CN110865375A - 一种水中目标检测方法 - Google Patents
一种水中目标检测方法 Download PDFInfo
- Publication number
- CN110865375A CN110865375A CN201911103546.9A CN201911103546A CN110865375A CN 110865375 A CN110865375 A CN 110865375A CN 201911103546 A CN201911103546 A CN 201911103546A CN 110865375 A CN110865375 A CN 110865375A
- Authority
- CN
- China
- Prior art keywords
- data
- value
- underwater target
- relative
- reconstruction
- 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
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
-
- 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)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (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
本发明提供了一种水中目标检测方法,结合复杂海洋环境下的非线性特征表征的需要,利用相对膨胀熵分析方法,对接收数据的两个不同渐进指数速率差相对变化进行分析,并对其变化的程度进行表征,可以有效避免环境噪声本身能量波动带来的干扰。因此利用这种方法对水中目标进行检测,能够做到无先验信息的水中目标远距离检测,具有检测距离远、不需先验信息等优点。
Description
技术领域
本发明涉及水声信号处理技术领域,具体为一种目标检测方法。
背景技术
为了应对“海洋世纪”带来的新的机遇与挑战,进一步振兴海洋事业,要按照建设海洋强国的战略思想,着力发展海洋科技,提高我国的海防实力,而水下目标检测则是海洋安全领域的一个重要研究方向。
水中远距离目标的检测方法中较为常用的是线谱检测,线谱检测中常用的方法有自相关检测方法、快速傅里叶变换方法、自适应线谱增强方法等,但这些方法很多需要得到线谱频率等先验信息,无此先验信息时,检测结果会受到很大的影响。同时,由于声隐身技术的高速发展,机械设备主动隔振、主动约阻尼、声学智能结构等技术的陆续应用,水中目标辐射噪声的线谱得到了很好的控制,线谱的幅值变得很小,线谱能量大幅度降低,甚至数量可控。
连续谱是目标辐射噪声频谱的另一重要特征和组成部分,具有单独的谱峰。张晓勇等从频率与能量分布的角度出发,在顺势频率方差检测器的基础上,推导出了窄带信号和宽带信号同时满足的瞬时频率分布与能量分布的表达式,从而利用目标辐射噪声连续谱分量存在一个能量相对集中的频率中心这一特性,利用瞬时频率分析进行描述,实现了利用舰船辐射噪声连续谱进行目标检测,然而,这种基于能量的检测方法,在远距离下检测结果会受到较大影响。
发明内容
为了克服现有技术的不足,本发明提供一种水中目标检测方法,结合复杂海洋环境下的非线性特征表征的需要,通过提取目标辐射噪声中固有的非线性特征进行水中目标远距离检测,不需任何先验信息,并增大了目标检测的距离,提高了方法的可适用性。
本发明解决其技术问题所采用的技术方案包括以下步骤:
步骤二,利用G-P算法求取输入信号的重构维数m与时间延迟τ,最后完成接收数据的相空间重构,重构后信号S(ti)=[s(ti),s(ti+τ),s(ti+2τ),…,s(ti+(m-1)τ)];
步骤三,对S(ti)进行微分得到S′(ti),求取S′(ti)的奇异值并记为参考向量A;
步骤四,将初始时刻N个数据之后接收的数据作为待测数据S1(tj),j=1,2,3,…;按照步骤二进行相空间重构,重构完成后进行微分得到S′1(tj),求取S′1(tj)的奇异值并记为待测向量B;
步骤七,按Neyman-Pearson准则,在考虑一定虚警概率的基础上,设定检测阈值L,若相对膨胀熵数值超过阈值,则判定为有目标,否则,则判定为没有目标。
所述的步骤一中,N取值不小于2000。
所述的步骤七中,采集1000段环境噪声,分别计算相对膨胀熵数据,然后将数值由大到小排序,取第50个数值作为检测阈值。
本发明的有益效果是:利用相对膨胀熵分析方法,对接收数据的两个不同渐进指数速率差相对变化进行分析,并对其变化的程度进行表征,可以有效避免环境噪声本身能量波动带来的干扰。因此利用这种方法对水中目标进行检测,能够做到无先验信息的水中目标远距离检测,具有检测距离远、不需先验信息等优点。
附图说明
图1是本发明的总体技术路线
图2是本发明不同类型信号的相对膨胀熵分析图。
图3是本发明不同检测方法检测性能对比图。
具体实施方式
本发明解决其技术问题所采用的技术方案包括以下步骤:
步骤二,根据Takens重构定理对采集的数据进行相空间重构:
将接收到声信号的数据,利用G-P算法求取数据的重构维数与时间延迟,最后完成接收数据的相空间重构:
S(ti)=[s(ti),s(ti+τ),s(ti+2τ),…,s(ti+(m-1)τ)]
其中s(ti)表示输入信号,S(ti)表示重构后信号,τ为延迟时间,m为重构维数;
步骤四,将初始时刻N个数据之后接收的数据作为待测数据S1(tj),按照步骤二进行相空间重构,重构完成后求取S1(tj)的微分S′1(tj),并求取S′1(tj)的奇异值并记为待测向量B;
其中:j=1,2,3,…;
其中:k=1,2,3,…m,代表相应向量中元素的下标,m为步骤二中的嵌入维数;
步骤七,按Neyman-Pearson准则,在考虑一定虚警概率的基础上,设定检测阈值L(一般采集1000段环境噪声,分别计算相对膨胀熵数据,然后将数值由大到小排序,取第50个数值作为检测阈值),若相对膨胀熵数值超过阈值,则判定为有目标,否则,则判定为没有目标。
下面结合附图和实施例对本发明进一步说明,本发明包括但不仅限于下述实施例。
步骤一:利用声呐采集海洋中的声信号,记为a(t),即输入信号,然后按照下式进行相关处理使其方差变为1,完成信号的初始化;
步骤二:根据Takens重构定理对s(t)数据进行相空间重构;
将s(t)的数据,利用G-P算法与复自相关法分别求取数据的重构维数与时间延迟,最后完成接收数据的相空间重构:
S(ti)=[s(ti),s(ti+τ),s(ti+2τ),…,s(ti+(m-1)τ)] (2)
其中s(ti)表示输入信号,S(ti)表示重构后信号,τ为延迟时间,m为重构维数。
步骤三:将最开始的2000个数据作为参考数据,然后按照步骤一、二分别完成这段数据的初始化与相空间重构,得到重构后的数据S(t),如下式(3),按照矩阵微分方法对S(t)进行微分得到S′(t),如下式(4),最后求取S′(t)的奇异值并记为参考向量A,如下式(5)
A=[Y1 Y2 … Y118] (5)
其中:假设求取的嵌入维数m=118,延迟时间τ=2,采样率设定为2000Hz,Y为参考向量中元素个数,元素大小与嵌入维数m相同,s(t)为重构前数据,S(t)为重构后数据矩阵,S′(t)为微分后求得的微分矩阵。
步骤四:将初始时刻2000(这里N取2000)个数据之后接收的数据作为待测数据s1(ti),并按照2000个数据为窗长对数据进行滑动分段(这里每次滑动100个数据点)并进行处理。按照上述方法得到重构后的矩阵S1(ti)再求取其微分矩阵S′1(ti),最后求取S′1(ti)的奇异值并记为待测向量B;
B=[Q1 Q2 … Q118] (8)
步骤五:将待测向量B与参考向量A按照下式(9)进行处理,得到相对向量C;
其中:i=1,2,…,118,代表相应向量中元素的下标,m=118为步骤二中的嵌入维数。
步骤六:按照下式(10)与(11)求取接收数据的相对膨胀熵;
其中:G(C)表示相对向量C中大于1元素的乘积,以连续10段数据作为一个膨胀熵积分段(每段数据都是步骤四中分好的数据段);
步骤七:按Neyman-Pearson准则,在考虑5%虚警概率的基础上,设定检测阈值L。这里首先采集1000段环境噪声,分别计算每段数据的相对膨胀熵,然后将相对变化熵数值由大到小排序,取第50个数值作为检测阈值。若待测数据的相对膨胀熵数值超过阈值,则判定为有目标,否则,则判定为没有目标。
结合复杂海洋环境下目标检测的需要,本发明公开一种水中目标检测方法,利用相对膨胀熵分析方法,对数据的非线性特性进行分析,进而提取出反应目标非线性特性的非线性特征,最后实现对水中目标的检测。本发明能够做到无先验信息的水中目标远距离检测,具有检测距离远、不需先验信息等优点。
Claims (3)
1.一种水中目标检测方法,其特征在于包括以下步骤:
步骤二,利用G-P算法求取输入信号的重构维数m与时间延迟τ,最后完成接收数据的相空间重构,重构后信号S(ti)=[s(ti),s(ti+τ),s(ti+2τ),…,s(ti+(m-1)τ)];
步骤三,对S(ti)进行微分得到S′(ti),求取S′(ti)的奇异值并记为参考向量A;
步骤四,将初始时刻N个数据之后接收的数据作为待测数据S1(tj),j=1,2,3,…;按照步骤二进行相空间重构,重构完成后进行微分得到S′1(tj),求取S′1(tj)的奇异值并记为待测向量B;
步骤七,按Neyman-Pearson准则,在考虑一定虚警概率的基础上,设定检测阈值L,若相对膨胀熵数值超过阈值,则判定为有目标,否则,则判定为没有目标。
2.根据权利要求1所述的水中目标检测方法,其特征在于:所述的步骤一中,N取值不小于2000。
3.根据权利要求1所述的水中目标检测方法,其特征在于:所述的步骤七中,采集1000段环境噪声,分别计算相对膨胀熵数据,然后将数值由大到小排序,取第50个数值作为检测阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911103546.9A CN110865375B (zh) | 2019-11-13 | 2019-11-13 | 一种水中目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911103546.9A CN110865375B (zh) | 2019-11-13 | 2019-11-13 | 一种水中目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110865375A true CN110865375A (zh) | 2020-03-06 |
CN110865375B CN110865375B (zh) | 2022-07-05 |
Family
ID=69654372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911103546.9A Active CN110865375B (zh) | 2019-11-13 | 2019-11-13 | 一种水中目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110865375B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112649798A (zh) * | 2020-12-31 | 2021-04-13 | 哈尔滨工程大学 | 水声目标弱线谱软判决被动探测方法 |
CN112711026A (zh) * | 2020-12-19 | 2021-04-27 | 西北工业大学 | 基于变微分步长相对变化熵的目标检测与信号频率估计方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070031941A (ko) * | 2004-06-17 | 2007-03-20 | 아틀라스 엘렉트로닉 게엠베하 | 목표 탐지 방법 |
US20130080378A1 (en) * | 2011-09-23 | 2013-03-28 | National Central University | Method for Quantifying and Modeling Degree of Nonlinearity, Combined Nonlinearity, and Nonstationarity |
CN106682615A (zh) * | 2016-12-28 | 2017-05-17 | 西北工业大学 | 一种水下弱小目标检测方法 |
CN106895905A (zh) * | 2016-12-21 | 2017-06-27 | 西北工业大学 | 一种舰船辐射噪声检测方法 |
CN107340055A (zh) * | 2017-06-29 | 2017-11-10 | 西北工业大学 | 一种基于多测度融合的随机共振微弱信号检测方法 |
-
2019
- 2019-11-13 CN CN201911103546.9A patent/CN110865375B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070031941A (ko) * | 2004-06-17 | 2007-03-20 | 아틀라스 엘렉트로닉 게엠베하 | 목표 탐지 방법 |
US20130080378A1 (en) * | 2011-09-23 | 2013-03-28 | National Central University | Method for Quantifying and Modeling Degree of Nonlinearity, Combined Nonlinearity, and Nonstationarity |
CN106895905A (zh) * | 2016-12-21 | 2017-06-27 | 西北工业大学 | 一种舰船辐射噪声检测方法 |
CN106682615A (zh) * | 2016-12-28 | 2017-05-17 | 西北工业大学 | 一种水下弱小目标检测方法 |
CN107340055A (zh) * | 2017-06-29 | 2017-11-10 | 西北工业大学 | 一种基于多测度融合的随机共振微弱信号检测方法 |
Non-Patent Citations (9)
Title |
---|
HAITAO DONG: "Adaptive Matched Stochastic Resonance Enhanced Speedboat Seismoacoustic Signature under Heavy Background noise", 《OCEANS 2018 MTS/IEEE CHARLESTON》 * |
LI, WJ (LI, WEIJIA): "A Comparative Study of Multiscale Sample Entropy and Hierarchical Entropy and Its Application in Feature Extraction for Ship-Radiated Noise", 《ENTROPY》 * |
TAN, ST (TAN, SUAT-TENG): "Self-modeling curve resolution of multi-component vibrational spectroscopic data using automatic band-target entropy minimization", 《ANALYTICA CHIMICA ACTA》 * |
ZHENGYU PENG: "Intermodulation FMCW (IM-FMCW) radar for nonlinear wearable targets detection", 《 2018 UNITED STATES NATIONAL COMMITTEE OF URSI NATIONAL RADIO SCIENCE MEETING (USNC-URSI NRSM)》 * |
凌继平等: "基于递归图和近似熵的水下目标特征提取方法", 《计算机与数字工程》 * |
姚海洋等: "一种基于广义Duffing振子的水中弱目标检测方法", 《物理学报》 * |
胡必禄: "理想气体绝热自由膨胀后的熵", 《安康师专学报》 * |
行鸿彦等: "混沌背景中微弱信号检测的神经网络方法", 《物理学报》 * |
陈铿等: "混沌时间序列分析中的相空间重构技术综述", 《计算机科学》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112711026A (zh) * | 2020-12-19 | 2021-04-27 | 西北工业大学 | 基于变微分步长相对变化熵的目标检测与信号频率估计方法 |
CN112649798A (zh) * | 2020-12-31 | 2021-04-13 | 哈尔滨工程大学 | 水声目标弱线谱软判决被动探测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110865375B (zh) | 2022-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A deep neural network for time-domain signal reconstruction | |
CN111024209B (zh) | 一种适用于矢量水听器的线谱检测方法 | |
CN110865375B (zh) | 一种水中目标检测方法 | |
CN110376575B (zh) | 一种基于阻尼参数匹配随机共振的低频线谱检测方法 | |
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 | |
CN113537102B (zh) | 一种微震信号的特征提取方法 | |
CN113472390B (zh) | 一种基于深度学习的跳频信号参数估计方法 | |
Yao et al. | An adaptive seismic signal denoising method based on variational mode decomposition | |
CN112183225B (zh) | 一种基于概率潜在语义分析的水下目标信号特征提取方法 | |
CN108919241B (zh) | 一种基于恒虚警检测的水下信号时频端点参数估计方法 | |
CN110716532A (zh) | 一种基于小波包能量与fft的水下机器人推进器弱故障辨识方法 | |
Yin et al. | Underwater acoustic target classification based on LOFAR spectrum and convolutional neural network | |
CN110716203A (zh) | 一种被动声纳目标的时频分析与跟踪方法 | |
Zhong et al. | Application of the blind source separation method to feature extraction of machine sound signals | |
Ngan et al. | Joint time delay and pitch estimation for speaker localization | |
CN114613384B (zh) | 一种基于深度学习多输入语音信号波束形成信息互补方法 | |
CN113822363B (zh) | 一种基于二次有理核函数的卷积神经网络时延估计方法 | |
CN111259942B (zh) | 一种水中弱目标检测方法 | |
CN115064182A (zh) | 自适应梅尔滤波器在强噪声环境下风机故障特征识别方法 | |
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 | |
CN111856559B (zh) | 基于稀疏贝叶斯学习理论的多道地震谱反演方法及系统 | |
CN112711026B (zh) | 基于变微分步长相对变化熵的目标检测与信号频率估计方法 | |
CN117148432B (zh) | 基于多尺度分量提取的浅剖数据空间插值方法 | |
CN113358927B (zh) | 一种基于区域核函数的多分量线性调频信号时频分析方法 | |
CN114970647B (zh) | 基于概率神经网络的电磁数据识别方法及系统 |
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 |