CN108629357A - 一种用于水下航行器的数据融合方法和系统 - Google Patents
一种用于水下航行器的数据融合方法和系统 Download PDFInfo
- Publication number
- CN108629357A CN108629357A CN201710178689.0A CN201710178689A CN108629357A CN 108629357 A CN108629357 A CN 108629357A CN 201710178689 A CN201710178689 A CN 201710178689A CN 108629357 A CN108629357 A CN 108629357A
- Authority
- CN
- China
- Prior art keywords
- data
- array
- data processing
- judge index
- test 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种用于水下航行器的数据融合方法和系统。所述方法包括：确定当前测试目标的至少一种判断指标；针对当前测试目标，获取选取的至少一种判断指标的数值；将判断指标的数值与相应的预设值进行比较，若判断指标的数值在相应的预设值范围内，则针对当前测试目标的数据使用两种或两种以上的阵列模型进行数据处理，得到相应的各个阵列模型处理后的数据；将各个阵列模型处理后的数据进行数据融合，得到融合后的数据。本发明的数据融合方法，针对当前测试目标的数据使用两种或两种以上的阵列模型进行数据处理，并对处理后的数据进行数据融合，以得到融合后的数据。由于得到的融合数据更加准确，从而提高了水下航行器的探测精度。
Description
技术领域
本发明涉及数据处理技术领域，具体而言，本发明涉及一种用于水下航行器的数据融合方法和系统。
背景技术
数据融合技术是将多源、多类、多平台的数据进行整合，得到融合数据。相对于单一数据，融合数据不仅能够提高探测精度，还能够扩大观测范围。目前，由于图像、语音、通信、雷达方面的数据融合技术的发展，数据融合技术得以广泛应用于气象、智能交通、雷达组网等领域。但在水下，由于水下复杂多变的环境，以及声速的影响，水下平台数据融合技术的发展受到限制。
对于多源数据的融合，需要进行时空统一。时间方面的统一，是指需要各阵列的时钟同步。由于各平台传感器的数据传送周期不同，特别对于信号级的数据融合，各平台到中心平台的距离也不相同，因此，即使中心平台同时接收到两个不同平台的数据，也有可能两个不同平台对应的原始时刻并不相同。因此，需要对各平台的数据进行时钟同步。在将各平台的数据进行时钟同步，得到同步后的时钟之后，再针对同步后的时钟进行相应的后续处理，例如多脉冲累积的后续处理。空间方面的统一，是指需要各阵列的坐标系统一。即使各平台的坐标系都基于大地坐标系，各平台的坐标系也不相同，因此，需要先确定各平台的实时位置，否则无法统一阵列流型，进而无法根据统一的阵列流型，融合目标航迹。以雷达网为例，将各雷达的测量坐标系均设定为系统统一的坐标系，并将各雷达的时钟统一校准。由于雷达平台的运动会导致坐标系的误差，运动目标的多普勒频移会导致时钟误差，因此，需要对坐标系的误差，以及时钟误差进行修正。对于坐标系的误差，由于通过全球卫星定位系统能够得到雷达对应的平台的精确位置信息，因此，可以消除坐标系的误差。进一步地，由于本地时钟误差较小，因此，也很容易消除时钟误差。因此，对于雷达平台的数据融合，时空统一相对容易。对于水下平台的数据融合，由于水下复杂多变的环境，以及声速的影响，因此，目前水下授时误差较大，水下平台数据融合技术的发展受到限制。目前，美国国防先进研究计划局和深海导航定位系统项目还尚处于研发阶段。
数据融合的另一瓶颈为在数据传输中存在的问题。特别是信号级的数据融合，由于需要将传感器接收到的数据传送至中心平台，对带宽、传输速率提出了较高的要求。对于雷达平台的数据融合，也存在数据传输方面的问题。为了降低分布式多输入多输出系统雷达信号级融合检测的通信带宽，相关研究人员提出了一种分布式多输入多输出系统雷达信号级量化融合检测算法。该检测算法是将传感器接收到的数据进行量化处理，得到相应的有限位的二进制数，并将该二进制数据传送至中心平台。另外相关研究人员构造了一个字典集。传感器接收到的信号为部分向量的线性叠加，将稀疏表示后的信号压缩到较低维度再进行传输，这样，可以大大降低对传输带宽的要求。
上述的时空统一和数据传输中存在的问题均是制约目前水下平台数据融合技术发展的因素。随着声呐技术的发展，目前在单个水下平台上往往装备了多个声呐设备。以朱姆沃尔特级驱逐舰为例，装备了SQS-60/61(SQQ-90)整合式双频主/被动舰艏声呐、LBVDS(SQQ-90)轻量化宽频变深声呐、SQR-20(SQQ-90)多功能拖曳阵声呐等。各声呐之间的协同、数据融合的需求越来越迫切。
目前，水下航行器尺寸较小，例如美国伍兹霍尔海洋研究所设计的remus600长3.25m，直径仅320mm。由于水下航行器基阵孔径的限制，使其抑制空间干扰的能力也弱，因此，目前，水下航行器的探测精度受到了限制。
对于用于水下航行器的数据融合，存在的主要问题是：由于水下航行器基阵孔径的限制，使其抑制空间干扰的能力也弱，从而也使得水下航行器的探测精度低，无法准确探测到测试目标的数据信息。
因此，有必要提出一种有效的技术方案，解决目前水下航行器的探测精度低的难题。
发明内容
本发明的目的旨在解决上述技术缺陷，特别是通过使用两种或两种以上的阵列模型对当前测试目标的数据进行数据处理，并对处理后的数据进行数据融合，以得到更加准确的数据，从而提高了水下航行器的探测精度。
第一方面，本发明实施例提供了一种用于水下航行器的数据融合方法，所述方法包括：
确定当前测试目标的至少一种判断指标；
针对当前测试目标，获取选取的至少一种判断指标的数值；
将该判断指标的数值与相应的预设值进行比较，当该判断指标的数值在相应的预设值范围内，则针对当前测试目标的数据使用两种或两种以上的阵列模型进行数据处理，得到相应的各个阵列模型处理后的数据；
将各个阵列模型处理后的数据进行数据融合，得到融合后的数据。
优选的，所述判断指标包括以下一项或多项：
位置分布、信号频率的分布以及数据处理带宽的分布。
优选的，在所述针对当前测试目标的数据使用两种或两种以上的阵列模型进行数据处理之前，所述方法还包括：
依据判断指标的类型确定出与该判断指标相匹配的至少一种数据处理方式。
优选的，所述依据判断指标的类型确定出与该判断指标相匹配的至少一种数据处理方式具体包括：
当所述判断指标的类型为位置分布时，在判断出当前测试目标的位置分布的数值在位置分布的预设值范围内之后，依据该判断结果确定出与该判断指标相匹配的至少一种数据处理方式：针对当前测试目标的数据进行数据处理时预使用的两种或两种以上的阵列模型的类型以及阵列模型的组合方式；
当所述判断指标的类型为信号频率的分布时，在判断出当前测试目标的信号频率的分布的数值在信号频率的分布的预设值范围内之后，依据该判断结果确定出与该判断指标相匹配的至少一种数据处理方式：针对当前测试目标的数据进行数据处理时预使用的两种或两种以上的阵列模型的类型以及阵列模型的组合方式；
当所述判断指标的类型为数据处理带宽的分布时，在判断出当前测试目标的数据处理带宽的分布的数值在数据处理带宽的分布的预设值范围内之后，依据该判断结果确定出与该判断指标相匹配的至少一种数据处理方式：针对当前测试目标的数据进行数据处理时预使用的两种或两种以上的阵列模型的类型以及阵列模型的组合方式。
优选的，所述阵列模型包括以下一项或多项：
平面阵艏阵的阵列模型、圆环阵艏阵的阵列模型、线阵舷侧阵的阵列模型、平面阵舷侧阵的阵列模型以及与水下航行器尾部相匹配的拖曳线阵模型。
优选的，在所述针对当前测试目标的数据使用两种或两种以上的阵列模型进行数据处理之前，所述方法还包括：
对各个阵列模型对应的坐标系进行处理，得到相应的统一的参考坐标系。
优选的，在所述针对当前测试目标的数据使用两种或两种以上的阵列模型进行数据处理之前，所述方法还包括：
对各个阵列的接收机时钟进行校准，得到相应的统一的参考时钟。
优选的，将各个阵列模型处理后的数据进行数据融合的融合方式包括以下一项或多项：
数据级融合方式、特征级融合方式以及检测结果级融合方式。
第二方面，本发明实施例提供了一种用于水下航行器的数据融合系统，所述系统包括：
判断指标确定单元，用于确定当前测试目标的至少一种判断指标；
数值获取单元，用于针对当前测试目标，获取选取的至少一种判断指标的数值；
数据处理单元，用于将该判断指标的数值与相应的预设值进行比较，当该判断指标的数值在相应的预设值范围内，则针对当前测试目标的数据使用两种或两种以上的阵列模型进行数据处理，得到相应的各个阵列模型处理后的数据；
数据融合单元，用于将各个阵列模型处理后的数据进行数据融合，得到融合后的数据。
优选的，所述判断指标确定单元确定出的所述判断指标包括以下一项或多项：
位置分布、信号频率的分布以及数据处理带宽的分布。
为了解决目前水下航行器的探测精度低的问题，本发明提出的上述方案，通过使用两种或两种以上的阵列模型对当前测试目标的数据进行数据处理，并对处理后的数据进行数据融合，以得到融合后的数据。与使用单一阵列模型得到的数据相比，使用两种或两种以上的阵列模型得到的融合数据更加准确，因此，本发明提出的上述方案，能够准确探测到测试目标的数据信息，从而提高了水下航行器的探测精度。
附图说明
图1是本发明实施例提供的一种用于水下航行器的数据融合方法的流程图；
图2是本发明实施例具体应用场景下的水下航行器的阵列平台的结构示意图；
图3是本发明实施例另一具体应用场景下的水下航行器的运动示意图；
图4是本发明实施例提供的一种用于水下航行器的数据融合系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为便于对本发明实施例的理解，下面将结合附图以具体实施例做进一步的解释说明。
本发明所提供的技术方案，通过使用两种或两种以上的阵列模型对当前测试目标的数据进行数据处理，并对处理后的数据进行数据融合，以得到融合后的数据。与使用单一阵列模型得到的数据相比，使用两种或两种以上的阵列模型得到的融合数据更加准确，因此，本发明提出的上述方案，能够准确探测到测试目标的数据信息，从而提高了水下航行器的探测精度。
下面结合附图详细说明本发明的技术方案。
图1是本发明实施例提供的一种用于水下航行器的数据融合方法的流程图，如图1所示，用于水下航行器的数据融合方法包括如下步骤：
S101：确定当前测试目标的至少一种判断指标。
其中，判断指标可以为位置分布，也可以为信号频率的分布，或者为数据处理带宽的分布。
S102：针对当前测试目标，获取选取的至少一种判断指标的数值。
S103：将该判断指标的数值与相应的预设值进行比较，当该判断指标的数值在相应的预设值范围内，则针对当前测试目标的数据使用两种或两种以上的阵列模型进行数据处理，得到相应的各个阵列模型处理后的数据。
其中，阵列模型可以为平面阵艏阵的阵列模型，也可以为平面阵舷侧阵的阵列模型。除了上述阵列模型之外，还可以使用其他阵列模型，例如，阵列模型也可以为圆环阵艏阵的阵列模型，也可以为线阵舷侧阵的阵列模型，
或者是与水下航行器尾部相匹配的拖曳线阵模型。
需要说明的是，在针对当前测试目标的数据使用两种或两种以上的阵列模型进行数据处理的过程中，使用的两种或两种以上的阵列模型的具体情况如下所述：
一种情况是，使用两种阵列模型：将平面阵艏阵的阵列模型和平面阵舷侧阵的阵列模型结合使用，在后续的具体应用场景中有详细描述。
另一种情况是，使用两种阵列模型：将圆环阵艏阵的阵列模型和线阵舷侧阵的阵列模型结合使用，在后续的具体应用场景中有相应的描述。
再一种情况是，使用三种阵列模型：将平面阵艏阵的阵列模型、平面阵舷侧阵的阵列模型以及与水下航行器尾部相匹配的拖曳线阵模型结合使用，
在后续的具体应用场景中有相应的描述。
为了统一阵列流型，进而融合出目标轨迹，在针对当前测试目标的数据使用两种或两种以上的阵列模型进行数据处理之前，对各个阵列模型对应的坐标系进行处理，得到相应的统一的参考坐标系。
为了消除不同的阵列之间可能存在的时钟误差，在针对当前测试目标的数据使用两种或两种以上的阵列模型进行数据处理之前，对各个阵列的接收机的时钟进行校准，得到相应的统一的参考时钟。
为了快速且准确地获取到与判断指标的类型相匹配的数据处理方式，在针对当前测试目标的数据使用两种或两种以上的阵列模型进行数据处理之前，依据判断指标的类型确定出与该判断指标相匹配的至少一种数据处理方式。
具体而言，依据判断指标的类型确定出与该判断指标相匹配的至少一种数据处理方式具体包括：
当判断指标的类型为位置分布时，在判断出当前测试目标的位置分布的数值在位置分布的预设值范围内之后，依据该判断结果确定出与该判断指标相匹配的至少一种数据处理方式：针对当前测试目标的数据进行数据处理时预使用的两种或两种以上的阵列模型的类型以及阵列模型的组合方式；
当判断指标的类型为信号频率的分布时，在判断出当前测试目标的信号频率的分布的数值在信号频率的分布的预设值范围内之后，依据该判断结果确定出与该判断指标相匹配的至少一种数据处理方式：针对当前测试目标的数据进行数据处理时预使用的两种或两种以上的阵列模型的类型以及阵列模型的组合方式；
当判断指标的类型为数据处理带宽的分布时，在判断出当前测试目标的数据处理带宽的分布的数值在数据处理带宽的分布的预设值范围内之后，依据该判断结果确定出与该判断指标相匹配的至少一种数据处理方式：针对当前测试目标的数据进行数据处理时预使用的两种或两种以上的阵列模型的类型以及阵列模型的组合方式。
S104：将各个阵列模型处理后的数据进行数据融合，得到融合后的数据。
其中，将各个阵列模型处理后的数据进行数据融合的融合方式可以为数据级融合方式、也可以为特征级融合方式，或者为检测结果级融合方式。
需要说明的是，在上述数据融合方式中，数据级融合方式的运算量最大，特征级融合方式的运算量次之，而检测结果级融合方式的运算量最小。与此对应的，数据级融合方式的融合效果最好，特征级融合方式的融合效果次之，而检测结果级融合方式的融合效果最差。
本发明实施例具体应用场景下的用于水下航行器的多阵列数据融合方法的描述如下所述。
该数据融合方法可以提高对测试目标的探测精度。
在本发明实施例中，以平面阵艏阵和平面阵舷侧阵的结构为例，详述同平台多源协同和融合的方式。本发明的方法亦可应用于其他阵型，例如：艏阵为圆环阵，舷侧阵为线阵；艏阵和舷侧阵为平面阵，配合水下航行器尾部的拖曳线阵。
阵列1、阵列2均为平面阵，由N1×N2、M1×M2元全向水听器构成。下面分述两个阵列的几种工作模式。
需要注意的是，由于两个阵列的频带和探测开角范围不完全重叠，仅当目标处于两个阵列探测范围的交集的时候，才可能被两个阵列同时探测到。因此，在以下两种情况下无法进行两个阵列的信号级融合(两个阵列不能同时检测到目标)：
1)两个阵列频带不同，采用被动寻的模式探测。被探测的目标发出寻的信号，并且仅处于一个阵列的频带范围。
2)阵列开角有限，此时目标位置x坐标或者y坐标大于0。
1.被动模式
(1)被动接收目标的辐射噪声
在该模式下，因为处理带宽较宽，两个阵列可以合一处理，处理方式与普通声呐无区别，可采用宽带LOFAR(Low Frequency Analysis Recording，低频分析与记录)检测。LOFAR谱图，就是根据噪声的局部平稳特性对噪声信号作连续时域采样，并进行短时傅里叶变换获得的时变功率谱在时间、频率平面上投影形成三维立体图。(2)被动接收目标的寻的信号
如果目标位置在不可同时探测范围内，或者寻的信号频率仅在一个阵列频带范围内，则单独由该阵列处理。否则，可进行两个阵列的融合处理。融合处理分为数据级融合、特征级融合、检测结果级融合。运算量依次减小，融合效果依次变差。
2.主动模式
(1)阵列1发射脉冲，两个阵列接收目标回波
处理方式为：如果目标位置在不可同时探测范围内，或者寻的信号频率仅在一个阵列频带范围内，则单独由该阵列处理。否则，可进行两个阵列的融合处理。融合处理分为数据级融合、特征级融合、检测结果级融合。运算量依次减小，融合效果依次变差。
(2)阵列2发射脉冲，两个阵列接收目标回波
处理方式为：如果目标位置在不可同时探测范围内，或者寻的信号频率仅在一个阵列频带范围内，则单独由该阵列处理。否则，可进行两个阵列的融合处理。融合处理分为数据级融合、特征级融合、检测结果级融合。运算量依次减小，融合效果依次变差。
在使用阵列对数据进行处理之前，首先需要进行时空(坐标系)的统一。
为简化计算，提出下述的坐标系。
图2是本发明实施例具体应用场景下的水下航行器的阵列平台的结构示意图。在图2中，21表示阵列1，以阵列1所在平面为xz平面，并且第一行所在直线为x轴；22表示阵列2，阵列2所在平面为yz平面；23表示目标。
假设存在目标，当前坐标为(Px，Py，Pz)，与x、y、z轴的夹角分别为α、β、γ。目标到xy平面投影与y轴的夹角为φ，即相当于阵列2的方位角。其中，cosγ＝sinαsinφ，cosβ＝sinαcosφ。
由于两个阵列位于同一水下航行器上，因此无需额外做时间统一的处理。
这种坐标系优点是方便时空统一和计算；缺点是随着水下航行器的运动需要实时更新坐标系，并且需结合水下航行器的运动才可以得到目标轨迹图。
两个阵列的换能器可以是相同的，也可以是不同的，视应用情况而定。假设其中心响应频率为f1和f2，并且阵元间距分别为对应中心频率的波长(λ1和λ2)的一半。两个阵列响应频带不同并且有重叠，因此被动模式(特别是对目标寻的信号的被动模式)下，双阵列能覆盖更多类型的目标。
在本发明实施例的具体应用场景中，设计两个阵列共享同一套信号处理的硬件平台，更方便信号级的数据融合。为适应多通道大数据量的运算，采用基于GPU(GraphicsProcessing Unit，图形处理器)的高速信号处理机来完成两个阵列的信号处理。
阵列1的第(n1，n2)个阵元的坐标是阵列2的第(m1，m2)个阵元的坐标是Δy和Δz分别是阵列2的阵元1到z轴和y轴的距离。因为阵列2尽量覆盖水下航行器的整个顶部，Δy和Δz通常较小。而Δx是阵列1的阵元1距离原点的距离，大于阵列2换能器的长度，一般大于Δy和Δz以及波长。因此阵列1和2通道之间的相关性较小。
a为阵列1的方向向量，并且平面阵阵列1的方向向量等效于两个线阵的方向向量a1和a2的Kronecker积。
类似的，b阵列2的方向向量。
如果将两个阵列看做一个更大的阵列，接收到的数据为
时频域可以写成
在公式(1)以及公式(2)中，ζ为传播过程中的散射系数，取决于海洋声传播信道。E为回波噪声，为简化，假设为0均值、方差σ2的高斯白噪声。由于，阵列1和2通道之间的相关性较小，在波束形成这一阶段两个阵列分别进行，以降低计算量。
根据将阵列1和2的方向向量的变量统一，写成a(α，γ，f)和b(α，γ，f)或a(β，γ，f)，b(β，γ，f)后，可以对两个阵列的波束输出或者是功率谱展开特征级的融合。
由于阵列1和2通道之间的相关性较小，在波束形成这一阶段，两个阵列分别进行，以降低计算量。
此外，由于受到三个角度平方和为1的限制，在扫描方位谱的过程中，可对cos2γ+cos2α>1的情况直接将方位谱设置为近似于0的正数。可进一步减少运算量。
将两个阵列的方位谱进行加权叠加得到融合结果。这个方位谱可以是传统波束形成扫描的功率谱，也可以是MUSIC(Multiple Signal Classification Method，多重信号分类方法)谱等其他方位谱。两个阵列的融合系数取决于其孔径的比例。如果孔径相当，则将两个阵列的方位谱直接相加。否则，对于γ角，两个阵列的融合系数分别为
本发明实施例另一具体应用场景下的用于水下航行器的多阵列数据融合方法的描述如下所述。
图3是本发明实施例另一具体应用场景下的水下航行器的运动示意图。其中，在图3中，31表示的是目标。
阵列1为10*4元平面阵，频带25k-35kHz；阵列2为5*6元平面阵，频带20k-30kHz。被动接收目标寻的信号。水下航行器相对于大地坐标系深度不变，匀速前进，速度2节。目标发射CW单频脉冲28kHz。目标匀速前进，速度10节，t1时刻坐标为(-300，-600，400)。Δx＝1，Δy＝0.06，Δz＝0.06。换算得到，此时，α＝112.6°，β＝140.2°，γ＝59.2°。
以两个阵列MUSIC谱作为特征级的融合来举例。其中，MUSIC多重信号分类方法为一种典型的空间谱估计算法。
MUSIC是一种典型的空间谱估计算法，利用接收数据的协方差矩阵(Rx)分离出信号子空间和噪声子空间，利用信号方向向量与噪声子空间的正交性来构成空间扫描谱，进行全域搜索谱峰，从而实现信号的参数估计。
如果进一步降低信噪比，阵列1估计的误差值Δβ＝0.3，Δγ＝0.14；阵列2估计的误差值远远偏离实际值，估计失效；而融合后的估计的误差值为Δβ＝0.09，Δγ＝0.1。
上述数据显示出：相比与阵列1估计的误差值(Δβ＝0.3，Δγ＝0.14)，以及阵列2估计的误差值，融合后的估计的误差值(Δβ＝0.09，Δγ＝0.1)明显降低。说明该数据融合方法显著改善了估计结果。
上述图2和图3详细描述了艏阵平面阵和舷侧阵平面阵的具体应用场景。
另一多阵列平台的具体应用场景如下所述：
使用的三种阵列具体为：艏阵和舷侧阵为平面阵，水下航行器尾部的拖曳线阵。
在该多阵列平台的数据融合过程中，坐标系以及方向向量的变量的统一方式与上述艏阵平面阵和舷侧阵平面阵的具体应用场景下所使用的方式相同，可参见前述，相同内容不再赘述。
进一步地，在该多阵列平台的应用场景下，由于使用了上述三种阵列，阵列的协同作用，可以进一步提高α的探测精度。但是，由于尾部拖曳阵为线阵，并不能提供γ的测向。由此可知，该数据融合方法显著改善了探测精度。
综上所述，本发明实施例提供的一种用于水下航行器的数据融合方法，
通过确定当前测试目标的至少一种判断指标；针对当前测试目标，获取选取的至少一种判断指标的数值；将该判断指标的数值与相应的预设值进行比较，当该判断指标的数值在相应的预设值范围内，则针对当前测试目标的数据使用两种或两种以上的阵列模型进行数据处理，得到相应的各个阵列模型处理后的数据；将各个阵列模型处理后的数据进行数据融合，得到融合后的数据。本发明所提供的技术方案，通过使用两种或两种以上的阵列模型对当前测试目标的数据进行数据处理，并对处理后的数据进行数据融合，以得到融合后的数据。与使用单一阵列模型得到的数据相比，使用两种或两种以上的阵列模型得到的融合数据更加准确，因此，本发明提出的上述方案，能够准确探测到测试目标的数据信息，从而提高了水下航行器的探测精度。
如图4所示，本发明实施例所提供的一种用于水下航行器的数据融合系统，包括：判断指标确定单元401、数值获取单元402、数据处理单元403和数据融合单元403203。
具体而言，判断指标确定单元，用于确定当前测试目标的至少一种判断指标。其中，判断指标确定单元确定出的判断指标包括以下一项或多项：位置分布、信号频率的分布以及数据处理带宽的分布。
数值获取单元，用于针对当前测试目标，获取选取的至少一种判断指标的数值。
数据处理单元，用于将该判断指标的数值与相应的预设值进行比较，当该判断指标的数值在相应的预设值范围内，则针对当前测试目标的数据使用两种或两种以上的阵列模型进行数据处理，得到相应的各个阵列模型处理后的数据。
其中，数据处理单元处理数据所使用的阵列模型可以为平面阵艏阵的阵列模型，也可以为平面阵舷侧阵的阵列模型。
其中，数据处理单元处理数据所使用的阵列模型可以为平面阵艏阵的阵列模型，也可以为平面阵舷侧阵的阵列模型。除了上述阵列模型之外，还可以使用其他阵列模型，例如，阵列模型也可以为圆环阵艏阵的阵列模型，也可以为线阵舷侧阵的阵列模型，或者是与水下航行器尾部相匹配的拖曳线阵模型。
为了统一阵列流型，进而融合出目标轨迹，本发明实施例所提供的一种用于水下航行器的数据融合系统还包括：参考坐标系获取单元(在图4中未标出)。
具体地，参考坐标系获取单元，用于在数据处理单元针对当前测试目标的数据使用两种或两种以上的阵列模型进行数据处理之前，对各个阵列模型对应的坐标系进行处理，得到相应的统一的参考坐标系。
为了消除不同的阵列之间可能存在的时钟误差，本发明实施例所提供的一种用于水下航行器的数据融合系统还包括：参考时钟获取单元(在图4中未标出)。
具体地，参考时钟获取单元，用于在数据处理单元针对当前测试目标的数据使用两种或两种以上的阵列模型进行数据处理之前，对各个阵列的接收机时钟进行校准，得到相应的统一的参考时钟。
为了快速且准确地获取到与判断指标的类型相匹配的数据处理方式，本发明实施例所提供的一种用于水下航行器的数据融合系统还包括：数据处理方式确定单元(在图4中未标出)。
数据处理方式确定单元，用于在数据处理单元针对当前测试目标的数据使用两种或两种以上的阵列模型进行数据处理之前，依据判断指标的类型确定出与该判断指标相匹配的至少一种数据处理方式。
进一步地，数据处理方式确定单元具体用于：
当判断指标确定单元判断出判断指标的类型为位置分布时，在数据处理单元判断出当前测试目标的位置分布的数值在位置分布的预设值范围内之后，依据该判断结果确定出与该判断指标相匹配的至少一种数据处理方式：针对当前测试目标的数据进行数据处理时预使用的两种或两种以上的阵列模型的类型以及阵列模型的组合方式；
当判断指标确定单元判断出判断指标的类型为信号频率的分布时，在数据处理单元判断出当前测试目标的信号频率的分布的数值在信号频率的分布的预设值范围内之后，依据该判断结果确定出与该判断指标相匹配的至少一种数据处理方式：针对当前测试目标的数据进行数据处理时预使用的两种或两种以上的阵列模型的类型以及阵列模型的组合方式；
当判断指标确定单元判断出判断指标的类型为数据处理带宽的分布时，在数据处理单元判断出当前测试目标的数据处理带宽的分布的数值在数据处理带宽的分布的预设值范围内之后，依据该判断结果确定出与该判断指标相匹配的至少一种数据处理方式：针对当前测试目标的数据进行数据处理时预使用的两种或两种以上的阵列模型的类型以及阵列模型的组合方式。
数据融合单元，用于将各个阵列模型处理后的数据进行数据融合，得到融合后的数据。
其中，数据融合单元将各个阵列模型处理后的数据进行数据融合的融合方式可以为数据级融合方式、也可以为特征级融合方式，或者为检测结果级融合方式。
需要说明的是，在上述数据融合方式中，数据级融合方式的运算量最大，特征级融合方式的运算量次之，而检测结果级融合方式的运算量最小。与此对应的，数据级融合方式的融合效果最好，特征级融合方式的融合效果次之，而检测结果级融合方式的融合效果最差。
本发明的技术方案中，通过确定当前测试目标的至少一种判断指标；针对当前测试目标，获取选取的至少一种判断指标的数值；将该判断指标的数值与相应的预设值进行比较，当该判断指标的数值在相应的预设值范围内，则针对当前测试目标的数据使用两种或两种以上的阵列模型进行数据处理，得到相应的各个阵列模型处理后的数据；将各个阵列模型处理后的数据进行数据融合，得到融合后的数据。本发明所提供的技术方案，通过使用两种或两种以上的阵列模型对当前测试目标的数据进行数据处理，并对处理后的数据进行数据融合，以得到融合后的数据。与使用单一阵列模型得到的数据相比，使用两种或两种以上的阵列模型得到的融合数据更加准确，因此，本发明提出的上述方案，能够准确探测到测试目标的数据信息，从而提高了水下航行器的探测精度。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种用于水下航行器的数据融合方法，其特征在于，包括：
确定当前测试目标的至少一种判断指标；
针对当前测试目标，获取选取的至少一种判断指标的数值；
将该判断指标的数值与相应的预设值进行比较，当该判断指标的数值在相应的预设值范围内，则针对当前测试目标的数据使用两种或两种以上的阵列模型进行数据处理，得到相应的各个阵列模型处理后的数据；
将各个阵列模型处理后的数据进行数据融合，得到融合后的数据。
2.根据权利要求1所述的方法，其特征在于，所述判断指标包括以下一项或多项：
位置分布、信号频率的分布以及数据处理带宽的分布。
3.根据权利要求2所述的方法，其特征在于，在所述针对当前测试目标的数据使用两种或两种以上的阵列模型进行数据处理之前，所述方法还包括：
依据判断指标的类型确定出与该判断指标相匹配的至少一种数据处理方式。
4.根据权利要求3所述的方法，其特征在于，所述依据判断指标的类型确定出与该判断指标相匹配的至少一种数据处理方式具体包括：
当所述判断指标的类型为位置分布时，在判断出当前测试目标的位置分布的数值在位置分布的预设值范围内之后，依据该判断结果确定出与该判断指标相匹配的至少一种数据处理方式：针对当前测试目标的数据进行数据处理时预使用的两种或两种以上的阵列模型的类型以及阵列模型的组合方式；
当所述判断指标的类型为信号频率的分布时，在判断出当前测试目标的信号频率的分布的数值在信号频率的分布的预设值范围内之后，依据该判断结果确定出与该判断指标相匹配的至少一种数据处理方式：针对当前测试目标的数据进行数据处理时预使用的两种或两种以上的阵列模型的类型以及阵列模型的组合方式；
当所述判断指标的类型为数据处理带宽的分布时，在判断出当前测试目标的数据处理带宽的分布的数值在数据处理带宽的分布的预设值范围内之后，依据该判断结果确定出与该判断指标相匹配的至少一种数据处理方式：针对当前测试目标的数据进行数据处理时预使用的两种或两种以上的阵列模型的类型以及阵列模型的组合方式。
5.根据权利要求1所述的方法，其特征在于，所述阵列模型包括以下一项或多项：
平面阵艏阵的阵列模型、圆环阵艏阵的阵列模型、线阵舷侧阵的阵列模型、平面阵舷侧阵的阵列模型以及与水下航行器尾部相匹配的拖曳线阵模型。
6.根据权利要求1所述的方法，其特征在于，在所述针对当前测试目标的数据使用两种或两种以上的阵列模型进行数据处理之前，所述方法还包括：
对各个阵列模型对应的坐标系进行处理，得到相应的统一的参考坐标系。
7.根据权利要求1所述的方法，其特征在于，在所述针对当前测试目标的数据使用两种或两种以上的阵列模型进行数据处理之前，所述方法还包括：
对各个阵列的接收机时钟进行校准，得到相应的统一的参考时钟。
8.根据权利要求1所述的方法，其特征在于，将各个阵列模型处理后的数据进行数据融合的融合方式包括以下一项或多项：
数据级融合方式、特征级融合方式以及检测结果级融合方式。
9.一种用于水下航行器的数据融合系统，其特征在于，包括：
判断指标确定单元，用于确定当前测试目标的至少一种判断指标；
数值获取单元，用于针对当前测试目标，获取选取的至少一种判断指标的数值；
数据处理单元，用于将该判断指标的数值与相应的预设值进行比较，当该判断指标的数值在相应的预设值范围内，则针对当前测试目标的数据使用两种或两种以上的阵列模型进行数据处理，得到相应的各个阵列模型处理后的数据；
数据融合单元，用于将各个阵列模型处理后的数据进行数据融合，得到融合后的数据。
10.根据权利要求9所述的系统，其特征在于，所述判断指标确定单元确定出的所述判断指标包括以下一项或多项：
位置分布、信号频率的分布以及数据处理带宽的分布。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710178689.0A CN108629357B (zh) | 2017-03-23 | 2017-03-23 | 一种用于水下航行器的数据融合方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710178689.0A CN108629357B (zh) | 2017-03-23 | 2017-03-23 | 一种用于水下航行器的数据融合方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108629357A true CN108629357A (zh) | 2018-10-09 |
| CN108629357B CN108629357B (zh) | 2021-09-07 |
Family
ID=63706503
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710178689.0A Active CN108629357B (zh) | 2017-03-23 | 2017-03-23 | 一种用于水下航行器的数据融合方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108629357B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109490864A (zh) * | 2018-12-18 | 2019-03-19 | 安徽四创电子股份有限公司 | 一种靶场三坐标测量雷达组网测试系统 |
| CN112163461A (zh) * | 2020-09-07 | 2021-01-01 | 中国海洋大学 | 一种基于多模态融合的水下目标识别方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101470196A (zh) * | 2007-12-26 | 2009-07-01 | 中国科学院声学研究所 | 一种水下目标被动定位的系统和方法 |
| CN102253388A (zh) * | 2011-06-23 | 2011-11-23 | 哈尔滨工程大学 | 基于压缩感知的多无人水下航行器协同探测方法 |
| WO2013088275A1 (en) * | 2011-12-16 | 2013-06-20 | Eads Singapore Pte. Ltd. | A new design of underwater locator beacon with integrated pressure sensor |
| US9242708B2 (en) * | 2010-01-19 | 2016-01-26 | Lockheed Martin Corporation | Neutralization of a target with an acoustic wave |
| CN105824025A (zh) * | 2015-01-05 | 2016-08-03 | 沈阳新松机器人自动化股份有限公司 | 一种基于立体式声呐阵列的机器人避障系统 |
-
2017
- 2017-03-23 CN CN201710178689.0A patent/CN108629357B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101470196A (zh) * | 2007-12-26 | 2009-07-01 | 中国科学院声学研究所 | 一种水下目标被动定位的系统和方法 |
| US9242708B2 (en) * | 2010-01-19 | 2016-01-26 | Lockheed Martin Corporation | Neutralization of a target with an acoustic wave |
| CN102253388A (zh) * | 2011-06-23 | 2011-11-23 | 哈尔滨工程大学 | 基于压缩感知的多无人水下航行器协同探测方法 |
| WO2013088275A1 (en) * | 2011-12-16 | 2013-06-20 | Eads Singapore Pte. Ltd. | A new design of underwater locator beacon with integrated pressure sensor |
| CN105824025A (zh) * | 2015-01-05 | 2016-08-03 | 沈阳新松机器人自动化股份有限公司 | 一种基于立体式声呐阵列的机器人避障系统 |
Non-Patent Citations (4)
| Title |
|---|
| 李霞丽: "《无线传感器网络关键技术》", 30 November 2012 * |
| 蒋佳佳: "水声阵列探测算法及系统关键技术研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
| 赵德鑫: "AUV 舷侧阵浅海远程目标定位方法研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
| 黄志英，吴江，甘戈: "单目标多阵列子空间数据融合定位算法", 《信息工程大学学报》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109490864A (zh) * | 2018-12-18 | 2019-03-19 | 安徽四创电子股份有限公司 | 一种靶场三坐标测量雷达组网测试系统 |
| CN109490864B (zh) * | 2018-12-18 | 2021-09-28 | 安徽四创电子股份有限公司 | 一种靶场三坐标测量雷达组网测试系统 |
| CN112163461A (zh) * | 2020-09-07 | 2021-01-01 | 中国海洋大学 | 一种基于多模态融合的水下目标识别方法 |
| CN112163461B (zh) * | 2020-09-07 | 2022-07-05 | 中国海洋大学 | 一种基于多模态融合的水下目标识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108629357B (zh) | 2021-09-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Brodeski et al. | Deep radar detector | |
| US5392050A (en) | Method of recognizing a radar target object type and apparatus therefor | |
| Le Chevalier | Principles of radar and sonar signal processing | |
| US8471766B2 (en) | Method of correlating known image data of moving transmitters with measured radio signals | |
| CN104865554B (zh) | 一种双同步水下合作目标跟踪定位方法 | |
| CN108318864B (zh) | 一种用于雷达目标检测中消除多径目标的方法及装置 | |
| CN104898119B (zh) | 一种基于相关函数的动目标参数估计方法 | |
| CN110780271A (zh) | 基于卷积神经网络的空间目标多模式雷达分类方法 | |
| CN108776342A (zh) | 一种高速平台sar慢速动目标检测与速度估计方法 | |
| CN108957406A (zh) | 一种基于神经网络的雷达主瓣干扰抑制方法 | |
| CN108629357A (zh) | 一种用于水下航行器的数据融合方法和系统 | |
| CN108107427A (zh) | 基于超分辨技术的机载/弹载阵列雷达前视成像方法 | |
| Zhang et al. | Bistatic localization of objects in very shallow water | |
| Davey et al. | Detection and tracking of multipath targets in over-the-horizon radar | |
| Dubrovinskaya et al. | Anchorless underwater acoustic localization | |
| RU2571950C1 (ru) | Способ радиомониторинга радиомолчащих объектов | |
| US7463554B2 (en) | Method of detecting and viewing low-power moving acoustic sources | |
| CN111175745B (zh) | 一种基于状态空间平衡法的动目标三维成像的方法 | |
| CN108427111A (zh) | 一种雷达测距方法及装置 | |
| CN109738890A (zh) | 一种基于弹载双基sar距离多普勒图像生成地距图的方法 | |
| Jeffers et al. | Passive range estimation and range rate detection | |
| JP2024502484A (ja) | 水中ビークル検査 | |
| KR102009971B1 (ko) | 멀티스태틱 레이더 시스템 및 멀티스태틱 레이더 시스템에서 표적의 신호각을 추정하는 방법 | |
| Li et al. | Underwater data fusion of multiple arrays in a mono-platform for low SNR | |
| CN112835006A (zh) | 一种基于帧间积累的跟踪雷达海上小目标检测方法及系统 |
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 |