CN110658514B - 一种水下静态目标的分类识别方法 - Google Patents
一种水下静态目标的分类识别方法 Download PDFInfo
- Publication number
- CN110658514B CN110658514B CN201810687712.3A CN201810687712A CN110658514B CN 110658514 B CN110658514 B CN 110658514B CN 201810687712 A CN201810687712 A CN 201810687712A CN 110658514 B CN110658514 B CN 110658514B
- Authority
- CN
- China
- Prior art keywords
- target
- theta
- training set
- classified
- resolution
- 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.)
- Active
Links
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
- 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
Abstract
本发明涉及一种水下静态目标的分类识别方法,该方法包括:步骤1)主动声呐的换能器阵列接收目标回波脉冲信号步骤2)确定观测区域,进行带通滤波和多级放大,得到时域x(t);进行FFT处理,获得频域X(f);对X(f)进行高分辨波束形成,获得频域波束Y(θ,f);步骤3)获得匹配滤波的输出Z(θ,f);步骤4)再对Z(θ,f)进行IFFT处理,获得每个时间点的高分辨的方位谱z(θ,t),并将其作为训练样本;步骤5)进行幅度滤波,获得待检训练集;步骤6)采用K‑means聚类方法,进行分类;步骤7)按均值从小到大的顺序排序;仅处理均值最大的为第K类标签,步骤8)计算第K类标签中的待分类目标的方位谱标准差的均值E{stdθ(z(tn))},对步骤7)获得的第K类标签进行进一步的分类,区分灯塔和目标。
Description
技术领域
本发明属于水下目标分类识别技术领域,具体涉及一种水下静态目标的分类识别方法。
背景技术
水下目标分类识别是将水下传感器接收到的信号提取出目标特征,并进行分类识别,这是声呐系统的核心,也是进行海洋勘探、监测以及水声对抗的先决条件。但是,由于水下环境复杂,如何准确进行目标识别一直是一个难题。
浅海环境下,水声信道具有复杂的时空频特性,由于海底混响较强并且与发射信号相关性较强,声呐的工作性能受到混响的严重制约。混响可以看作主动声呐背景噪声的一部分,但与其他海洋噪声以及自然噪声大不相同。这是由于混响本质上是由声呐本身产生,其强度随着发射信号的强度变化而变化。混响干扰对声呐的影响远大于杂波之于雷达,它是制约声呐性能的主要因素,弱目标有可能淹没于强混响背景中。此外,浅海和近岸区域的船只较多,对于高速和中速目标,往往可以通过多普勒将其与混响区分开来。但是,对于静态目标或者运动速度超低的目标,无法对目标进行分类识别。
此外,近年来周边海域态势复杂,受到渔业、航运的影响,各类船只和水下无人装置活动较多,各类干扰也加大了水下目标分类与识别的难度。潜标、浮标等这些装置的运动速度低至2节以内,甚至悬浮于水体中,可以认为是水下静态或者超低速目标。被动声呐无法探测该类目标,而对于主动声呐,这类水下目标的回波与混响混杂在一起,无法通过多普勒信息区分,更难以与水底山石、灯塔等强干扰信号区分。
目前,传统的水下静态目标分类识别方法主要通过卫星遥感来进行水面的监测,但遥感图像无法深入到水下。而水下静态目标通常通过高频图像声呐来探测。现有技术提供了一种基于高频声呐的水下无人航行器,由美国woods hole的海洋图形研究室(OSL)研制,konsberg公司生产,主要用于水文地理勘探、水雷探测、港湾监护、环境状况监测、事故区域的绘图、搜救作业、捕鱼业、科学采样和绘图等,其中探测模块正是300/900kHz双频可选的侧扫声呐。
随着声呐技术的发展,出现了大量的侧扫声呐、前视声呐、多波束声呐等用于探测水下静态目标。其共同特点是都采用了上百kHz的高频声信号进行探测与识别。现有技术中,采用了K-means方法对水下目标分类识别;但是,都是基于高频图像声呐,本质上是图像处理。其中,高频的应用导致其作用距离受限。由于声波在水下的传播过程中,吸收损失的大小与频率的平方成正比。因此,频率越高,传播损失越大,作用距离越近。高频图像声呐一般适用距离较短;因此,在数百米的甚至更远的各类突发事件的探察会非常困难,反应也存在一定的滞后。
发明内容
本发明的目的在于,为解决现有的分类识别方法存在上述缺陷,本发明提出了一种水下静态目标的分类识别方法,解决了现有声呐平台对于水下静态目标的检测概率低,难以与灯塔等强干扰信号区分的问题;根据混响、灯塔、悬浮目标的能量差异和垂直方向上的方位谱差异,可实现对混响、灯塔、悬浮目标这三类信号的自动分类。
为了实现上述目的,本发明针对声呐平面阵(不限频率),提供了一种水下静态目标的分类识别方法,能够实现对水下静态或者低速目标的快速分类识别,对浅海中混响、灯塔和悬浮目标进行分类;有效地实现对周围海域的监测、管控,建立对水下不明静态目标感知、识别、预警机制。本发明的分类识别方法也可用于混响抑制和干扰消除,提高信号的检测概率。该方法具体包括:
步骤3)对步骤2)获得的Y(θ,f)进行共轭,获得共轭后的Y(θ,f)*;根据公式(1) 再将共轭后的Y(θ,f)*与发射脉冲的频域信号s(f)进行卷积,获得匹配滤波的输出 Z(θ,f);其中,公式(1)为:
步骤4)再对步骤3)获得匹配滤波的输出Z(θ,f)进行IFFT处理,获得每个时间点的高分辨的方位谱z(θ,t),并将其作为训练样本;
步骤5)在得到高分辨的方位谱z(θ,t)后,进行幅度滤波,获得待检训练集;
步骤6)根据步骤5)得到的待检训练集,采用K-means聚类方法,将待检训练集中的待分类目标分为两类:第一训练集和第二训练集;其中,第一训练集为混响+ 噪声;第二训练集为灯塔+目标;
步骤7)计算步骤6)的第二训练集中的待分类目标的方位谱峰值的均值 E{maxθ(z(tn))},按均值从小到大的顺序排序;假设均值最小的为第一类标签,记为1;均值最大的为第K类标签,记为K;
步骤8)计算第K类标签中的待分类目标的方位谱标准差的均值E{stdθ(z(tn))},对步骤7)获得的第K类标签进行进一步的分类,区分灯塔和目标。
作为上述技术方案的改进之一,所述步骤1)具体包括:
主动声呐安装于水下航行器平台,可安装于航行器头部或者两侧。主动声呐的换能器阵列发射单频正弦波(continuous wave,简写为CW)或者线性调频(linear frequencymodulated,简写为LFM)的脉冲信号s(t),所述脉冲信号s(t)到达目标后,背向散射形成了目标回波,声呐阵列接收到目标回波脉冲信号为其包括:混响信号r(t)、噪声信号n(t)、目标回波信号s1(t)和灯塔回波信号s2(t);通过如下公式(2) 来表示:
其中,s1(t)和s2(t)均与s(t)相关。α1(t)和α2(t)为方波信号,分别代表目标回波信号和灯塔回波信号的存在时间段。t1是目标回波信号s1(t)的到达时刻;t2是灯塔回波信号s2(t)的到达时刻;
其中,T为发射脉冲信号的宽度,由于低速特征可忽略脉冲宽度的变化,假设目标回波和灯塔回波的宽度均为T。
作为上述技术方案的改进之一,所述步骤2)中,将声呐的换能器阵列接收到的目标回波脉冲信号进行带通滤波、多级放大、自动增益控制,得到时域x(t);另外,由于需要处理的目标回波脉冲信号可能是宽带信号,因此,需要对时域x(t)进行 FFT处理,得到频域X(f)。其中,将声呐的换能器阵列接收到的信号从时域转换至频域,并且仅需关注目标回波脉冲信号所在的频段。
作为上述技术方案的改进之一,所述步骤2)中,在观测区域内,获得M个方向的波束具体包括:
由于声呐阵列接收到数据中会有宽带数据,需要在频域处理,通过对声呐阵列接收到的频域X(f)进行加权,可将接收到的声呐阵列数据x(t)指向某个方向,提高该方向的信噪比。根据公式(3),获得频域波束Y(θ,f);其中,公式(3)为
Y(θ,f)=w(θ)HX(f) (3)
其中,w(θ)是θ方向的加权向量;w(θ)H为对w(θ)进行共轭转置;Y(θ,f)为θ方向的波束;其中,现有的声呐平台基本都是采用传统波束形成CBF方法,对于等间距的线阵,其中,λ为波长,j代表虚数符号,[]T为转置操作。该传统方法获得的波束宽度较宽,空间分辨能力有限。而本实施例中,采用高分辨稳健波束形成方法,可以得到高分辨方位谱,在本发明中采用稳健Capon波束形成(简写RCB)方法来计算θ方向的加权向量w(θ)。
作为上述技术方案的改进之一,所述步骤4)具体包括:
再对步骤3)获得匹配滤波的输出Z(θ,f)进行IFFT处理,根据公式(4)获得每个时间点的高分辨的方位谱z(θ,t),并将其作为训练样本;其中,公式(4)为:
z(θ,t)=IFFT{Z(θ,f)} (4)
其中,每个时间点t得到相应的高分辨的方位谱z(θ,t),z(θ,t)为具有高分辨的方位谱;其中,t={t1,t2,... , tN},每个时间点t对应的高分辨的方位谱z(θ,t)相当于一个训练样本,并且每个训练样本都是M维的向量。假设z(tn)为tn时间点的方位谱向量,其包括:混响、噪声和灯塔,目标。假设一个接收周期T,在接收周期T 内的各个时间点tN对应的方位谱向量z(tn)构成了一个训练集。
作为上述技术方案的改进之一,所述步骤5)具体包括:
为了减少计算量,在得到高分辨的方位谱z(θ,t)后,进行幅度滤波,获得待检训练集;设定阈值SNRTHRE;
若时间点tn的方位谱对应的最大值小于阈值SNRTHRE,即maxθ(z(tn))<SNRTHER,则时间点tn的方位谱对应的目标不是待分类目标,在训练集中滤除该时间点tn;
若时间点tn的方位谱对应的最大值大于或等于阈值SNRTHRE,即 maxθ(z(tn))≥SNRTHER,则时间点tn的方位谱对应的目标是待分类目标,在训练集中保留该时间点tn;
作为上述技术方案的改进之一,所述步骤6)具体包括:
根据步骤5)得到的待检训练集,采用K-means聚类方法,通过非监督聚类方法来自动分类,将待检训练集中的待分类目标分为两类:第一训练集和第二训练集;其中,第一训练集为混响+噪声;第二训练集为灯塔+目标;其中,设定K=待分类的类别数-1。对于我们的应用场景,待检训练集中包含了三种情况:混响+噪声,混响 +噪声+灯塔,混响+噪声+目标。因此,在本实施例中,K=2。
作为上述技术方案的改进之一,所述步骤8)具体包括:
对步骤7)获得的第K类标签进行进一步的分类;具体地,计算第K类标签中的待分类目标的方位谱标准差的均值E{stdθ(z(tn))},并作为区分灯塔和目标的阈值;其中,
如果第K类标签中的待分类目标的方位谱标准差大于E{stdθ(z(tn))},则该待分类目标为目标,记为K+1标签,进而得到各时间点的标签;
如果K类标签中的待分类目标的方位谱标准差小于或等于E{stdθ(z(tn))},则该待分类目标为灯塔,记为K标签,进而得到各时间点的标签。
本发明的优点在于:
本发明的方法解决了水下静态目标的识别难题,根据不同类型信号的特征,通过高分辨波束形成和自动聚类,实现点目标、灯塔和混响的分类。本方法可广泛应用于现有的平面阵声呐平台,不受平台频率的限制。另外,该方法也解决了超低速(2 运动速度低至2节以下)目标的识别难题。
附图说明
图1是声呐平台探测灯塔和目标的示意图;
图2是本发明的一种水下超低速或者静态目标的分类识别方法的流程图;
图3是本发明的一个实施例中的三类信号分类的仿真示意图;
图4是本发明的另一个实施例中的第20条次的回波分类结果示意图;
图5是图4的分类结果中的类别3(灯塔)和4(目标)的峰值情况的示意图;
图6是图4的分类结果中的俯仰角和方位角均为0的悬浮目标和灯塔的示意图。
具体实施方式
本发明针对声呐平面阵(不限频率),提供了一种水下静态目标的分类识别方法,能够实现对水下静态或者低速目标的快速分类识别,对浅海中混响、灯塔和悬浮目标进行分类;有效地实现对周围海域的监测、管控,建立对水下不明静态目标感知、识别、预警机制。本发明的分类识别方法也可用于混响抑制和干扰消除,提高信号的检测概率。如图1和2所示,本实施例中,水下有悬浮目标(此处为浮标),以及纵贯水体的灯塔,水深h,声呐平台距离灯塔R,该方法具体包括:
步骤3)对步骤2)获得的Y(θ,f)进行共轭,获得共轭后的Y(θ,f)*;根据公式(1) 再将共轭后的Y(θ,f)*与发射脉冲的频域信号s(f)进行卷积,获得匹配滤波的输出 Z(θ,f);其中,公式(1)为:
步骤4)再对步骤3)获得匹配滤波的输出Z(θ,f)进行IFFT处理,获得每个时间点的高分辨的方位谱z(θ,t),并将其作为训练样本;
步骤5)在得到高分辨的方位谱z(θ,t)后,进行幅度滤波,获得待检训练集;
步骤6)根据步骤5)得到的待检训练集,采用K-means聚类方法,将待检训练集中的待分类目标分为两类:第一训练集和第二训练集;其中,第一训练集为混响+ 噪声;第二训练集为灯塔+目标;
步骤7)计算步骤6)的第二训练集中的待分类目标的方位谱峰值的均值E{maxθ(z(tn))},按均值从小到大的顺序排序;假设均值最小的为第一类标签,记为1;均值最大的为第K类标签,记为K;
步骤8)计算第K类标签中的待分类目标的方位谱标准差的均值E{stdθ(z(tn))},对步骤7)获得的第K类标签进行进一步的分类,区分灯塔和目标。
作为上述技术方案的改进之一,所述步骤1)具体包括:
主动声呐安装于水下航行器平台,可安装于航行器头部或者两侧。主动声呐的换能器阵列发射单频正弦波(continuous wave,简写为CW)或者线性调频(linear frequencymodulated,简写为LFM)的脉冲信号s(t),所述脉冲信号s(t)到达目标后,背向散射形成了目标回波,声呐阵列接收到目标回波脉冲信号为其包括:混响信号r(t)、噪声信号n(t)、目标回波信号s1(t)和灯塔回波信号s2(t);通过如下公式(2) 来表示:
其中,s1(t)和s2(t)均与s(t)相关。α1(t)和α2(t)为方波信号,分别代表目标回波信号和灯塔回波信号的存在时间段。t1是目标回波信号s1(t)的到达时刻;t2是灯塔回波信号s2(t)的到达时刻。
其中,T为发射脉冲信号的宽度,由于低速特征忽略脉冲宽度的变化,因此目标回波和灯塔回波的宽度也是T。
作为上述技术方案的改进之一,所述步骤2)中,将声呐的换能器阵列接收到的目标回波脉冲信号进行带通滤波、多级放大、自动增益控制,得到时域x(t);由于水声信号所处的自然环境极其复杂,受各种环境噪声影响,声呐平台接收到的目标回波脉冲信号微弱,且幅度起伏明显,信噪比低。因此,通过带通滤波、多级放大、自动增益控制,可以确保目标回波脉冲信号得到放大并滤除感兴趣的频带外的噪声,以提高信噪比。另外,由于需要处理的目标回波脉冲信号可能是宽带信号,因此,需要对时域x(t)进行FFT处理,得到频域X(f)。其中,将声呐的换能器阵列接收到的信号从时域转换至频域,并且仅需关注目标回波脉冲信号所在的频段。
作为上述技术方案的改进之一,所述步骤2)中,确定观测区域具体包括:
将观测区域的中心设定为声呐阵列发射脉冲的方向,并且设定半波束宽度之间的范围作为观测区域,即发射功率下降3dB范围内作为观测区域;即从 arcsin[sinθ0-0.44c/(Nfd)]到arcsin[sinθn+0.44c/(Nfd)]的范围内为观测区域。其中,c是声速;N是声呐阵列的通道个数;d为声呐阵列的各个通道的间距;θ0是发射脉冲的方向。假设在观测区域间一共有M个方向需要扫描,并且步长设定为1度。在观测区域内的M个方向扫描进行波束形成。因此,所述观测区域只选择了半波束宽度之间的范围作为观测区域,避免计算量过大,扫描角度过多。如果观测区域过大,扫描角度过多,计算量则过大。
作为上述技术方案的改进之一,所述步骤2)中,在观测区域内,获得M个方向的波束具体包括:
由于声呐阵列接收到数据中会有宽带数据,需要在频域处理,通过对声呐阵列接收到的频域X(f)进行加权,可将接收到的声呐阵列数据x(t)指向某个方向,提高该方向的信噪比。根据公式(3),获得频域波束Y(θ,f);其中,公式(3)为
Y(θ,f)=w(θ)HX(f) (3)
其中,w(θ)是θ方向的加权向量;w(θ)H为对w(θ)进行共轭转置;Y(θ,f)为θ方向的波束;其中,现有的声呐平台基本都是采用传统波束形成CBF方法,对于等间距的线阵,其中,λ为波长,j代表虚数符号,[]T为转置操作。该传统方法获得的波束宽度较宽,空间分辨能力有限。而本实施例中,采用高分辨稳健波束形成方法,可以得到高分辨方位谱,但是对角度误差和阵列流型敏感,采用对角加载可以提高稳健性,在本发明中采用稳健Capon波束形成(简写RCB)方法来计算θ方向的加权向量w(θ)。
作为上述技术方案的改进之一,所述步骤4)具体包括:
再对步骤3)获得匹配滤波的输出Z(θ,f)进行IFFT处理,根据公式(4)获得每个时间点的高分辨的方位谱z(θ,t),并将其作为训练样本;其中,公式(4)为:
z(θ,t)=IFFT{Z(θ,f)} (4)
其中,每个时间点t得到相应的高分辨的方位谱z(θ,t),z(θ,t)为具有高分辨的方位谱;其中,t={t1,t2,... , tN},每个时间点t对应的高分辨的方位谱z(θ,t)相当于一个训练样本,并且每个训练样本都是M维的向量。假设z(tn)为tn时间点的方位谱向量,其包括:混响、噪声和灯塔、目标。假设一个接收周期T,在接收周期T 内的各个时间点tN对应的方位谱向量z(tn)构成了一个训练集。
作为上述技术方案的改进之一,所述步骤5)具体包括:
为了减少计算量,在得到高分辨的方位谱z(θ,t)后,进行幅度滤波,获得待检训练集;设定阈值SNRTHRE;
若时间点tn的方位谱对应的最大值小于阈值SNRTHRE,即 maxθ(z(tn))<SNRTHER,则时间点tn的方位谱对应的目标不是待分类目标,在训练集中滤除该时间点tn;
若时间点tn的方位谱对应的最大值大于或等于阈值SNRTHRE,即 maxθ(z(tn))≥SNRTHER,则时间点tn的方位谱对应的目标是待分类目标,在训练集中保留该时间点tn;
作为上述技术方案的改进之一,所述步骤6)具体包括:
根据步骤5)得到的待检训练集,采用K-means聚类方法,通过非监督聚类方法来自动分类,将待检训练集中的待分类目标分为两类:第一训练集和第二训练集;其中,第一训练集为混响+噪声;第二训练集为灯塔+目标;其中,设定K=待分类的类别数-1。对于我们的应用场景,待检训练集中包含了三种情况:混响+噪声,混响 +噪声+灯塔,混响+噪声+目标。因此,在本实施例中,K=2。
作为上述技术方案的改进之一,所述步骤8)具体包括:
对步骤7)获得的第K类标签进行进一步的分类;具体地,计算第K类标签中的待分类目标的方位谱标准差的均值E{stdθ(z(tn))},并作为区分灯塔和目标的阈值;其中,
如果第K类标签中的待分类目标的方位谱标准差大于E{stdθ(z(tn))},则该待分类目标为目标,记为K+1标签,进而得到各时间点的标签;
如果K类标签中的待分类目标的方位谱标准差小于或等于E{stdθ(z(tn))},则该待分类目标为灯塔,记为K标签,进而得到各时间点的标签。
在本实施例中,以仿真试验和湖试数据检验来进一步说明本发明的具体实施方式。如图3和4所示,
1.仿真试验
设定三类信号,混响、灯塔和目标。声呐平台接收到这三类信号的混合,另外还叠加了白噪声。将接收到的信号按照图2依次进行带通滤波、多级放大、自动增益控制,FFT处理,高分辨波束形成,K-means聚类(信号源个数设定为2),按照能量大小设定标签,通过标准差区分灯塔和悬浮目标。最后得到如图3所示的混响、悬浮目标、灯塔三类信号。经过本发明的分类算法处理后,可将这三类信号完全正确区分。
2.湖试数据检验
湖试中,灯塔与目标相距约200~300m。图4为第20条次的回波数据,按照图2 流程处理后,得到4类信号,即白噪声、混响、悬浮目标、灯塔四类信号。其中,如图4和5所示,类别3浅色线是悬浮目标,类别4深色线的地方是灯塔,对照图6 中俯仰角和方位角均为0的输出,本方法准确识别出了悬浮目标。第20次发射脉冲,两个峰值位置应对应悬浮目标和灯塔,相距275m,符合实际情况。
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)
1.一种水下静态目标的分类识别方法,其特征在于,该方法包括:
步骤3)对步骤2)获得的Y(θ,f)进行共轭,获得共轭后的Y(θ,f)*;根据公式(1)再将共轭后的Y(θ,f)*与发射脉冲的频域信号s(f)进行卷积,获得匹配滤波的输出Z(θ,f);其中,公式(1)为:
步骤4)再对步骤3)获得匹配滤波的输出Z(θ,f)进行IFFT处理,获得每个时间点的高分辨的方位谱z(θ,t),并将其作为训练样本;
步骤5)在得到高分辨的方位谱z(θ,t)后,进行幅度滤波,获得待检训练集;
步骤6)根据步骤5)得到的待检训练集,采用K-means聚类方法,将待检训练集中的待分类目标分为两类:第一训练集和第二训练集;其中,第一训练集为混响+噪声;第二训练集为灯塔+目标;
步骤7)计算步骤6)的第二训练集中的待分类目标的方位谱峰值的均值E{maxθ(x(tn))},按均值从小到大的顺序排序;假设均值最小的为第一类标签,记为1;均值最大的为第K类标签,记为K;
步骤8)计算第K类标签中的待分类目标的方位谱标准差的均值E{stdθ(z(tn))},对步骤7)获得的第K类标签进行进一步的分类,区分灯塔和目标。
2.根据权利要求1所述的方法,其特征在于,所述步骤1)具体包括:
主动声呐安装于水下航行器平台,安装于航行器头部或者两侧;主动声呐的换能器阵列发射单频正弦波或者线性调频的脉冲信号s(t),所述脉冲信号s(t)到达目标后,背向散射形成了目标回波;声呐阵列接收到的信号为其包括:混响信号r(t)、噪声信号n(t)、目标回波信号s1(t)和灯塔回波信号s2(t);通过如下公式(2)来表示:
其中,s1(t)和s2(t)均与s(t)相关;α1(t)和α2(t)为方波信号,分别代表目标回波信号和灯塔回波信号的存在时间段;t1是目标回波信号s1(t)的到达时刻;t2是灯塔回波信号s2(t)的到达时刻;
其中,T为发射脉冲信号的宽度。
3.根据权利要求1所述的方法,其特征在于,所述步骤2)中,在观测区域内,获得M个方向的波束具体包括:
通过对声呐阵列数据x(t)的频域X(f)进行高分辨波束形成,可将声呐阵列数据x(t)指向某个方向,根据公式(3),获得频域波束Y(θ,f);其中,公式(3)为
Y(θ,f)=w(θ)HX(f) (3)
其中,w(θ)是θ方向的加权向量;w(θ)H为对w(θ)进行共轭转置;Y(θ,f)为θ方向的波束。
4.根据权利要求1所述的方法,其特征在于,所述步骤4)具体包括:
再对步骤3)获得匹配滤波的输出Z(θ,f)进行IFFT处理,根据公式(4)获得每个时间点的高分辨的方位谱z(θ,t),并将其作为训练样本;其中,公式(4)为:
z(θ,t)=IFFT{Z(θ,F)} (4)
其中,每个时间点t得到相应的高分辨的方位谱z(θ,t),z(θ,t)为具有高分辨的方位谱;其中,t=(t1,t2,...,tN},每个时间点t对应的高分辨的方位谱z(θ,t)相当于一个训练样本,并且每个训练样本都是M维的向量。
5.根据权利要求1所述的方法,其特征在于,所述步骤5)具体包括:
获得高分辨的方位谱z(θ,t)后,进行幅度滤波,获得待检训练集;设定阈值SNRTHRE;
若时间点tn的方位谱对应的最大值小于阈值SNRTHRE,即maxθ(z(tn))<SNRTHER,则时间点tn的方位谱对应的目标不是待分类目标,在训练集中滤除该时间点tn;
若时间点tn的方位谱对应的最大值大于或等于阈值SNRTHRE,即maxθ(z(tn))≥SNRTHER,则时间点tn的方位谱对应的目标是待分类目标,在训练集中保留该时间点tn。
6.根据权利要求1所述的方法,其特征在于,所述步骤6)具体包括:
根据步骤5)得到的待检训练集,采用K-means聚类方法,通过非监督聚类方法来自动分类,将待检训练集中的待分类目标分为两类:第一训练集和第二训练集;其中,第一训练集为混响+噪声;第二训练集为灯塔+目标;其中,设定K=待分类的类别数-1。
7.根据权利要求1所述的方法,其特征在于,所述步骤8)具体包括:
对步骤7)获得的第K类标签进行进一步的分类;具体地,计算第K类标签中的待分类目标的方位谱标准差的均值E{stdθ(z(tn))},并作为区分灯塔和目标的阈值;其中,
如果第K类标签中的待分类目标的方位谱标准差大于E{stdθ(z(tn))},则该待分类目标为目标;
如果K类标签中的待分类目标的方位谱标准差小于或等于E{stdθ(z(tn))},则该待分类目标为灯塔。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810687712.3A CN110658514B (zh) | 2018-06-28 | 2018-06-28 | 一种水下静态目标的分类识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810687712.3A CN110658514B (zh) | 2018-06-28 | 2018-06-28 | 一种水下静态目标的分类识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110658514A CN110658514A (zh) | 2020-01-07 |
CN110658514B true CN110658514B (zh) | 2021-10-22 |
Family
ID=69026289
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810687712.3A Active CN110658514B (zh) | 2018-06-28 | 2018-06-28 | 一种水下静态目标的分类识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110658514B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112924950B (zh) * | 2021-01-26 | 2022-12-06 | 森思泰克河北科技有限公司 | 静止人物区分方法、装置及终端设备 |
CN113359138B (zh) * | 2021-05-06 | 2022-05-17 | 上海交通大学 | 水中目标回波调控装置及声标识方法 |
CN114462450A (zh) * | 2022-01-24 | 2022-05-10 | 东南大学 | 一种基于时频分析和霍夫变换的主动目标速度的分类方法 |
CN114578333B (zh) * | 2022-04-28 | 2022-08-02 | 杭州应用声学研究所(中国船舶重工集团公司第七一五研究所) | 一种主动声呐目标动静辨识方法 |
CN115294832B (zh) * | 2022-07-06 | 2024-02-27 | 中国船舶重工集团公司第七一五研究所 | 一种声呐设备训练数据生成方法 |
CN116400335B (zh) * | 2022-12-02 | 2023-10-13 | 中国科学院声学研究所 | 一种水平阵主动声纳目标回波检测方法及系统 |
CN116973901A (zh) * | 2023-09-14 | 2023-10-31 | 海底鹰深海科技股份有限公司 | 时频分析在声呐信号处理中的算法应用 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0932052A3 (en) * | 1998-01-26 | 2000-05-17 | Honda Giken Kogyo Kabushiki Kaisha | Radar device |
US6130857A (en) * | 1985-03-15 | 2000-10-10 | The United States Of America As Represented By The Secretary Of The Navy | Aural enhancement of active sonar systems |
CN1653353A (zh) * | 2002-03-13 | 2005-08-10 | 雷神加拿大有限公司 | 一种用于相控阵列系统的噪声抑制系统和方法 |
EP1752969A1 (en) * | 2005-02-08 | 2007-02-14 | Nippon Telegraph and Telephone Corporation | Signal separation device, signal separation method, signal separation program, and recording medium |
CN103969624A (zh) * | 2013-01-25 | 2014-08-06 | 中国科学院声学研究所 | 一种基于起伏相位对齐的波束域相干方位估计方法及系统 |
-
2018
- 2018-06-28 CN CN201810687712.3A patent/CN110658514B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6130857A (en) * | 1985-03-15 | 2000-10-10 | The United States Of America As Represented By The Secretary Of The Navy | Aural enhancement of active sonar systems |
EP0932052A3 (en) * | 1998-01-26 | 2000-05-17 | Honda Giken Kogyo Kabushiki Kaisha | Radar device |
CN1653353A (zh) * | 2002-03-13 | 2005-08-10 | 雷神加拿大有限公司 | 一种用于相控阵列系统的噪声抑制系统和方法 |
EP1752969A1 (en) * | 2005-02-08 | 2007-02-14 | Nippon Telegraph and Telephone Corporation | Signal separation device, signal separation method, signal separation program, and recording medium |
CN103969624A (zh) * | 2013-01-25 | 2014-08-06 | 中国科学院声学研究所 | 一种基于起伏相位对齐的波束域相干方位估计方法及系统 |
Non-Patent Citations (3)
Title |
---|
《Modulation feature of underwater target broadband echo》;Chen-Yun Fei等;《2017 IEEE International Conference on Signal Processing,》;20180101;1-10 * |
《The study on tracking algorithm for the underwater target:Applying to noise limited bi-static sonar model》;Hyun Seung Son等;《2013 9th Asian Control Conference (ASCC)》;20130923;1-12 * |
《水下目标主动声呐回波信号特征研究》;夏峙;《中国博士学位论文全文数据库 工程科技II辑》;20171115(第11期);C028-9 * |
Also Published As
Publication number | Publication date |
---|---|
CN110658514A (zh) | 2020-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110658514B (zh) | 一种水下静态目标的分类识别方法 | |
Zimmer et al. | Passive acoustic detection of deep-diving beaked whales | |
JP2007507691A (ja) | ソナー・システムおよびプロセス | |
Clarke | Applications of multibeam water column imaging for hydrographic survey | |
CN108107436B (zh) | 一种基于可靠声路径的水下目标主动分类与定位方法 | |
Fialkowski et al. | Methods for identifying and controlling sonar clutter | |
Gillespie et al. | An automatic system for detecting and classifying the vocalisations of harbour porpoises | |
CN110488301B (zh) | 一种多源信息融合的声纳综合目标识别方法 | |
CN114910915A (zh) | 一种侧扫声呐的水下目标多模式成像方法 | |
Cotter et al. | Classification of broadband target spectra in the mesopelagic using physics-informed machine learning | |
CN108398690B (zh) | 一种海底反向散射强度测量方法 | |
Bjørnø | Developments in sonar and array technologies | |
Marques | Automatic mid-water target detection using multibeam water column | |
De Magistris et al. | Automatic object classification for low-frequency active sonar using convolutional neural networks | |
US8743657B1 (en) | Resolution analysis using vector components of a scattered acoustic intensity field | |
Dreo et al. | Detection and localization of multiple ships using acoustic vector sensors on buoyancy gliders: Practical design considerations and experimental verifications | |
CN108088547A (zh) | 一种基于小孔径二维矢量水听器阵的微弱目标被动检测方法 | |
CN109581366B (zh) | 一种基于目标导向矢量失配的离散旁瓣杂波识别方法 | |
Bates et al. | Echo Plus measurements in Hopavagen Bay, Norway | |
de Moustier | OS-CFAR detection of targets in the water column and on the seafloor with a multibeam echosounder | |
CN1566983A (zh) | 一种利用海洋回波进行阵列通道校正的方法 | |
Klusek et al. | Results of Acoustic Research in the CM Deploying Areas | |
Hui et al. | Reverberation Channel | |
Trevorrow | Salmon and herring school detection in shallow waters using sidescan sonars | |
Li et al. | Underwater objects classifier based on super-resolution spatial spectrum variance |
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 |