CN110221280A - 一种抗压制类水声干扰多通道自适应检测方法及系统 - Google Patents
一种抗压制类水声干扰多通道自适应检测方法及系统 Download PDFInfo
- Publication number
- CN110221280A CN110221280A CN201910515409.XA CN201910515409A CN110221280A CN 110221280 A CN110221280 A CN 110221280A CN 201910515409 A CN201910515409 A CN 201910515409A CN 110221280 A CN110221280 A CN 110221280A
- Authority
- CN
- China
- Prior art keywords
- sparse
- resistance
- underwater sound
- tested
- vector
- 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
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/006—Theoretical aspects
-
- 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
- G01S15/88—Sonar systems specially adapted for specific applications
-
- 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
- G01S7/52001—Auxiliary means for detecting or identifying sonar signals or the like, e.g. sonar jamming signals
-
- 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
- G01S7/537—Counter-measures or counter-counter-measures, e.g. jamming, anti-jamming
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种抗压制类水声干扰多通道自适应检测方法,所述方法包括:获取多阵元线阵接收的服从独立同分布的待检测数据;基于待检测数据,对预先构建的二元稀疏假设检验的参数进行估计;将估计的参数输入预先建立基于稀疏学习的抗压制类水声干扰检测器,完成目标的自适应检测。本发明提出的方法和系统实现了对稀疏信息的充分挖掘,通过采用迭代最小化稀疏学习算法对稀疏表示后的待检测数据进行求解,不仅实现对水声干扰目标有效检测,还能对干扰能量、数量、波达角度等关键参数进行准确估计,更便于实际应用。
Description
技术领域
本发明涉及水声技术领域,具体涉及一种抗压制类水声干扰多通道自适应检测方法及系统。
背景技术
在声纳检测系统中,天线阵列通过多个阵元通道接收回波信号,接收到的常见干扰源除混响外,还包括高斯白噪声和人工干扰。白噪声是随水声信道存在的固有干扰,人工干扰由人为活动产生,以有源人工水声干扰为主(包括压制性干扰和欺骗性干扰两种),实现对来袭声自导鱼雷的先期报警和软杀伤。其中,压制类干扰可视为一种与目标信号非相干的类噪声干扰,而欺骗类干扰是一种与目标信号强相关的相干干扰。总之,这类干扰可在脉冲发射之前或高距离单元内获得,不受环境非均匀性的影响,其中“均匀”指辅助数据与待检测数据具有相同的混响协方差矩阵。基于现代水下环境的复杂性,多通道自适应检测实现了对干扰抑制和目标检测的一体化,有效利用了观测数据,可获得检更优的检测性能。
针对均匀背景下抗压制类水声干扰的多通道自适应检测问题,产生了许多解决方案,主要包括基于最大似然比检验(GLRT)、两步GLRT、模型阶数选择(MOS)等准则的多种检测方法。值得注意的是,这些检测方法均未考虑水下数据的稀疏性。在实际的水下抗干扰应用中,干扰源的个数通常远远小于潜在声源可能存在的位置总数,所以抗干扰多通道自适应检测问题具有强稀疏性。意大利尼古拉·库萨诺大学Danilo Orlando教授团队以机载雷达为对象对抗压制性干扰多通道自适应检测模型给予了关注,他利用压制性干扰会改变干扰协方差矩阵秩的特性,采用两步GLRT和MOS设计准则,提出了均匀环境下抗压制类干扰的多通道自适应检测器(DA-1)。研究表明,贝叶斯信息准则下的DA-1检测器具有更高的稳健性,提高了小样本下的检测性能。
现有水下抗压制类干扰多通道自适应检测方法存在的不足之处是在建模中仅考虑对干扰目标的检测和噪声抑制,忽略了水下数据的稀疏性,没有采用基于稀疏学习的信号恢复算法对数据中所蕴含的信息进行充分挖掘获取,相应的不具有对压制类干扰目标的能量、数量和波达角度等关键参数的准确估计能力,进而不能满足运动声呐的实际应用。
发明内容
为解决现有技术的缺点,本发明提出一种基于稀疏学习的抗压制类水声干扰多通道自适应检测方法。为了实现对稀疏信息的充分挖掘,设计基于两步GLRT检验准则,通过采用迭代最小化稀疏学习算法对二元稀疏假设检验进行求解,实现对水声干扰目标有效检测的同时,还能对干扰能量、数量、波达角度等关键参数进行准确估计,进而大幅提高小数据样本情况下对干扰目标的检测能力,更便于实际应用。
为了实现上述目的,本发明提出了一种抗压制类水声干扰多通道自适应检测方法,所述方法包括:
获取多阵元线阵接收的服从独立同分布的待检测数据;
基于待检测数据,采用迭代最小化稀疏学习算法对预先构建的二元稀疏假设检验的参数进行估计;
将估计的参数输入预先建立基于稀疏学习的抗压制类水声干扰检测器,完成目标的自适应检测。
作为上述方法的一种改进,所述二元稀疏假设检验的构建包括以下步骤:
步骤1-1)对压制类干扰目标检测建立如下二元假设检验:
其中,H0和H1分别代表无目标假设和有目标假设;zk,k=1,…,K表示接收到的K个独立同分布的待检测数据,是一个N×1维的复数向量,服从零均值、N维复高斯分布;N为阵元个数;表示N维复高斯分布;M0和M1分别表示H0和H1假设下的N×N维干扰协方差矩阵:
上式中,表示高斯白噪声分量,为高斯白噪声能量,I为N×N维单位阵;Nj、di和分别表示第i个压制类干扰的数量、能量和波达角度,表示归一化阵列导向向量,沿θ角度的N×1维归一化阵列导向向量为:
其中d表示阵元间隔,λ表示载波长度,[·]T表示矩阵的转置;
步骤1-2)对监测区域以固定的角度间隔进行采样,离散后的角度区域为Θ={θ1,θ2,…,θL}且L>>Nj,θ1≤θ2≤…≤θL;L为监测区域的离散元素数目;
步骤1-3)将角度采样映射到对应的干扰能量中,得到离散化后的干扰能量向量 表示L×1维的正数向量;d中的元素满足 若则dk>0;否则,dk=0;因此,d是多数元素为0,少数不为0的稀疏向量,则H1下的干扰协方差矩阵被重新表示为:
其中,V=[v(θ1),…,v(θL)],D=diag(d),diag(·)表示对角阵操作。
步骤1-4)基于d,将步骤1-1)中的二元假设检验重构为以下二元稀疏假设检验:
令Z=[z1,…,zK]为Hi,i=0,1假设下的待检测数据矩阵,其在Hi,i=0,1假设下的概率密度函数为:
其中det(·)表示求矩阵的行列式,Tr(·)表示求矩阵的迹。
作为上述方法的一种改进,所述基于待检测数据,采用迭代最小化稀疏学习算法对预先构建的二元稀疏假设检验的参数进行估计;具体包括:
步骤2-1)d的初始值用表示,则
q∈Ωq=(0,1]为稀疏控制参数;
步骤2-2)第n步的迭代公式为:
其中,
步骤2-3)当时,循环迭代终止;
步骤2-4)对由大到小排列,得到新的向量对进行最小二乘估计得到
步骤2-5)q的估计值为:
为对Ωq进行采样得到由有限值组成的离散化后的向量集;贝叶斯信息准则BICq为:
其中得到了集合h(q)为选中峰数量,h(q)≤Nj,max,Nj,max为压制类干扰的最大数量;
步骤2-6)将代入得到d的估计值
作为上述方法的一种改进,所述基于稀疏学习的抗压制类水声干扰检测器为:
其中,Λ1(Z)为检测统计量,η表示一定虚警概率下对应的检测阈值。
作为上述方法的一种改进,所述将估计的参数输入预先建立基于稀疏学习的抗压制类水声干扰检测器,完成目标的自适应检测,具体包括:
步骤3-1)计算检测统计量Λ1(Z):
步骤3-2)当检验统计量Λ1(Z)大于检测阈值η,则检验H1成立,检测结果为有目标,否则,检验H0成立,检测结果为无目标。
本发明还提出了一种抗压制类水声干扰多通道自适应检测系统,所述系统包括:
数据获取模块,用于获取多阵元线阵接收的服从独立同分布的待检测数据;
参数估计模块,用于基于待检测数据,采用迭代最小化稀疏学习算法对预先构建的二元稀疏假设检验的参数进行估计;
基于稀疏学习的抗压制类水声干扰检测器,用于基于估计的参数计算检测统计量,完成目标的自适应检测。
本发明还提出了一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的方法。
本发明还一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行上述的方法。
本发明的优势在于:
由于现有水下技术在建模中仅考虑对干扰目标的检测和噪声抑制,忽略了水下数据的稀疏性,没有采用基于稀疏学习的信号恢复算法对数据中所蕴含的信息进行充分挖掘获取,相应的不具有对压制类干扰目标的能量、数量和波达角度等关键参数的准确估计能力;本发明提出的一种基于稀疏学习的抗压制类水声干扰多通道自适应检测方法,实现了对稀疏信息的充分挖掘,通过采用迭代最小化稀疏学习算法对稀疏表示后的待检测数据进行求解,不仅实现对水声干扰目标有效检测,还能对干扰能量、数量、波达角度等关键参数进行准确估计,更便于实际应用。
附图说明
图1为本发明的实施例1的抗压制类水声干扰多通道自适应检测方法的流程图;
图2为采样间隔分别是1°、2°和3°下的检测概率随JNR变化图;
图3为采样间隔是1°、2°和3°下压制类干扰能量的Huasdorff距离RMS随JNR变化图;
图4为采样间隔是1°、2°和3°下的估计得到压制类干扰数量的分类直方图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细的说明。
运动声纳目标的多通道目标检测可归结为一个二元假设检验问题,它包括有目标假设和无目标假设。在此基础上,采用不同的检验准则,如GLRT、两步GLRT等,求解即可得到不同的检测统计量。在干扰源仅包括高斯白噪声和压制类干扰的环境中,为了实现对干扰目标的检测和对其能量、数量、波达角度等关键参数的准确估计,本发明采用两步GLRT自适应解决方案求解二元假设检验问题,在完成对待检测数据的稀疏建模后,通过使用迭代最小化稀疏学习算法对二元稀疏假设检验求解,实现对压制类干扰的关键参数估计,并将估计值应用到检测统计量的推导中,最终得到基于稀疏学习的抗压制类水声干扰检测器。
实施例1
如图1所示,本发明的实施例1提供了一种抗压制类水声干扰多通道自适应检测方法,该方法包括:
1、构建二元稀疏假设检验
假设待检测的干扰数据是由N个阵元组成的线阵接收,则对压制类干扰目标检测可归结为如下二元假设检验:
其中H0和H1分别代表无目标假设和有目标假设;zk,k=1,…,K表示接收到的K个统计独立的待检测数据(又称主要数据),是一个N×1维的复数向量,服从零均值、N维复高斯分布;M0和M1分别表示H0和H1假设下的N×N维干扰协方差矩阵:
上式中,表示高斯白噪声分量,为未知的高斯白噪声能量,I为N×N维单位阵;Nj、di和分别表示第i个压制类干扰的数量、能量和波达角度,表示归一化阵列导向向量,沿θ角度的N×1维归一化阵列导向向量为:
其中d表示阵元间隔,λ表示载波长度,[·]T表示矩阵的转置。
为了引入问题的稀疏性,接下来建立待检测数据的二元稀疏假设检验。首先,我们对监测区域以固定的角度间隔进行采样,离散后的角度区域为Θ={θ1,θ2,…,θL}且L>>Nj,θ1≤θ2≤…≤θL,L为监测区域的离散元素数目。此外,假设接下来,将角度采样映射到对应的干扰能量中,得到离散化后的干扰能量向量 表示L×1维的正数向量。d中的元素满足若则dk>0;否则,dk=0。因此,d是多数元素为0,少数不为0的稀疏向量(由于L>>Nj),则H1下的干扰协方差矩阵可被重新表示为:
其中,V=[v(θ1),…,v(θL)],D=diag(d),diag(·)表示对角阵操作。因此,基于d,(1)中的二元假设检验可被重构为以下二元稀疏假设检验:
最后,为表述简单,我们假设Z=[z1,…,zK]为Hi,i=0,1假设下的待检测数据矩阵,其在Hi,i=0,1假设下的概率密度函数为:
其中det(·)表示求矩阵的行列式,Tr(·)表示求矩阵的迹。
2、基于稀疏学习的抗压制类水声干扰检测器设计
对于假设检验(6),采用基于两步GLRT设计准则的自适应解决方案。首先,在白噪声能量已知的情况下,采用迭代最小化稀疏学习算法对d进行估计,并将估计结果带入基于两步GLRT准则的检测统计量中,最终得到基于稀疏学习的抗压制类水声干扰检测器。
(1)基于待检测数据推导GLRT的检测统计量,其判决准则为:
其中,d未知,η表示一定虚警概率(Pfa)下对应的检测阈值。
(2)为得到全自适应检测器,接下来采用迭代最小化稀疏学习算法对d进行估计。
已知的情况下,d的稀疏先验分布为:
其中,C表示一个归一化常数,q∈Ωq=(0,1]为稀疏控制参数。因此,H1假设Z和d的联合概率密度函数为:
其中对做关于di的导数并置零,得
求解上式可得到以下不动点方程:
其中
则公式(12)可用以下矩阵形式来表述:
其中,现在,假设给q一个指定值,d的初始值用表示,则可以对d进行循环优化,第n步的迭代公式为:
其中,
最终,当时,循环迭代终止,ε为阈值。
值得注意的是,以上运算操作使得为一非递减序列。实际上,是连续的并满足以下结论:
以上公式说明的上界为其次,不难得出
到目前为止,q仍然是未知的,接下来我们进行对q的估计。首先,对Ωq进行采样得到由有限值组成的离散化后的向量假设压制类干扰的最大数量为Nj,max,待估计的选中峰数量h(q)≤Nj,max,则在迭代结果已知时的估计流程为:
1)将由大到小排列,得到新的向量进行最小二乘估计得到
2)选择合适的h(q)值得到满足BICq的最小值,其中BICq为:
其中因此,我们得到了集合最终得到q的估计值为:
将以上估计结果带入似然比表达式(8)中,得到最终的基于稀疏学习的抗压制类水声干扰检测器,表达式为:
其中,需要说明的是,白噪声能量一般是未知的,但它可以通过查找不同系统状态下的表格条目得到估计值。
3、目标检测及性能分析
该部分通过蒙特卡洛仿真方法对基于稀疏学习的抗压制类水声干扰检测器的性能进行分析。其中,假设存在三个波达角度分别是-10°,-4°和8°的具有相同能量的压制类干扰,即Nj=3。为了直观清晰地反映该检测器对压制类干扰目标的检测性能和对其数量、能量和波达角度参数的估计性能,我们通过蒙特卡洛方法仿真以下性能指标:
(1)检测概率Pd;
(2)估计的得到的压制干扰能量与真实干扰能量之间Huasdorff距离的均方根(RMS)值,其中Huasdorff距离是度量任意两个集合之间距离的量,RMS值越小,表明对干扰能量向量的估计准确度越高;
(3)在1000次独立试验中,估计得到压制类干扰数量的分类直方图。
以上所有指标的仿真次数均为103次,假设虚警概率,Pfa=10-2,检测阈值的仿真次数为100/Pfa。为减少稀疏学习对压制类干扰数量的错误估计次数,我们又引入一个关于的虚警概率并设为10-3。假设监测区域角度为-22°到22°,角度采样间隔分别为1°,2°和3°。值得注意的是,在角度采样间隔分别为2°和3°时,我们需要确保压制类干扰的波达角度在采样点上。此外,我们将采样后的离散角度每三个样本划为一个子集,如果在某一子集中存在非零元素,我们认定该子集中存在一个压制类干扰。最后,对理想的干扰协方差矩阵M0和M1建模如下:
M0=I (21)
v(θ)=[1 ejπsin(θ) … ejπ(N-1)sin(θ)]T (23)
其中,高斯白噪声能量v(θ)为到达角度为θ、d=λ/2的空域导向向量,JNR表示压制类干扰-噪声比。
为了探索角度采样间隔对检测性能的影响,图2给出了采样间隔分别是1°、2°和3°下的检测概率随JNR变化图。图中我们假设N=32,K=48。结果显示,所提出的检测器检测性能良好,大约在JNR为0dB时检测概率可到1,并且随着采样间隔的增大,检测概率随之提高,例如,Pd=0.9时,采样间隔为3°相比采样间隔为2°和1°的检测器检测增益分别是0.5dB和1dB。为了探索采样间隔对压制类干扰能量向量估计准确度的影响,图3给出了采样间隔分别是1°、2°和3°下压制类干扰能量的Huasdorff距离的RMS随JNR变化图。图中的参数设置与图1中相同。从图中结果可以看出,随着JNR的增大,对目标干扰能量向量的估计准确度越来越高,并且在相同JNR下,Huasdorff距离的RMS值随采样间隔的增大而降低,侧面反映出一定JNR下压制类干扰能量向量的估计准确度随采样间隔的增大而增大。为了更加直观的显示采样间隔对压制类干扰数量估计的正确率的影响,图4给出了在1000次独立试验中,采样间隔分别是1°、2°和3°下的估计得到压制类干扰数量的分类直方图。图中假设N=32,K=48,JNR=20dB。可以看出,在1000次试验中,三种采样间隔下得到的压制类干扰数量估计的正确率相差不大,都在98%左右,侧面说明了此算法对干扰数量估计的有效性以及采样间隔对压制类干扰数量的估计准确度影响不大。
本发明提出一种基于稀疏学习的抗压制类水声干扰多通道自适应检测方法,在实现对水声干扰目标有效检测的同时,还能对干扰能量、数量、波达角度等关键参数进行准确估计;
本发明中在构建抗干扰稀疏水下多通道自适应检测假设检验问题基础上,通过对稀疏学习信号恢复算法的恰当引入,提出稀疏水下抗压制类干扰多通道自适应检测理论与方法,实现了对运动声纳水声对抗问题稀疏性本质的充分挖掘与有效利用;
本发明中的多通道自适应检测不仅涵盖了空域自适应检测,也可以扩展到角度-多普勒域的空时自适应检测;
本发明假设干扰源仅包括压制类干扰和高斯白噪声,不包含混响,为被动声呐检测状态下的检测情况;
本发明方法假设高斯白噪声能量可查表估计得到,且干扰目标的空域导向向量已知。
实施例2
本发明的实施例2提供一种抗压制类水声干扰多通道自适应检测系统,所述系统包括:
数据获取模块,用于获取多阵元线阵接收的服从独立同分布的待检测数据;
参数估计模块,用于使用迭代最小化稀疏学习算法对预先构建的二元稀疏假设检验的参数进行估计;
基于稀疏学习的抗压制类水声干扰检测器,用于基于估计的参数计算检测统计量,完成目标的自适应检测。
实施例3
本发明的实施例3提供了一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现实施例1的方法。
实施例4
本发明的实施例4提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行实施例1的方法。
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 (8)
1.一种抗压制类水声干扰多通道自适应检测方法,所述方法包括:
获取多阵元线阵接收的服从独立同分布的待检测数据;
基于待检测数据,采用迭代最小化稀疏学习算法对预先构建的二元稀疏假设检验的参数进行估计;
将估计的参数输入预先建立基于稀疏学习的抗压制类水声干扰检测器,完成目标的自适应检测。
2.根据权利要求1所述的抗压制类水声干扰多通道自适应检测方法,其特征在于,所述二元稀疏假设检验的构建包括以下步骤:
步骤1-1)对压制类干扰目标检测建立如下二元假设检验:
其中,H0和H1分别代表无目标假设和有目标假设;zk,k=1,…,K表示接收到的K个独立同分布的待检测数据,是一个N×1维的复数向量,服从零均值、N维复高斯分布;N为阵元个数;表示N维复高斯分布;M0和M1分别表示H0和H1假设下的N×N维干扰协方差矩阵:
上式中,表示高斯白噪声分量,为高斯白噪声能量,I为N×N维单位阵;Nj、di和分别表示第i个压制类干扰的数量、能量和波达角度,表示归一化阵列导向向量,沿θ角度的N×1维归一化阵列导向向量为:
其中d表示阵元间隔,λ表示载波长度,[·]T表示矩阵的转置;
步骤1-2)对监测区域以固定的角度间隔进行采样,离散后的角度区域为Θ={θ1,θ2,…,θL}且L>>Nj,θ1≤θ2≤…≤θL;L为监测区域的离散元素数目;
步骤1-3)将角度采样映射到对应的干扰能量中,得到离散化后的干扰能量向量 表示L×1维的正数向量;d中的元素满足 若则dk>0;否则,dk=0;因此,d是多数元素为0,少数不为0的稀疏向量,则H1下的干扰协方差矩阵被重新表示为:
其中,V=[v(θ1),…,v(θL)],D=diag(d),diag(·)表示对角阵操作;
步骤1-4)基于d,将步骤1-1)中的二元假设检验重构为以下二元稀疏假设检验:
令Z=[z1,…,zK]为Hi,i=0,1假设下的待检测数据矩阵,其在Hi,i=0,1假设下的概率密度函数为:
其中det(·)表示求矩阵的行列式,Tr(·)表示求矩阵的迹。
3.根据权利要求2所述的抗压制类水声干扰多通道自适应检测方法,其特征在于,所述基于待检测数据,采用迭代最小化稀疏学习算法对预先构建的二元稀疏假设检验的参数进行估计;具体包括:
步骤2-1)d的初始值用表示,则
为稀疏控制参数;
步骤2-2)第n步的迭代公式为:
其中,
步骤2-3)当时,循环迭代终止;
步骤2-4)对由大到小排列,得到新的向量对进行最小二乘估计得到
步骤2-5)q的估计值为:
为对Ωq进行采样得到由有限值组成的离散化后的向量集;贝叶斯信息准则BICq为:
其中得到了集合h(q)为选中峰数量,h(q)≤Nj,max,Nj,max为压制类干扰的最大数量;
步骤2-6)将代入得到d的估计值
4.根据权利要求3所述的抗压制类水声干扰多通道自适应检测方法,其特征在于,所述基于稀疏学习的抗压制类水声干扰检测器为:
其中,Λ1(Z)为检测统计量,η表示一定虚警概率下对应的检测阈值。
5.根据权利要求4所述的抗压制类水声干扰多通道自适应检测方法,其特征在于,所述将估计的参数输入预先建立基于稀疏学习的抗压制类水声干扰检测器,完成目标的自适应检测,具体包括:
步骤3-1)计算检测统计量Λ1(Z):
步骤3-2)当检验统计量Λ1(Z)大于检测阈值η,则检验H1成立,检测结果为有目标,否则,检验H0成立,检测结果为无目标。
6.一种抗压制类水声干扰多通道自适应检测系统,其特征在于,所述系统包括:
数据获取模块,用于获取多阵元线阵接收的服从独立同分布的待检测数据;
参数估计模块,用于基于待检测数据,采用迭代最小化稀疏学习算法对预先构建的二元稀疏假设检验的参数进行估计;
基于稀疏学习的抗压制类水声干扰检测器,用于基于估计的参数计算检测统计量,完成目标的自适应检测。
7.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行权利要求1至5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910515409.XA CN110221280B (zh) | 2019-06-14 | 2019-06-14 | 一种抗压制类水声干扰多通道自适应检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910515409.XA CN110221280B (zh) | 2019-06-14 | 2019-06-14 | 一种抗压制类水声干扰多通道自适应检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110221280A true CN110221280A (zh) | 2019-09-10 |
CN110221280B CN110221280B (zh) | 2021-02-09 |
Family
ID=67817130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910515409.XA Active CN110221280B (zh) | 2019-06-14 | 2019-06-14 | 一种抗压制类水声干扰多通道自适应检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110221280B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111273303A (zh) * | 2020-03-16 | 2020-06-12 | 西北工业大学 | 双基地声纳强直达波干扰下目标微弱散射信号检测的方法 |
CN114252936A (zh) * | 2021-11-15 | 2022-03-29 | 中国科学院声学研究所 | 一种适用于水下无线传感网络的微弱信号检测方法及系统 |
CN114660554A (zh) * | 2022-05-25 | 2022-06-24 | 中国人民解放军空军预警学院 | 一种雷达目标和干扰的检测分类方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104243369A (zh) * | 2014-08-26 | 2014-12-24 | 中国船舶重工集团公司第七一五研究所 | 一种用于水声通信modem的唤醒信号检测方法 |
CN104251991A (zh) * | 2014-09-25 | 2014-12-31 | 中国科学院电子学研究所 | 一种基于稀疏度估计的分维度阈值迭代稀疏微波成像方法 |
EP2823332A1 (en) * | 2012-03-08 | 2015-01-14 | Universiteit Antwerpen | System and method for target detection |
CN104849713A (zh) * | 2015-05-13 | 2015-08-19 | 北京航空航天大学 | 一种基于slim算法的sar成像实现方法 |
EP3120300A2 (en) * | 2014-03-19 | 2017-01-25 | Neurala Inc. | Methods and apparatus for autonomous robotic control |
CN108520539A (zh) * | 2018-03-13 | 2018-09-11 | 中国海洋大学 | 一种基于稀疏学习可变模型的图像目标检测方法 |
CN109087267A (zh) * | 2018-08-15 | 2018-12-25 | 苏州蛟视智能科技有限公司 | 一种基于压缩感知的目标检测方法 |
-
2019
- 2019-06-14 CN CN201910515409.XA patent/CN110221280B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2823332A1 (en) * | 2012-03-08 | 2015-01-14 | Universiteit Antwerpen | System and method for target detection |
EP3120300A2 (en) * | 2014-03-19 | 2017-01-25 | Neurala Inc. | Methods and apparatus for autonomous robotic control |
CN104243369A (zh) * | 2014-08-26 | 2014-12-24 | 中国船舶重工集团公司第七一五研究所 | 一种用于水声通信modem的唤醒信号检测方法 |
CN104251991A (zh) * | 2014-09-25 | 2014-12-31 | 中国科学院电子学研究所 | 一种基于稀疏度估计的分维度阈值迭代稀疏微波成像方法 |
CN104849713A (zh) * | 2015-05-13 | 2015-08-19 | 北京航空航天大学 | 一种基于slim算法的sar成像实现方法 |
CN108520539A (zh) * | 2018-03-13 | 2018-09-11 | 中国海洋大学 | 一种基于稀疏学习可变模型的图像目标检测方法 |
CN109087267A (zh) * | 2018-08-15 | 2018-12-25 | 苏州蛟视智能科技有限公司 | 一种基于压缩感知的目标检测方法 |
Non-Patent Citations (2)
Title |
---|
JUN LING等: ""Adaptive range-doppler imaging and target parameter estimation in multistatic active sonar systems"", 《IEEE JOURNAL OF OCEANIC ENGINEERING》 * |
李娜等: ""水下修正空时自适应检测的性能分析"", 《水下无人系统学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111273303A (zh) * | 2020-03-16 | 2020-06-12 | 西北工业大学 | 双基地声纳强直达波干扰下目标微弱散射信号检测的方法 |
CN111273303B (zh) * | 2020-03-16 | 2022-08-05 | 西北工业大学 | 双基地声纳强直达波干扰下目标微弱散射信号检测的方法 |
CN114252936A (zh) * | 2021-11-15 | 2022-03-29 | 中国科学院声学研究所 | 一种适用于水下无线传感网络的微弱信号检测方法及系统 |
CN114660554A (zh) * | 2022-05-25 | 2022-06-24 | 中国人民解放军空军预警学院 | 一种雷达目标和干扰的检测分类方法及系统 |
CN114660554B (zh) * | 2022-05-25 | 2022-09-23 | 中国人民解放军空军预警学院 | 一种雷达目标和干扰的检测分类方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110221280B (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Conte et al. | Recursive estimation of the covariance matrix of a compound-Gaussian process and its application to adaptive CFAR detection | |
Yi et al. | Particle filtering based track-before-detect method for passive array sonar systems | |
Li et al. | Energy-based collaborative source localization using acoustic microsensor array | |
CN104950296B (zh) | 基于重加权自适应功率剩余的稳健非均匀检测方法 | |
CN110221280A (zh) | 一种抗压制类水声干扰多通道自适应检测方法及系统 | |
Meier et al. | The Gutenberg algorithm: Evolutionary Bayesian magnitude estimates for earthquake early warning with a filter bank | |
CN108710103A (zh) | 基于稀疏阵列的强弱多目标超分辨测向与信源数估计方法 | |
KR101897763B1 (ko) | 레이더를 이용한 거리 측정 방법 및 장치 | |
CN108768543A (zh) | 多特征融合认知型水声通信空快时自适应处理算法 | |
CN105785330A (zh) | 一种认知型副瓣干扰抑制方法 | |
CN114997326B (zh) | 一种基于多特征融合的机载雷达工作模式识别方法 | |
CN104568113A (zh) | 一种基于模型的海洋声传播调查爆炸波自动截取方法 | |
Blanding et al. | Directed subspace search ML-PDA with application to active sonar tracking | |
Rhudy et al. | Microphone array analysis methods using cross-correlations | |
Xing et al. | Detection of Low‐Flying Target under the Sea Clutter Background Based on Volterra Filter | |
Le Bot et al. | Rhythmic analysis for click train detection and source separation with examples on beluga whales | |
Tian et al. | Underwater multi-target passive detection based on transient signals using adaptive empirical mode decomposition | |
CN115951315B (zh) | 基于改进小波包能量谱的雷达欺骗干扰识别方法及系统 | |
CN105676211B (zh) | 一种基于降秩技术的多亮点目标时空检测方法 | |
Marcillo et al. | Infrasound signal detection: re-examining the component parts that makeup detection algorithms | |
Weinberg et al. | A Bayesian-based CFAR detector for Pareto type II clutter | |
Ochoa et al. | Severity classification of a seismic event based on the magnitude-distance ratio using only one seismological station | |
CN113702923A (zh) | 一种雷达杂波模拟方法及电子设备 | |
Metcalf | Signal processing for non-Gaussian statistics: clutter distribution identification and adaptive threshold estimation | |
Hoppe et al. | Principal component analysis for emergent acoustic signal detection with supporting simulation results |
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 |