CN111024209B - 一种适用于矢量水听器的线谱检测方法 - Google Patents

一种适用于矢量水听器的线谱检测方法 Download PDF

Info

Publication number
CN111024209B
CN111024209B CN201911354604.5A CN201911354604A CN111024209B CN 111024209 B CN111024209 B CN 111024209B CN 201911354604 A CN201911354604 A CN 201911354604A CN 111024209 B CN111024209 B CN 111024209B
Authority
CN
China
Prior art keywords
line spectrum
noise
signal
spectrum
processing
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
Application number
CN201911354604.5A
Other languages
English (en)
Other versions
CN111024209A (zh
Inventor
易建
黄昌华
张虎
谢锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kingsignal Technology Co Ltd
Original Assignee
Kingsignal Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Kingsignal Technology Co Ltd filed Critical Kingsignal Technology Co Ltd
Priority to CN201911354604.5A priority Critical patent/CN111024209B/zh
Publication of CN111024209A publication Critical patent/CN111024209A/zh
Application granted granted Critical
Publication of CN111024209B publication Critical patent/CN111024209B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H3/00—Measuring characteristics of vibrations by using a detector in a fluid
    • G01H3/10—Amplitude; Power
    • G01H3/12—Amplitude; Power by electric means
    • G01H3/125—Amplitude; Power by electric means for representing acoustic field distribution
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H3/00—Measuring characteristics of vibrations by using a detector in a fluid
    • G01H3/04—Frequency
    • G01H3/08—Analysing frequencies present in complex vibrations, e.g. comparing harmonics present

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明提出一种适用于矢量水听器的线谱检测方法，其包括步骤：步骤一，对矢量阵列各传感器通道的时域信号做波束形成处理；步骤二，对时域波束形成的结果做带通滤波和降采样处理；步骤三，通过对多种自适应线谱增强算法的对比分析；步骤四，使用多重自相关法，利用信号与噪声在统计特性上的可区分性，把淹没于噪声中的线谱信号提取出来；步骤五，使用分段周期图平均法对通过自适应线谱增强和多重自相关处理的时间序列做功率谱估计；步骤六，对门限检测的结果做时间统计。该线谱检测方法充分利用矢量水听器的空间增益和时间增益来提高线谱信号的信噪比，自动识别与提取出淹没在宽带干扰背景中的目标线谱。

Description

一种适用于矢量水听器的线谱检测方法
技术领域
本发明涉及一种适用于矢量水听器的线谱检测方法，属于水声信号处理技术领域。
背景技术
矢量水听器是接收换能器的一种。在水声领域，通常，将传感器称为换能器，接收换能器主要包括标量传感器和矢量传感器，也叫标量水听器和矢量水听器。在声场测量中，传统的方法是采用标量水听器，只能测量声场中的标量参数。矢量水听器能测量声场中的矢量参数，它的应用有助于获得声场的矢量信息，对声呐设备的功能扩展具有极为关键的意义。
舰船辐射噪声一般包含线谱和连续谱，其中线谱主要是由于舰艇螺旋桨的周期性击水以及叶片共振产生的。因产生线谱的声源的功率和惯性都相当大，工作条件比较稳定，所以线谱具有较高的能量和稳定性，使用线谱检测技术可以显著提高被动声呐的作用距离。近年来，现代舰艇的隐身性能得到了高度重视，随着减振降噪技术在舰艇上的大量应用，目标辐射噪声大幅降低，出现了很多安静型目标。从强海洋背景噪声中检测出微弱的线谱信号，成为近年来水声信号处理的一个重要的研究课题。一些理论成熟且行之有效的方法已经被应用在微弱线谱检测的研究中。
波束形成器可以获得空间处理增益，为检测弱信号创造条件。波束形成器是一种空域滤波器，它将各通道数据进行加权求和得到输出，通过设计合适的加权值，可以有选择地增强来自某一指定方向的信号，抑制其他方向到达的信号，提高输出信噪比。
自适应线谱增强是自适应信号处理的一个重要应用，它具有在低信噪比条件下较好地提取线谱的能力，且无需噪声参考信号就能自适应地将线谱信号从宽带噪声中分离出来。但是该算法的固有缺陷严重制约了其工程实际应用。
因此，如何利用矢量水听器实现自动识别与提取淹没在强海洋背景噪声中的远距离或安静型目标辐射的微弱线谱信号，还有待进一步地研究。
发明内容
为解决现有技术存在的不足，本发明旨在提出一种适用于矢量水听器的线谱检测方法，其充分利用矢量水听器的空间增益和时间增益来提高线谱信号的信噪比，自动识别与提取出淹没在宽带干扰背景中的目标线谱。
为实现上述目的，本发明的适用于矢量水听器的线谱检测方法包括如下步骤：
步骤一，对矢量阵列各传感器通道的时域信号做波束形成处理；
步骤二，对时域波束形成的结果做带通滤波和降采样处理，为自适应滤波增强处理效果和提高处理速度做准备；
步骤三，通过对多种自适应线谱增强算法的对比分析，简化的谐波簇自适应线谱增强算法在低信噪比情况下能有效地抑制背景噪声；
步骤四，使用多重自相关法，利用信号与噪声在统计特性上的可区分性，把淹没于噪声中的线谱信号提取出来；
步骤五，使用分段周期图平均法对通过自适应线谱增强和多重自相关处理的时间序列做功率谱估计；
步骤六，对门限检测的结果做时间统计。
进一步地，步骤一中的波束形成处理采用的计算公式为B=W(θ)*A，其中
Figure DEST_PATH_IMAGE002
为校准因子，θ为扫描角度在0~360°范围内取值，A为阵列流形，
在每个扫描角度下对数据做步骤一到步骤五的处理，最终得到过门限谱的频率方位矩阵
Figure DEST_PATH_IMAGE004
，对信号处理频带内的每一个频率
Figure DEST_PATH_IMAGE006
对应的N个处理结果
Figure DEST_PATH_IMAGE008
取最大值
Figure DEST_PATH_IMAGE010
作为后续时间统计的输入。
进一步地，在步骤二中，为了避免降采样后出现频谱混叠，根据采样定理的要求，带通滤波的高截止频率fh和降采样后的采样率Fs的关系应该满足Fs>2*fh的条件。
进一步地，在步骤三中，简化的谐波簇的自适应线谱增强算法以一对频率为
Figure 248634DEST_PATH_IMAGE006
的正交信号为参考信号，
Figure 131139DEST_PATH_IMAGE006
的最大取值为声纳的最大工作频率
Figure DEST_PATH_IMAGE012
，参考信号与权系数w相乘求和得到Y(k)即为算法的输出，使用输入p(k)与输出Y(k)之差来更新权系数使得自适应过程持续下去，权系数更新迭代公式如下：
Figure DEST_PATH_IMAGE014
………………1
Figure DEST_PATH_IMAGE016
………………2
Figure DEST_PATH_IMAGE018
………………3
当正交参考信号的频率
Figure 673504DEST_PATH_IMAGE006
与输入信号中的线谱频率对应时，输入信号的线谱分量即可被增强，自适应步长
Figure DEST_PATH_IMAGE020
影响着算法的噪声抑制效果和响应速度，应根据实际情况选择合适的值。
进一步地，在步骤四中，设信号为
Figure DEST_PATH_IMAGE022
，其中
Figure DEST_PATH_IMAGE024
为高斯白噪声，自相关函数为:
Figure DEST_PATH_IMAGE026
，
其中
Figure DEST_PATH_IMAGE028
为正弦信号的自相关函数，通过公式推导可得
Figure DEST_PATH_IMAGE030
，
Figure DEST_PATH_IMAGE032
、
Figure DEST_PATH_IMAGE034
、
Figure DEST_PATH_IMAGE036
分别为噪声与信号、噪声与噪声的相关函数。若噪声为标准白噪声，则噪声与信号不自相关，但实际测量中，观测时间是有限的，且噪声白化程度不一定十分理想，从而导致自相关函数
Figure 924707DEST_PATH_IMAGE032
、
Figure 424958DEST_PATH_IMAGE034
、
Figure 845575DEST_PATH_IMAGE036
不为零，可将
Figure DEST_PATH_IMAGE038
当作新的噪声Rn(t)，其幅值与噪声n(t)相比很小，多重自相关法是将
Figure DEST_PATH_IMAGE040
当作
Figure DEST_PATH_IMAGE042
重复上述步骤多次。
进一步地，在步骤五中，将Ns的数据分为2*(N-1)+1段，每段包含1s的数据，各段子序列重叠率50%，计算出每段的周期图，然后加权平均得到功率谱估计，获得功率谱估计之后采用双向α滤波获取功率谱的连续谱趋势，去趋势化后设定门限与直接设定固定门限的方法相比，可以更好的剔除连续谱背景对线谱检测的影响，避免因固定门限设置不合理带来的大片连续谱信息残留。
进一步地，在步骤六中，设count(fi)为动态累计数组，若当前时刻频率fi对应的功率谱值p(fi)通过门限检测后不为零则对应的count(fi)= count(fi)+1，否则count(fi)=count(fi)-1，
然后，设置门限值为C，对动态累计结果count(fi)满足大于等于C的条件，则说明存在线谱，其频率为fi。
本发明的适用于矢量水听器的线谱检测方法在波束形成的基础上，结合自适应线谱增强、多重自相关、自动门限检测等算法，充分利用矢量水听器的空间增益和时间增益来提高线谱信号的信噪比，自动识别与提取出淹没在宽带干扰背景中的目标线谱。
附图说明
下面结合附图对本发明作进一步描写和阐述。
图1是本发明的适用于矢量水听器的线谱检测方法的流程图。
图2是图1中线谱检测方法步骤三中简化的基于谐波簇的自适应线谱增强算法流程图。
图3是图1中线谱检测方法步骤五中双向α滤波流程图。
具体实施方式
下面将结合附图、通过对本发明的优选实施方式的描述，更加清楚、完整地阐述本发明的技术方案。
本发明提出一种适用于矢量水听器的线谱检测方法，其基本思路是：首先，在时域上利用波束形成得到对线谱目标的空间增益；然后，使用自适应线谱增强、多重自相关等算法利用信号相关而噪声不相关的特点，提取出淹没在噪声中的相关成分；最后，使用频谱估计、双向α滤波等手段实现自动门限检测提取出相关成分中的线谱，根据线谱存在的时长来判断环境中是否有线谱声目标，并提取出目标的频率。
如图1所示，本发明的适用于矢量水听器的线谱检测方法包括如下布置：
步骤一，对矢量阵列各传感器通道的时域信号做波束形成处理。采用常规波束形成方法实现波束的计算，计算公式为B=W(θ)*A，其中
Figure 380462DEST_PATH_IMAGE002
为校准因子，θ为扫描角度在0~360°范围内取值，
Figure DEST_PATH_IMAGE044
为阵列流形。
在每个扫描角度下对数据做步骤一到步骤五的处理，最终得到过门限谱的频率方位矩阵
Figure 570876DEST_PATH_IMAGE004
。对信号处理频带内的每一个频率
Figure 496107DEST_PATH_IMAGE006
对应的N个处理结果
Figure 720415DEST_PATH_IMAGE008
取最大值
Figure 844229DEST_PATH_IMAGE010
作为后续时间统计的输入。
步骤二，对时域波束形成的结果B做带通滤波和降采样处理，为自适应滤波增强处理效果和提高处理速度做准备。为了避免降采样后出现频谱混叠，根据采样定理的要求，带通滤波的高截止频率fh和降采样后的采样率Fs的关系应该满足Fs>2*fh的条件。
步骤三，通过对多种自适应线谱增强算法的对比分析，发现简化的谐波簇自适应线谱增强算法在低信噪比情况下仍可以有效地抑制背景噪声。简化的谐波簇的自适应线谱增强算法的原理结构如图2所示，算法以一对频率为
Figure 128580DEST_PATH_IMAGE006
的正交信号为参考信号，
Figure 541107DEST_PATH_IMAGE006
的最大取值为声纳的最大工作频率
Figure 631422DEST_PATH_IMAGE012
，参考信号与权系数w相乘求和得到Y(k)即为算法的输出，使用输入p(k)与输出Y(k)之差来更新权系数使得自适应过程持续下去，权系数更新迭代公式如下。
Figure 566667DEST_PATH_IMAGE014
………………1
Figure 756340DEST_PATH_IMAGE016
………………2
Figure 656163DEST_PATH_IMAGE018
………………3
当正交参考信号的频率
Figure 284590DEST_PATH_IMAGE006
与输入信号中的线谱频率对应时，输入信号的线谱分量即可被增强。自适应步长
Figure 586259DEST_PATH_IMAGE020
影响着算法的噪声抑制效果和响应速度，应根据实际情况选择合适的值。
步骤四，使用多重自相关法，利用信号与噪声在统计特性上的可区分性，把淹没于噪声中的线谱信号提取出来。
设信号为
Figure 946833DEST_PATH_IMAGE022
，其中
Figure 396269DEST_PATH_IMAGE024
为高斯白噪声，自相关函数为:
Figure 766070DEST_PATH_IMAGE026
。
其中
Figure 781300DEST_PATH_IMAGE028
为正弦信号的自相关函数，通过公式推导可得
Figure 578354DEST_PATH_IMAGE030
，尽管与原正弦信号的幅值和相位不同，频率却没有发声变化。
Figure 249507DEST_PATH_IMAGE032
、
Figure 422999DEST_PATH_IMAGE034
、
Figure 433681DEST_PATH_IMAGE036
分别为噪声与信号、噪声与噪声的相关函数。若噪声为标准白噪声，则噪声与信号不自相关，但实际测量中，观测时间是有限的，且噪声白化程度不一定十分理想，从而导致自相关函数
Figure 463954DEST_PATH_IMAGE032
、
Figure 622402DEST_PATH_IMAGE034
、
Figure 396323DEST_PATH_IMAGE036
不为零，可将
Figure 261511DEST_PATH_IMAGE038
当作新的噪声Rn(t)，其幅值与噪声n(t)相比很小。
可见，通过自相关处理提高了线谱信号的信噪比，但改善程度有限，多重自相关法是将
Figure 400369DEST_PATH_IMAGE040
当作
Figure 46114DEST_PATH_IMAGE042
重复上述步骤多次，理论上自相关次数越多，信噪比提高的越多，因此可检测出淹没于噪声中的微弱线谱信号。
步骤五，使用分段周期图平均法对通过自适应线谱增强和多重自相关处理的时间序列做功率谱估计。将Ns的数据分为2*(N-1)+1段，每段包含1s的数据，各段子序列重叠率50%，计算出每段的周期图，然后加权平均得到功率谱估计。获得功率谱估计之后采用双向α滤波获取功率谱的连续谱趋势，去趋势化后设定门限与直接设定固定门限的方法相比，可以更好的剔除连续谱背景对线谱检测的影响，避免因固定门限设置不合理带来的大片连续谱信息残留。双向α滤波流程如图3所示。
步骤六，对门限检测的结果做时间统计，设count(fi)为动态累计数组，若当前时刻频率fi对应的功率谱值p(fi)通过门限检测后不为零则对应的count(fi)= count(fi)+1，否则count(fi)=count(fi)-1。
然后，设置门限值为C，对动态累计结果count(fi)满足大于等于C的条件，则说明存在线谱，其频率为fi。
上述具体实施方式仅仅对本发明的优选实施方式进行描述，而并非对本发明的保护范围进行限定。在不脱离本发明设计构思和精神范畴的前提下，本领域的普通技术人员根据本发明所提供的文字描述、附图对本发明的技术方案所作出的各种变形、替代和改进，均应属于本发明的保护范畴。本发明的保护范围由权利要求确定。

Claims (5)

1.一种适用于矢量水听器的线谱检测方法，其特征在于，包括如下步骤：
步骤一，对矢量阵列各传感器通道的时域信号做波束形成处理，波束形成处理采用的计算公式为B=W(θ)*A，其中
Figure 477012DEST_PATH_IMAGE001
为校准因子，θ为扫描角度在0~360°范围内取值，A为阵列流形；
步骤二，对时域波束形成的结果做带通滤波和降采样处理，为自适应滤波增强处理效果和提高处理速度做准备；
步骤三，通过对多种自适应线谱增强算法的对比分析，简化的谐波簇自适应线谱增强算法在低信噪比情况下能有效地抑制背景噪声；
步骤四，使用多重自相关法，利用信号与噪声在统计特性上的可区分性，把淹没于噪声中的线谱信号提取出来；
步骤五，使用分段周期图平均法对通过自适应线谱增强和多重自相关处理的时间序列做功率谱估计，
在所述步骤五中，将Ns的数据分为2*(N-1)+1段，每段包含1s的数据，各段子序列重叠率50%，计算出每段的周期图，然后加权平均得到功率谱估计，获得功率谱估计之后采用双向α滤波获取功率谱的连续谱趋势，去趋势化后设定门限与直接设定固定门限的方法相比，可以更好的剔除连续谱背景对线谱检测的影响，避免因固定门限设置不合理带来的大片连续谱信息残留；
在每个扫描角度下对数据做步骤一到步骤五的处理，最终得到过门限谱的频率方位矩阵
Figure 427650DEST_PATH_IMAGE002
，对信号处理频带内的每一个频率
Figure 310155DEST_PATH_IMAGE003
对应的N个处理结果
Figure 662639DEST_PATH_IMAGE004
取最大值
Figure 667504DEST_PATH_IMAGE005
作为后续时间统计的输入；
步骤六，对门限检测的结果做时间统计。
2.如权利要求1所述的适用于矢量水听器的线谱检测方法，其特征在于，在所述步骤二中，为了避免降采样后出现频谱混叠，根据采样定理的要求，带通滤波的高截止频率fh和降采样后的采样率Fs的关系应该满足Fs>2*fh的条件。
3. 如权利要求2所述的适用于矢量水听器的线谱检测方法，其特征在于，在所述步骤三中，简化的谐波簇的自适应线谱增强算法以一对频率为
Figure 105439DEST_PATH_IMAGE003
的正交信号为参考信号，
Figure 526056DEST_PATH_IMAGE003
的最大取值为声纳的最大工作频率
Figure 998626DEST_PATH_IMAGE006
，参考信号与权系数w相乘求和得到Y(k)即为算法的输出，使用输入p(k)与输出Y(k)之差来更新权系数使得自适应过程持续下去，权系数更新迭代公式如下：
Figure 925125DEST_PATH_IMAGE007
………………1
Figure 850355DEST_PATH_IMAGE008
………………2
Figure 74663DEST_PATH_IMAGE009
………………3
当正交参考信号的频率
Figure 136160DEST_PATH_IMAGE003
与输入信号中的线谱频率对应时，输入信号的线谱分量即可被增强，自适应步长
Figure 482828DEST_PATH_IMAGE010
影响着算法的噪声抑制效果和响应速度，应根据实际情况选择合适的值。
4.如权利要求3所述的适用于矢量水听器的线谱检测方法，其特征在于，在所述步骤四中，设信号为
Figure 895355DEST_PATH_IMAGE011
，其中
Figure 923353DEST_PATH_IMAGE012
为高斯白噪声，自相关函数为:
Figure 104936DEST_PATH_IMAGE013
，
其中
Figure 104729DEST_PATH_IMAGE014
为正弦信号的自相关函数，通过公式推导可得
Figure 4551DEST_PATH_IMAGE015
，
Figure 570662DEST_PATH_IMAGE016
、
Figure 872330DEST_PATH_IMAGE017
、
Figure 295221DEST_PATH_IMAGE018
分别为噪声与信号、噪声与噪声的相关函数，若噪声为标准白噪声，则噪声与信号不自相关，但实际测量中，观测时间是有限的，且噪声白化程度不一定十分理想，从而导致自相关函数
Figure 682340DEST_PATH_IMAGE016
、
Figure 52142DEST_PATH_IMAGE017
、
Figure 942738DEST_PATH_IMAGE018
不为零，可将
Figure 739792DEST_PATH_IMAGE019
当作新的噪声Rn(t)，其幅值与噪声n(t)相比很小，多重自相关法是将
Figure 161677DEST_PATH_IMAGE020
当作
Figure 335170DEST_PATH_IMAGE021
重复上述步骤多次。
5.如权利要求4所述的适用于矢量水听器的线谱检测方法，其特征在于，在所述步骤六中，设count(fi)为动态累计数组，若当前时刻频率fi对应的功率谱值p(fi)通过门限检测后不为零则对应的count(fi)= count(fi)+1，否则count(fi)=count(fi)-1，
然后，设置门限值为C，对动态累计结果count(fi)满足大于等于C的条件，则说明存在线谱，其频率为fi。
CN201911354604.5A 2019-12-25 2019-12-25 一种适用于矢量水听器的线谱检测方法 Active CN111024209B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911354604.5A CN111024209B (zh) 2019-12-25 2019-12-25 一种适用于矢量水听器的线谱检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911354604.5A CN111024209B (zh) 2019-12-25 2019-12-25 一种适用于矢量水听器的线谱检测方法

Publications (2)

Publication Number Publication Date
CN111024209A CN111024209A (zh) 2020-04-17
CN111024209B true CN111024209B (zh) 2022-03-29

Family

ID=70214823

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911354604.5A Active CN111024209B (zh) 2019-12-25 2019-12-25 一种适用于矢量水听器的线谱检测方法

Country Status (1)

Country Link
CN (1) CN111024209B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111735525B (zh) * 2020-05-28 2023-03-31 哈尔滨工程大学 一种适用于无人声纳的demon谱特征提取方法
CN112033520B (zh) * 2020-09-07 2022-08-16 中国电子科技集团公司第三研究所 一种水声矢量探测系统的校正系统及空气声学校正方法
CN112462352B (zh) * 2020-10-30 2022-10-18 哈尔滨工程大学 一种适用于低信噪比条件下的线谱增强方法
CN112556818A (zh) * 2020-12-07 2021-03-26 中国船舶重工集团有限公司第七一0研究所 一种矢量水听器线谱自动检测与判决方法
CN113466838B (zh) * 2021-05-27 2022-03-08 中国科学院声学研究所 一种迭代补偿的目标辐射噪声数据模拟方法及系统
CN114757242B (zh) * 2022-06-16 2022-09-23 中国空气动力研究与发展中心低速空气动力研究所 基于循环维纳滤波的直升机噪声增强方法以及检测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010181893A (ja) * 1998-08-24 2010-08-19 Mindspeed Technologies Inc 線スペクトル周波数の量子化のための符号帳の共有
CN105223576A (zh) * 2015-09-24 2016-01-06 哈尔滨工程大学 一种基于单矢量潜标的线谱信号目标自动检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010181893A (ja) * 1998-08-24 2010-08-19 Mindspeed Technologies Inc 線スペクトル周波数の量子化のための符号帳の共有
CN105223576A (zh) * 2015-09-24 2016-01-06 哈尔滨工程大学 一种基于单矢量潜标的线谱信号目标自动检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
一种基于频率方差加权的线谱目标检测方法;陈阳;《声学学报》;20100131;第35卷(第1期);第77-78页，附图1、3 *
水下目标辐射噪声中单频信号分量的检测：理论分析;李启虎;《声学学报》;20080531;第33卷(第3期);第194-195页，附图1、3 *

Also Published As

Publication number Publication date
CN111024209A (zh) 2020-04-17

Similar Documents

Publication Publication Date Title
CN111024209B (zh) 一种适用于矢量水听器的线谱检测方法
CN108921014B (zh) 一种基于改进噪声包络信号识别的螺旋桨轴频搜索方法
CN111693971B (zh) 一种用于弱目标检测的宽波束干扰抑制方法
CN109521430A (zh) 一种抑制窄带干扰的距离扩展目标检测方法
Wang et al. Unambiguous broadband direction of arrival estimation based on improved extended frequency-difference method
CN111175727A (zh) 一种基于条件波数谱密度的宽带信号方位估计的方法
Zhu et al. High-order domain feature extraction technology for ocean acoustic observation signals: a review
CN116520279A (zh) 一种海杂波抑制方法
CN109669172A (zh) 基于主瓣内强干扰抑制的弱目标方位估计方法
CN112162235B (zh) 一种光滑分段随机共振增强的声矢量信号定向方法
CN103487794B (zh) 一种基于小波包变换的水底混响抑制方法
Wang et al. Research on imaging methods of single-beam mechanical scanning sonar
CN113050036B (zh) 基于多谐振点传声器阵列的gis波束形成定位方法
CN114114222B (zh) 一种强干扰复杂环境下的宽带目标检测方法
Pan et al. Adaptive active sonar signal processing for optimal LFM echo detection of slowly moving targets
CN111257859B (zh) 一种波束域自相关水下目标识别方法
CN109709562B (zh) 一种探测声纳的目标分辨数据处理方法
Bo et al. A new method for array extension based on minimum redundancy linear array
Bai et al. A Joint Line Spectrum Detection Scheme with Stochastic Resonance Theory
CN115079088A (zh) 基于频域声能流瞬时相位差加权的目标doa估计方法
Wang et al. A long line array broadband adaptive beamforming with post-filtering and incoherent noise reduction
Yan et al. Research of Modified Hyper-beam Performance based on Passive Sonar
Jidan et al. The Realization of Bartlett Null-forming Weight for Broadband Signals in Time-domain
CN117687034A (zh) 一种基于功率谱结构的被动声呐检测方法
CN116148827A (zh) 一种高宽容度的自适应波束形成算法

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