间检测器(Mode SpaceDetector,MSD)。MSD实际上是一种匹配子空间检测器(Scharf L L,FriedlanderB.Matched subspace detectors[J].IEEE Transactions on Signal Processing,1994,42(8):2146-2157.),对于位置未知的目标,规避了扫描从而降低了运算量。但与此同时,相较于MFD检测器,MSD的自由度增大了M-1倍(这里M为模态子空间的个数),由于子空间类检测器的检测概率与自由度成反比(Kay S M.Fundamentals of statistical signalprocessing[M].Prentice Hall PTR,1993.),从而MSD的检测性能相较于MFD检测器有较大幅度的下降,这种性能下降的幅度会随着M的增大而增大。
发明内容
为了克服现有技术的不足,针对浅海远距离被动目标检测方法的不足,本发明提出一种基于模态域子空间检测器加权的水下目标检测方法。
本发明解决其技术问题所采用的技术方案的步骤如下:
步骤1:对垂直线列阵(Vertical Linear Array,VLA)的接收信号数据进行预处理并计算相关声场参数:
将阵元个数为N、阵元间距为d的VLA布放在水中接收水声数据,VLA覆盖全水深,目标距接收阵VLA的水平距离5公里以上,对于VLA的各水听器接收到的待检测时域采样数据,在期望频率f上做窄带傅里叶变换,得到频域接收数据r,根据水声环境参数利用声场软件KRAKEN计算VLA各个水听器采集到的模态空间矩阵Φ及各阶模态衰减系数δm,其中水声环境参数包含海水深度、密度及声吸收系数、海底地质厚度、密度及声吸收系数、声速剖面,m=1,2,..,M,m为模态阶数,模态空间矩阵Φ的列向量分别记为u1,…,uM,M为简正波模态个数,根据预先采集的环境噪声数据估算噪声功率,记为
步骤2:利用模态矩阵的正交性构造各阶MSSD,并计算各阶模态系数的衰减指数,进而得到各阶MSSD的加权系数;
利用步骤1中的频域接收数据r并根据广义似然比检验原则推导得到MSD的检测统计量根据模态矩阵的正交性,利用模态空间矩阵Φ的各阶列向量构造M个相互独立的MSSD,其检测统计量分别为T1,…,Tm,…,TM,其中um为矩阵Φ的列向量,计算各阶加权系数其中R为目标距接收阵的水平距离;
步骤3:利用步骤2中计算得到的加权系数对各阶MSSD进行加权求和处理,构造最终的加权重构模态空间检测器Tw,其检测统计量为根据虚警概率利用噪声训练数据得到检测门限γ,将频域接收数据r输入设计的检测器Tw中,并与检测门限γ进行比较,若检测器Tw大于检测门限γ,则表明目标存在,否则目标不存在。
本发明的有益效果在于根据各阶MSSD对MSD的检测性能的贡献大小(即输出信噪比)对各阶MSSD进行加权求和,即采用模态衰减指数的倒数对各阶MSSD进行加权,然后累加求和来构造新的WMSD,以弱化检测性能较差(即输出信噪比较小)的MSSD对最终检测器的影响,所以使得重构的检测器WMSD的检测性能得到提高,即在相同输入信噪比和虚警概率条件下,重构的检测器WMSD具有更大的检测概率。因此,对于水下位置未知的远距离目标被动检测,本发明提供了一种检测性能更佳的检测方法。
附图说明
图1为本发明的原理框图。
图2为本发明仿真浅海海洋波导模型及环境参数说明。
图3为本发明各阶MSSD加权系数示意图,其中图3(a)为f1=300Hz时的加权系数示意图,图3(b)为f2=400Hz时的加权系数示意图。
图4为本发明MSD和WMSD的检测概率随信噪比的变化曲线,其中,图4(a)为f1=300Hz,PFA=0.01时的变化曲线,图3(b)为f2=400Hz,PFA=0.01时的变化曲线。
图5为本发明MSD和WMSD的检测概率随虚警概率变化的曲线,其中,图5(a)为f1=300Hz,SNR=5dB时的变化曲线,图5(b)为f2=400Hz,SNR=5dB时的变化曲线。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
步骤1:对垂直线列阵(Vertical Linear Array,VLA)的接收信号数据进行预处理并计算相关声场参数:
将阵元个数为N、阵元间距为d的VLA布放在水中接收水声数据,VLA覆盖全水深,目标距接收阵VLA的水平距离5公里以上,对于VLA的各水听器接收到的待检测时域采样数据,在期望频率f上做窄带傅里叶变换,得到频域接收数据r,根据水声环境参数利用声场软件KRAKEN计算VLA各个水听器采集到的模态空间矩阵Φ及各阶模态衰减系数δm,其中水声环境参数包含海水深度、密度及声吸收系数、海底地质厚度、密度及声吸收系数、声速剖面,m=1,2,..,M,m表示的是模态阶数,模态空间矩阵Φ的列向量分别记为u1,…,uM,M为简正波模态个数,根据预先采集的环境噪声数据估算噪声功率,记为
步骤2:利用模态矩阵的正交性构造各阶MSSD,并计算各阶模态系数的衰减指数,进而得到各阶MSSD的加权系数;
利用步骤1中的频域接收数据r并根据广义似然比检验原则推导得到MSD的检测统计量根据模态矩阵的正交性,利用模态空间矩阵Φ的各阶列向量构造M个相互独立的MSSD,其检测统计量分别为T1,…,Tm,…,TM,其中um为矩阵Φ的列向量,计算各阶加权系数其中R为目标距接收阵的水平距离,由于目标位置未知,R的精确值无法获取,本发明取远距离范围的最小值R=5000m;
步骤3:利用步骤2中计算得到的加权系数对各阶MSSD进行加权求和处理,构造最终的加权重构模态空间检测器Tw,其检测统计量为设虚警概率为0.01,根据虚警概率利用噪声训练数据得到检测门限γ,将频域接收数据r输入设计的检测器Tw中,并与检测门限γ进行比较,若检测器Tw大于检测门限γ,则表明目标存在,否则目标不存在。
本发明首先利用模态矩阵的正交性将模态空间检测器分解为若干个模态子空间检测器(Mode Sub-space Detector,MSSD),然后计算各个MSSD对应模态的衰减指数,最后运用各阶模态衰减指数的倒数对各个MSSD进行加权,将之称为衰减指数加权的模态空间检测器(Weighted Mode Space Detector,WMSD)。根据检测器的统计特性,各阶MSSD的处理增益与其相应的模态系数的模值平方成正比,即相同信噪比(Signal Noise Ratio,SNR)下,模态系数越大,相应的MSSD的检测概率就越大。模态系数的大小与声衰减指数成反比。根据水声传播的简正波理论,各阶模态的衰减指数随模态阶数的升高而增大。进而导致对于远距离目标检测,高阶的MSSD的处理增益很小,对最终的MSD(各阶MSSD非相干累加之和)的检测性能产生负面的影响。本发明利用各阶MSSD的衰减指数的倒数对各阶MSSD进行加权,然后叠加得到最终的检测器(WMSD),这样就弱化了处理增益很小的MSSD的影响,从而使WMSD获得比广义似然比准则下最优的MSD更好的检测性能。声信号的各阶模态在远距离传播下衰减较为明显,因此本发明对远距离目标检测的性能具有较大的提高作用。
MSD实质上是由各阶MSSD相累加构成的,各阶MSSD的输出信噪比不同,导致各阶MSSD对MSD的检测性能的贡献大小不同,各阶MSSD的输出信噪比与各阶模态衰减系数有关。
本发明的原理框图如图1所示,本发明的主要内容有:
1)对VLA接收到的水声数据进行预处理,得到后续处理需要的相关物理量;
2)将MSD分解为若干个相互独立的MSSD,计算各阶MSSD的加权系数;
3)利用各阶加权系数对各阶MSSD加权求和构造新的检测统计量,得到最终的WMSD;
4)通过计算机数值仿真,对本发明所提出的方法进行了检验,证明了本发明中提出方法对MSD较大的性能提升作用。
步骤1:对垂直线列阵(Vertical Linear Array,VLA)的接收信号数据进行预处理并计算相关声场参数。
使用阵元个数为N、阵元间距为d的VLA布放在水中接收水声数据。首先对于各水听器接收到的待检测时域采样数据,在期望频率上做窄带傅里叶变换,得到N×1的频域接收数据r。根据相应的水声环境参数利用声场软件(KRAKEN)计算VLA各个水听器采集到的模态空间矩阵Φ及各阶模态衰减系数δm(m=1,…,M),模态矩阵的列向量记为u1,…,uM,M为简正波模态个数。
步骤2:利用模态矩阵的正交性将MSD划分为M个MSSD,计算各阶MSSD的加权系数。
利用步骤1中的接收数据建立信号检测模型,根据广义似然比准则推导得到MSD的检测统计量TM。根据模态矩阵的正交性,利用模态矩阵的各阶列向量构造M个相互独立的MSSD,其检测统计量分别为T1,…,TM。计算各阶加权系数其中R为目标距接收阵的水平距离。由于目标位置未知,R的精确值无法获取,已经假设目标为远距离声源,所以取R=5000m。
所述步骤2相关推导及具体实现如下:
根据简正波理论,海洋波导中VLA上各水听器接收声场的传递函数可表示为:
g=Φa(rs,ds) (1)
式中,g为N×1的列向量,对应VLA上各个水听器接收声场传递函数,a(rs,ds)为M×1的模态系数向量,a(rs,ds)=[a1,…,aM]T,
式中,ρ为海水密度,δm、krm、φm分别为第m阶模态的衰减系数、水平波数和模态函数。记为模态衰减指数。由式(2)可知模态系数的值与声源距离rs和深度ds有关,且与模态衰减指数成反比。接收信号频域快拍rl可表示为:
对于未知声源位置的窄带目标检测问题,可建立二元假设检验模型如下,
式中,p(r|H1,ξ)为未知参数ξ的条件概率密度函数。根据似然比检验可得条件似然比为,
对(5)式中的未知参数ξ进行最大似然估计,可得
将检测统计量TMSD(r)简写为TMSD,TMSD服从的统计分布为:
式中,表示自由度为2M的卡方分布,表示自由度为2M、非中心参量为α的非中心卡方分布,由α的表达式可知,非中心参量表征了检测器的输出信噪比。根据信号检测理论并结合(8)式,MSD的检测概率PFA与虚警概率PD分别为
由声传播的简正波理论,模态矩阵Φ为列正交矩阵,进而(8)式可写为
步骤3:用各阶加权系数对各阶MSSD加权累加求和,设定虚警概率为0.01,使用训练数据得到检测门限γ,最终实现目标检测。
具体实现如下:
将各阶加权系数写成对角矩阵的形式,
W=diag(w1,…,wM) (15)
则加权重构的检测器可表示为
设定虚警概率为0.01,将噪声训练数据代入(16)式中,得到检测门限γ。将接收数据代入(16)式中计算检测统计量的值,并与门限γ比较,若大于门限则判定有目标,否则判定无目标。
MSD由若干个相互独立的MSSD非相干累加构成,而这些MSSD的检测性能之间具有一定的差异,主要取决于各阶处理增益,目标信号远距离传播下,各阶处理增益会随之衰减,衰减程度可用模态衰减指数描述。因此如果利用各阶模态衰减指数去设计一种加权,进而降低那些性能较差的MSSD对最终检测器的贡献,将能在一定程度上提高最终检测器的性能。
仿真实例的具体实现及相关结果展示如下:
仿真使用的波导环境模型及VLA如图2所示,这是一个典型的浅海波导环境,图中标出了相应的海洋环境参数。VLA阵元个数N=120,起始阵元深度为1m,阵元间距为1m,目标水平距离为12km,所处深度为50m。仿真声场及波导环境中的模态矩阵、衰减系数由KRAKEN软件计算。定义阵列输出信噪比为
用蒙特卡洛实验计算检测概率,在每一个信噪比上蒙特卡洛实验次数为100000次。以典型的浅海波导环境下被动声呐目标检测的过程为例,给出本发明的实施实例及实施效果。
给出声源频率分别为f1=300Hz和f2=400Hz时WMSD、MSD的检测性能曲线,即检测概率随信噪比变化的曲线和检测概率随虚警概率变化的曲线。利用KRAKEN软件计算各阶模态衰减系数,进而得到各阶模态的加权系数如图3所示,中心频率为300Hz的窄带声源激发了16阶模态,中心频率为400Hz的窄带声源激发了22阶模态。利用蒙特卡洛重复实验仿真得到的检测概率随信噪比变化曲线如图4所示,检测概率随虚警概率变化曲线如图5所示。由图4可得,相同信噪比情况下WMSD的检测概率总是高于MSD,我们比较检测概率为0.5时的信噪比门限,WMSD的信噪比门限相较于MSD降低了3dB(f1=300Hz)、3.5dB(f2=400Hz);在图5中,相同虚警概率下WMSD的检测概率总是高于MSD,我们比较检测概率为0.5时的虚警概率,WMSD的虚警概率相较于MSD下降了0.1(f1=300Hz)、0.15(f2=400Hz)。
根据以上实施实例可看出,对于水下目标被动检测,相较于现有的使用MSD的检测方法,本发明提出的使用WMSD的检测方法能较大幅度地降低信噪比门限或者减小虚警概率,从而提高了检测性能。因此可以认为本发明能有效运用到水下目标被动检测领域。
本发明的基本原理经过了理论推导,实施方案经过了计算机数值仿真的验证,其结果表明,相较于现有的使用MSD检测声源位置未知的水下目标的检测方法,本发明提出的使用WMSD的检测方法可以显著提高水下目标检测的检测性能。
Claims (1)
1.一种基于模态域子空间检测器加权的水下目标检测方法,其特征在于包括下述步骤:
步骤1:对垂直线列阵的接收信号数据进行预处理并计算相关声场参数:
将阵元个数为N、阵元间距为d的垂直线列阵布放在水中接收水声数据,垂直线列阵覆盖全水深,目标距接收垂直线列阵的水平距离5公里以上,对于垂直线列阵的各水听器接收到的待检测时域采样数据,在期望频率f上做窄带傅里叶变换,得到频域接收数据r,根据水声环境参数利用声场软件KRAKEN计算VLA各个水听器采集到的模态空间矩阵Φ及各阶模态衰减系数δm,其中水声环境参数包含海水深度、密度及声吸收系数、海底地质厚度、密度及声吸收系数、声速剖面,m=1,2,…,M,m为模态阶数,模态空间矩阵Φ的列向量分别记为u1,…,uM,M为简正波模态个数,根据预先采集的环境噪声数据估算噪声功率,记为
步骤2:利用模态矩阵的正交性构造各阶MSSD,并计算各阶模态系数的衰减指数,进而得到各阶MSSD的加权系数;
利用步骤1中的频域接收数据r并根据广义似然比检验原则推导得到MSD的检测统计量根据模态矩阵的正交性,利用模态空间矩阵Φ的各阶列向量构造M个相互独立的MSSD,其检测统计量分别为T1,…,Tm,…,TM,其中um为矩阵Φ的列向量,计算各阶加权系数其中R为目标距接收垂直线列阵的水平距离;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810256634.1A CN108562905B (zh) | 2018-03-27 | 2018-03-27 | 一种基于模态域子空间检测器加权的水下目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810256634.1A CN108562905B (zh) | 2018-03-27 | 2018-03-27 | 一种基于模态域子空间检测器加权的水下目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108562905A CN108562905A (zh) | 2018-09-21 |
CN108562905B true CN108562905B (zh) | 2022-06-14 |
Family
ID=63533349
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810256634.1A Expired - Fee Related CN108562905B (zh) | 2018-03-27 | 2018-03-27 | 一种基于模态域子空间检测器加权的水下目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108562905B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111929665B (zh) * | 2020-09-01 | 2024-02-09 | 中国科学院声学研究所 | 一种基于波数谱主瓣位置的目标深度辨识方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101738611A (zh) * | 2009-12-15 | 2010-06-16 | 中国科学院声学研究所 | 一种水声目标信号检测和识别方法 |
CN103064077A (zh) * | 2012-12-26 | 2013-04-24 | 中国科学院声学研究所 | 一种基于幅值加权的目标检测方法和设备 |
CN103487811A (zh) * | 2013-08-14 | 2014-01-01 | 西北工业大学 | 不确定海洋环境中的模态子空间重构稳健目标定位方法 |
CN103675819A (zh) * | 2012-09-06 | 2014-03-26 | 中国科学院声学研究所 | 一种可用于被动合成孔径阵列偏航的目标检测方法及系统 |
CN104793212A (zh) * | 2015-04-23 | 2015-07-22 | 国家深海基地管理中心 | 利用声波海底反射实现主动声纳远程探测的方法 |
CN105137437A (zh) * | 2015-07-20 | 2015-12-09 | 中国科学院声学研究所 | 一种基于空域相位方差加权的目标检测方法 |
CN105589066A (zh) * | 2015-12-14 | 2016-05-18 | 西北工业大学 | 一种利用垂直矢量阵估计水下匀速运动航行器参数的方法 |
US10585190B2 (en) * | 2015-06-22 | 2020-03-10 | Navico Holding As | Devices and methods for locating and visualizing underwater objects |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7675819B2 (en) * | 2005-10-17 | 2010-03-09 | The Johns Hopkins University | Volumetric passive sonobuoy array of polyvinylidene fluoride (PVDF) wires |
-
2018
- 2018-03-27 CN CN201810256634.1A patent/CN108562905B/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101738611A (zh) * | 2009-12-15 | 2010-06-16 | 中国科学院声学研究所 | 一种水声目标信号检测和识别方法 |
CN103675819A (zh) * | 2012-09-06 | 2014-03-26 | 中国科学院声学研究所 | 一种可用于被动合成孔径阵列偏航的目标检测方法及系统 |
CN103064077A (zh) * | 2012-12-26 | 2013-04-24 | 中国科学院声学研究所 | 一种基于幅值加权的目标检测方法和设备 |
CN103487811A (zh) * | 2013-08-14 | 2014-01-01 | 西北工业大学 | 不确定海洋环境中的模态子空间重构稳健目标定位方法 |
CN104793212A (zh) * | 2015-04-23 | 2015-07-22 | 国家深海基地管理中心 | 利用声波海底反射实现主动声纳远程探测的方法 |
US10585190B2 (en) * | 2015-06-22 | 2020-03-10 | Navico Holding As | Devices and methods for locating and visualizing underwater objects |
CN105137437A (zh) * | 2015-07-20 | 2015-12-09 | 中国科学院声学研究所 | 一种基于空域相位方差加权的目标检测方法 |
CN105589066A (zh) * | 2015-12-14 | 2016-05-18 | 西北工业大学 | 一种利用垂直矢量阵估计水下匀速运动航行器参数的方法 |
Non-Patent Citations (5)
Title |
---|
Detection and Estimation in Sensor Arrays Using Weighted Subspace Fitting;Mats Viberg等;《IEEE TRANSACTIONS ON SIGNAL PROCESSING》;19911130;第39卷(第11期);第2436-2449页 * |
Matched Subspace Detectors;Louis L等;《IEEE TRANSACTIONS ON SIGNAL PROCESSING》;19940831;第42卷(第8期);第2146-2157页 * |
Performance of Mode Space Detector in Uncertain Shallow Water and Its Robust Realization;Mingyang Li等;《IEEE JOURNAL OF OCEANIC ENGINEERING》;20180131;第43卷(第1期);第131-144页 * |
一种基于正交匹配追踪的水下目标相关检测方法;邵炫等;《西北工业大学学报》;20170831;第35卷(第4期);第622-628页 * |
不确定海洋环境中的模态子空间重构稳健定位方法;刘宗伟等;《物理学报》;20140331;第63卷(第3期);第1-11页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108562905A (zh) | 2018-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Conan et al. | Source depth discrimination with a vertical line array | |
CN109581516B (zh) | 曲波域统计量自适应阈值探地雷达数据去噪方法及系统 | |
Kim et al. | Adaptive surface interference suppression for matched-mode source localization | |
Al-Aboosi et al. | Improved signal de-noising in underwater acoustic noise using S-transform: A performance evaluation and comparison with the wavelet transform | |
Shi et al. | Geoacoustic inversion of the acoustic-pressure vertical phase gradient from a single vector sensor | |
CN108562905B (zh) | 一种基于模态域子空间检测器加权的水下目标检测方法 | |
Wan et al. | Optimal tonal detectors based on the power spectrum | |
CN110865375B (zh) | 一种水中目标检测方法 | |
Garnier | Use of random matrix theory for target detection, localization, and reconstruction | |
Yan et al. | Ship Radiated Noise Recognition Using Resonance‐Based Sparse Signal Decomposition | |
Li et al. | Sparse Bayesian learning for horizontal wavenumber retrieval in underwater acoustical signal processing | |
CN111259942B (zh) | 一种水中弱目标检测方法 | |
RU2300781C1 (ru) | Устройство гидрометеорологоакустических наблюдений за акваторией морского полигона | |
Hongwei et al. | Remote passive sonar detection by relative multiscale change entropy | |
Lu et al. | Array shape estimation method based on extraction of single normal mode | |
Aktas et al. | Acoustic direction finding in highly reverberant environment with single acoustic vector sensor | |
Wang et al. | Research on Underwater Sound Source Localization Based on NLM‐EEMD and FCM‐Generalized Quadratic Correlation | |
RU2455664C1 (ru) | Способ определения предвестника цунами | |
Dankers et al. | Blind acoustic source separation via system identification for leak detection in pipelines | |
Zhang et al. | A source depth discrimination method based on wavenumber measured by bottom-mounted HLA | |
Junior et al. | Use of ray tracing modeling in shallow water acoustic source localization combined with matched-field processing techniques | |
Fu et al. | Waveguide invariant distribution estimation using autoregressive-Discrete Fourier transform and its application in source depth classification | |
Zhai et al. | Experimental Study on Depth Discrimination for A Moving Source with A Horizontal Array in Shallow Water | |
Li et al. | An intelligent distance estimation algorithm based on attenuation property of acoustic signal for excavation devices localization | |
Zhao et al. | Performance Analysis of Target Depth Classification Algorithm Based on Sea Experiment Data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220614 |
|
CF01 | Termination of patent right due to non-payment of annual fee |