CN111025273A - 一种畸变拖曳阵线谱特征增强方法及系统 - Google Patents
一种畸变拖曳阵线谱特征增强方法及系统 Download PDFInfo
- Publication number
- CN111025273A CN111025273A CN201911219659.5A CN201911219659A CN111025273A CN 111025273 A CN111025273 A CN 111025273A CN 201911219659 A CN201911219659 A CN 201911219659A CN 111025273 A CN111025273 A CN 111025273A
- Authority
- CN
- China
- Prior art keywords
- array
- array element
- target
- delay difference
- line
- 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
- 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
-
- 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
- G01S3/00—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received
- G01S3/80—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received using ultrasonic, sonic or infrasonic waves
- G01S3/802—Systems for determining direction or deviation from predetermined direction
- G01S3/808—Systems for determining direction or deviation from predetermined direction using transducers spaced apart and measuring phase or time difference between signals therefrom, i.e. path-difference systems
-
- 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
- G01S7/523—Details of pulse systems
- G01S7/526—Receivers
- G01S7/527—Extracting wanted echo signals
- G01S7/5273—Extracting wanted echo signals using digital techniques
-
- 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
- G01S7/534—Details of non-pulse systems
- G01S7/536—Extracting wanted echo signals
Abstract
Description
技术领域
本发明属于属于声呐信号处理技术领域,具体涉及一种在强干扰水下环境实现对畸变拖曳阵的线谱特征增强的方法以及系统。
背景技术
在人们迄今所熟知的各种能量形式中,以声波在水中的传播性能为最好。人们一直利用声波对水下或水面目标进行定位、跟踪和识别,具有这种功能的设备称为声纳。目前声纳系统主要分为水听器岸基阵声纳和水听器拖曳线列阵声纳。水听器拖曳线列阵声纳简称拖曳阵,是拖曳在舰船尾部一定距离的声探测系统,通过接收航行目标自身的辐射噪声或反射的主动信号,来检测目标的有无并估计目标的有关参数。它具有探测能力强,探测频率低,水文适应能力强和无盲区的特点。理想状态下,阵列是直线阵,然而,拖船的横向运动,海流的扰动,以及水动力的影响,都使得阵列偏离直线运动。同时,阵列的质量密度不均匀也会带来横向运动。这势必会导致声呐探测性能的下降以及目标特征畸变。
现有的拖曳阵阵形估计方法主要可以分为两类:一类是声学计算的方法,它是利用水听器阵列的接收信号来反推出阵列流形,将阵形估计转化为一个参数估计问题;另一类是非声辅助测量的方法,主要是在水听器拖曳阵上安装若干个深度或航向传感器,利用这些传感器的测量值来估计出阵形,该方法实现难度大、成本高,不适合实际应用。
自20世纪90年代以后,各种阵形校正算法不断提出,通常可以分为有源校正类和自校正类。自校正类算法通常根据某种优化函数对空间信源的方位与阵列的扰动参数进行联合估计,优化函数的建立通常以特征子空间定向算法对阵列误差的敏感性为基础,进一步就是以信号子空间与噪声子空间的正交关系为基础。由于自校正算法可以在线完成辅助信源实际方位的估计,消除了算法对信源方位精确度依赖的影响,所以其校正的精度相对有源算法较高。但对于某些阵列结构,如等间距线列阵,参数估计的唯一辨识往往无法得到保证。更为重要的是自校正算法中的参数联合估计对应的高维、多模、非线性优化问题带来了庞大的运算量,参数估计的全局收敛性往往无法保证。而对于自校正类算法,还存在着因为某些低信噪比的阵元会在阵元时延中存在野值,进而导致波束形成性能下降。
发明内容
发明目的:针对现有技术中存在的问题,本发明提供了一种畸变拖曳阵线谱特征增强方法,该方法通过挑选强线谱得到对应阵列时延向量,使用加权的卡尔曼滤波去除时延中的野值得到阵列时延估计,进行时延估计来校正拖曳线列阵的畸变以及低信噪比情况下时延向量野值对波束形成影响,在多目标强干扰水声环境下实现对畸变拖曳阵的线谱特征增强。
技术方案:本发明一方面公开了一种畸变拖曳阵线谱特征增强方法,包括:
(1)获取观测阵列信号xi(t),i=1,2,...,M,M为拖曳阵中阵元数目;
(4)使用加权的卡尔曼滤波,减小阵列相对时延差向量Γl的影响得到估计的阵列相对时延差Γ′;
另一方面,本发明公开了实现上述方法的畸变拖曳阵线谱特征增强系统,包括:
观测阵列信号获取模块,用于获取观测阵列信号xi(t),i=1,2,...,M,M为拖曳阵中阵元数目;
阵列相对时延差估计值获取模块,用于使用加权的卡尔曼滤波,减小阵列相对时延差向量Γl的影响得到估计的阵列相对时延差Γ′;
有益效果:与现有技术相比,本发明公开的畸变拖曳阵线谱特征增强方法直接从接收到的阵元数据估计线谱,基于加权的卡尔曼滤波消除低信噪比阵元数据野值的影响,实现了在低信噪比存在野值的环境下的自适应线谱特征增强,应用简单直接,经济代价低且效果明显,运算量较小,校正精度较高。
附图说明
图1为实施例一种畸变拖曳阵和理想线阵的阵元排列示意图;
图2为实施例一种畸变拖曳阵线谱特征增强方法的流程图;
图3为基于理想阵列的波束能量图;
图4为畸变拖曳阵阵元的时延估计值与真实值的对比图;
图5为基于平均估计线谱时延的跟踪波束频谱以及基于加权的卡尔曼滤波的跟踪目标频谱对比图;
图6为实施例一畸变拖曳阵线谱特征增强系统的组成图;
图7为实施例二中线谱幅度相对误差的对比图;
图8为实施例二中加权卡尔曼滤波时延估计相对平均时延估计的平均线谱增益随信扰比变化示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明的具体实施案例做说明。
实施例一:
本发明公开了一种畸变拖曳阵线谱特征增强方法,该方法可以校正拖曳线列阵的畸变以及低信噪比情况下时延向量野值对波束形成影响,在多目标强干扰水声环境下实现对畸变拖曳阵的线谱特征增强,为了验证此方法的有效性,本实施例以图1所示的畸变拖曳阵为例,获取跟踪目标的线谱特征。理想阵列中阵元为等间距直线排列。如图1所示,本实施例中畸变阵列的阵元排列如图中空心圆所示,包括40个阵元,即M=40,阵元间距有微小差别,本实施例中忽略间距差别,认为阵元间距近似相等,为:d=1.5米。将左侧第一个阵元作为参考阵元,以参考阵元的位置为原点建立坐标系,由图中可以看到各阵元的排列与理想阵列有较大的差距。
本实施例公开的畸变拖曳阵线谱特征增强方法具体步骤如图2所示,包括:
步骤1、获取观测阵列信号xi(t),i=1,2,...,M,M为拖曳阵中阵元数目;
(2.1)计算理想均匀线阵在引导角φj下相邻阵元时延τj:
其中j=1,…,J+1,J+1为总引导角个数,d为相邻阵元间的距离,v是声音在水中的传播速度;
(2.2)对各阵元数据进行延时相加,得到目标信号波束能量图B[b(1),…,b(J+1)],其中b(j)为:
其中v是声音在水中的传播速度;
(3.3)对g(t)进行傅里叶变换获得目标信号频谱G(ω),同时利用滑动窗平滑技术估计目标信号连续谱Gc(ω),在目标信号频谱G(ω)中删除连续谱Gc(ω)的影响,获得目标信号的线谱Gline(ω):
Gline(ω)=G(ω)-Gc(ω)
得到L个强线谱的阵列相对时延差向量Γl=[Δτ1l,…,ΔτMl],l=1,...,L。
步骤4、使用加权的卡尔曼滤波,减小阵列相对时延差向量Γ1的影响得到估计的阵列相对时延差Γ′;
(4.1)建立加权卡尔曼滤波模型,所述加权卡尔曼滤波模型对阵列相对时延差向量Γl进行估计,得到阵列相对时延差估计值Γ′;
第m个阵元的观测值Zm为:Zm=[Δτ1,(m,m-1),...,ΔτL,(m,m-1)]T∈RL×1;其中Δτl,(m,m-1)为第l根谱线对应的第m个阵元和第m-1个阵元的时延差;
第m个阵元的状态变量θm为理想相邻阵元时延Δτideal:θm=Δτideal;
所述模型的状态转移系数A为:A=1;
所述模型的观测矩阵为:C=[1,1,...,1]T∈RL×1;
所述模型的系统方程为:
Zm=C×θm+vm
θm=A×θm-1+sm
其中vm为观测噪声,其概率分布为vm~Normal(0,Rm),sm为过程噪声,其概率分布为sm~Normal(0,Qm);Rm∈RL×L是观测噪声协方差矩阵,Qm是过程噪声协方差;
所述模型的先验分布为:
Zm|θm,wm~Normal(Cθm,Rm/wm)
θm|θm-1~Normal(Aθm-1,Qm)
(4.2)采用EM算法估计过程噪声方差Qm和对角矩阵Rm中对角线上第l列的数值rml,其中E步为:
M步为:
(4.3)计算出Qm和rml后使用加权的卡尔曼滤波算法,降低观测值与预测值差距较大值的权重,以去除时延向量中的野值影响,其步骤为:
传播过程:
θ′m=A<θm-1>
∑′m=Qm
变量更新:
K′m=∑′mCTS′m
<θm>=θ′m+K′m(Zm-Cθ′m)
∑m=(I-K′mC)∑′m
其中θ′m是当前阵元的先验估计,∑′m是当前阵元的先验协方差估计,K′m是卡尔曼增益,S′m是残差预测误差的后验协方差矩阵;
得到后验状态估计向量<θ>=[<θ1>,...,<θM-1>]为相邻阵元时延差估计,由此可以得到阵列时延差估计Γ′:
Γ′=[0,0+<θ1>,0+<θ1>+<θ2>,…,0+<θ1>+…+<θM-1>]。
图4中给出了畸变拖曳阵阵元的时延估计值与真实值的对比,图中实线为真实时延,点划线为采用本实施例中的方法得到的时延,圆点表示采用基于平均估计线谱时延得到的时延。从图中可以看出,本发明公开的方法能够较为准确地估计出畸变拖曳线列阵阵元的时延。
基于平均估计线谱时延就是把各线谱的时延向量做平均而得到的时延,在文献:徐萍.基于畸变拖曳阵的高保真特征提取方法[A].中国声学学会水声学分会.中国声学学会水声学分会2019年学术会议论文集[C].中国声学学会水声学分会:《声学技术》编辑部,2019∶3.和文献:Wu,Qisong,et al.″Feature Enhancement Technique with DistortedTowed Array in the Underwater Radiated Noise.″INTER-NOISE and NOISE-CONCongress and Conference Proceedings.Vol.255.No.4.Institute of Noise ControlEngineering,2017中有介绍。这种方法不能抑制野值,鲁棒性较差。
图5给出了基于平均估计线谱时延的跟踪波束频谱以及基于加权的卡尔曼滤波的跟踪目标频谱对比图。图中实线为基于平均估计线谱时延的跟踪波束频谱,虚线为本发明公开的线谱特征增强方法形成的波束目标线谱,从图中可以看出,与平均估计方法相比,本发明公开的线谱特征增强方法形成的波束目标线谱增益更高,波束形成的效果得到了线谱特征增强。
本实施例中还公开了实现上述畸变拖曳阵线谱特征增强方法的系统,如图6所示,包括:
观测阵列信号获取模块1,用于获取观测阵列信号xi(t),i=1,2,...,M,M为拖曳阵中阵元数目;
阵列相对时延差估计值获取模块4,用于根据上述步骤4使用加权的卡尔曼滤波,减小阵列相对时延差向量Γl的影响得到估计的阵列相对时延差Γ′;
实施例二:
为验证本发明公开的方法在低信噪比情况下的效果,本实施例在实施例一的基础上,对步骤3中获取到的每个阵列相对时延差向量Γl添加野值,使信噪比为s,得到不准确的阵列相对时延向量在步骤4中,以来代替观测值Zm的计算。
估计波束形成的线谱幅度相对误差为E,Ai表示原始数据频谱在第i个线谱位置处的幅度,PAi表示估计波束形成频谱在第i个线谱位置处的幅度,L表示选中的线谱数量。以跟踪波束线谱幅度相对误差作为性能评价指标。
在不同的信噪比s下与平均估计法的线谱幅度相对误差进行对比,结果如图7所示。从图中可以看出,本发明所采用的加权卡尔曼滤波方法在低信噪比多野值情况下,线谱幅度相对误差明显较低。
Claims (10)
3.根据权利要求1所述的畸变拖曳阵线谱特征增强方法,其特征在于,所述步骤(3)包括:
其中v是声音在水中的传播速度;
(3.3)对g(t)进行傅里叶变换获得目标信号频谱G(ω),同时利用滑动窗平滑技术估计目标信号连续谱Gc(ω),在目标信号频谱G(ω)中删除连续谱Gc(ω)的影响,获得目标信号的线谱Gline(ω):
Gline(ω)=G(ω)-Gc(ω)
得到L个强线谱的阵列相对时延差向量Γl=[Δτ1l,…,ΔτMl],l=1,...,L。
4.根据权利要求1所述的畸变拖曳阵线谱特征增强方法,其特征在于,所述步骤(4)包括:
(4.1)建立加权卡尔曼滤波模型,所述加权卡尔曼滤波模型对阵列相对时延差向量Γl进行估计,得到阵列相对时延差估计值Γ′;
第m个阵元的观测值Zm为:Zm=[Δτ1,(m,m-1),...,ΔτL,(m,m-1)]T∈RL×1;其中Δτl,(m,m-1)为第l根谱线对应的第m个阵元和第m-1个阵元的时延差;
第m个阵元的状态变量θm为理想相邻阵元时延Δτideal:θm=Δτideal;
所述模型的状态转移系数A为:A=1;
所述模型的观测矩阵为:C=[1,1,...,1]T∈RL×1;
所述模型的系统方程为:
Zm=C×θm+vm
θm=A×θm-1+sm
其中vm为观测噪声,其概率分布为vm~Normal(0,Rm),sm为过程噪声,其概率分布为sm~Normal(0,Qm);Rm∈RL×L是观测噪声协方差矩阵,Qm是过程噪声协方差;
所述模型的先验分布为:
Zm||θm,wm~Normal(Cθm,Rm/wm)
θm||θm-1~Normal(Aθm-1,Qm)
(4.2)采用EM算法估计过程噪声方差Qm和对角矩阵Rm中对角线上第l列的数值rml,其中E步为:
M步为:
(4.3)计算出Qm和rml后使用加权的卡尔曼滤波算法,降低观测值与预测值差距较大值的权重,以去除时延向量中的野值影响,其步骤为:
传播过程:
θ′m=A<θm-1>
∑′m=Qm
变量更新:
K′m=∑′mCTS′m
<θm>=θ′m+K′m(Zm-Cθ′m)
∑m=(I-K′mC)∑′m
其中θ′m是当前阵元的先验估计,∑′m是当前阵元的先验协方差估计,K′m是卡尔曼增益,S′m是残差预测误差的后验协方差矩阵;
得到后验状态估计向量<θ>=[<θ1>,...,<θM-1>]为相邻阵元时延差估计,由此可以得到阵列时延差估计Г′:
Г′=[0,0+<θ1>,0+<θ1>+<θ2>,…,0+<θ1>+…+<θM-1>]。
其中v是声音在水中的传播速度;
(3.3)对g(t)进行傅里叶变换获得目标信号频谱G(ω),同时利用滑动窗平滑技术估计目标信号连续谱Gc(ω),在目标信号频谱G(ω)中删除连续谱Gc(ω)的影响,获得目标信号的线谱Gline(ω):
Gline(ω)=G(ω)-Gc(ω)
得到L个强线谱的阵列相对时延差向量Гl=[Δτ1l,…,ΔτMl],l=1,...,L。
9.根据权利要求6所述的畸变拖曳阵线谱特征增强系统,其特征在于,所述阵列相对时延差估计值获取模块估计的阵列相对时延差Г′的步骤包括:
(4.1)建立加权卡尔曼滤波模型,所述加权卡尔曼滤波模型对阵列相对时延差向量Гl进行估计,得到阵列相对时延差估计值Г′;
第m个阵元的观测值Zm为:Zm=[Δτ1,(m,m-1),...,ΔτL,(m,m-1)]T∈RL×1;其中Δτl,(m,m-1)为第l根谱线对应的第m个阵元和第m-1个阵元的时延差;
第m个阵元的状态变量θm为理想相邻阵元时延Δτideal:θm=Δτideal;
所述模型的状态转移系数A为:A=1;
所述模型的观测矩阵为:C=[1,1,...,1]T∈RL×1;
所述模型的系统方程为:
Zm=C×θm+vm
θm=A×θm-1+sm
其中vm为观测噪声,其概率分布为vm~Normal(0,Rm),sm为过程噪声,其概率分布为sm~Normal(0,Qm);Rm∈RL×L是观测噪声协方差矩阵,Qm是过程噪声协方差;
所述模型的先验分布为:
Zm|θm,wm~Normal(Cθm,Rm/wm)
θm|θm-1~Normal(Aθm-1,Qm)
(4.2)采用EM算法估计过程噪声方差Qm和对角矩阵Rm中对角线上第l列的数值rml,其中E步为:
M步为:
(4.3)计算出Qm和rml后使用加权的卡尔曼滤波算法,降低观测值与预测值差距较大值的权重,以去除时延向量中的野值影响,其步骤为:
传播过程:
θ′m=A<θm-1>
∑′m=Qm
变量更新:
K′m=∑′mCTS′m
<θm>=θ′m+K′m(Zm-Cθ′m)
∑m=(I-K′mC)∑′m
其中θ′m是当前阵元的先验估计,∑′m是当前阵元的先验协方差估计,K′m是卡尔曼增益,S′m是残差预测误差的后验协方差矩阵;
得到后验状态估计向量<θ>=[<θ1>,...,<θM-1>]为相邻阵元时延差估计,由此可以得到阵列时延差估计Γ′:
Γ′=[0,0+<θ1>,0+<θ1>+<θ2>,…,0+<θ1>+…+<θM-1>]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911219659.5A CN111025273B (zh) | 2019-12-03 | 2019-12-03 | 一种畸变拖曳阵线谱特征增强方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911219659.5A CN111025273B (zh) | 2019-12-03 | 2019-12-03 | 一种畸变拖曳阵线谱特征增强方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111025273A true CN111025273A (zh) | 2020-04-17 |
CN111025273B CN111025273B (zh) | 2021-09-07 |
Family
ID=70204045
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911219659.5A Active CN111025273B (zh) | 2019-12-03 | 2019-12-03 | 一种畸变拖曳阵线谱特征增强方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111025273B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111537982A (zh) * | 2020-05-08 | 2020-08-14 | 东南大学 | 一种畸变拖曳阵线谱特征增强方法及系统 |
CN113109760A (zh) * | 2021-04-13 | 2021-07-13 | 东南大学 | 一种基于组稀疏的多线谱联合doa估计和聚类方法及系统 |
CN113613155A (zh) * | 2021-07-24 | 2021-11-05 | 武汉左点科技有限公司 | 一种自适应环境的助听方法及装置 |
CN116184352A (zh) * | 2023-04-26 | 2023-05-30 | 武汉能钠智能装备技术股份有限公司四川省成都市分公司 | 基于轨迹估计的射频目标侦测系统 |
CN113613155B (zh) * | 2021-07-24 | 2024-04-26 | 武汉左点科技有限公司 | 一种自适应环境的助听方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150134309A1 (en) * | 2012-05-07 | 2015-05-14 | Atlas Elektronik Gmbh | Method and apparatus for estimating the shape of an acoustic trailing antenna |
CN106249226A (zh) * | 2016-07-13 | 2016-12-21 | 上海海洋大学 | 一种基于水平鱼探仪数据的运动目标关联算法 |
CN107102292A (zh) * | 2017-06-19 | 2017-08-29 | 哈尔滨工业大学 | 一种基于贝叶斯方法的目标方位跟踪方法 |
CN107179535A (zh) * | 2017-06-01 | 2017-09-19 | 东南大学 | 一种基于畸变拖曳阵的保真增强波束形成的方法 |
CN108007461A (zh) * | 2017-11-13 | 2018-05-08 | 西安理工大学 | 油田井下设备运动轨迹的定位装置及绘制方法 |
CN110058245A (zh) * | 2019-04-10 | 2019-07-26 | 中国人民解放军海军工程大学 | 基于云模型的低频主动拖线阵声呐浅海探测效能评估方法 |
CN110286357A (zh) * | 2019-07-10 | 2019-09-27 | 中国电子科技集团公司第三十六研究所 | 一种基于水声探测的目标运动定位方法 |
US20190331768A1 (en) * | 2018-04-26 | 2019-10-31 | Metawave Corporation | Reinforcement learning engine for a radar system |
-
2019
- 2019-12-03 CN CN201911219659.5A patent/CN111025273B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150134309A1 (en) * | 2012-05-07 | 2015-05-14 | Atlas Elektronik Gmbh | Method and apparatus for estimating the shape of an acoustic trailing antenna |
CN106249226A (zh) * | 2016-07-13 | 2016-12-21 | 上海海洋大学 | 一种基于水平鱼探仪数据的运动目标关联算法 |
CN107179535A (zh) * | 2017-06-01 | 2017-09-19 | 东南大学 | 一种基于畸变拖曳阵的保真增强波束形成的方法 |
CN107102292A (zh) * | 2017-06-19 | 2017-08-29 | 哈尔滨工业大学 | 一种基于贝叶斯方法的目标方位跟踪方法 |
CN108007461A (zh) * | 2017-11-13 | 2018-05-08 | 西安理工大学 | 油田井下设备运动轨迹的定位装置及绘制方法 |
US20190331768A1 (en) * | 2018-04-26 | 2019-10-31 | Metawave Corporation | Reinforcement learning engine for a radar system |
CN110058245A (zh) * | 2019-04-10 | 2019-07-26 | 中国人民解放军海军工程大学 | 基于云模型的低频主动拖线阵声呐浅海探测效能评估方法 |
CN110286357A (zh) * | 2019-07-10 | 2019-09-27 | 中国电子科技集团公司第三十六研究所 | 一种基于水声探测的目标运动定位方法 |
Non-Patent Citations (6)
Title |
---|
B.K. NEWHALL等: "Improved estimation of the shape of towed sonar arrays", 《PROCEEDINGS OF THE 21ST IEEE INSTRUMENTATION AND MEASUREMENT TECHNOLOGY CONFERENCE (IEEE CAT. NO.04CH37510)》 * |
JUN TAO等: "Kalman Filter Based Equalization for Underwater Acoustic Communications", 《OCEANS 2019 - MARSEILLE》 * |
KIM, GEUN HWAN等: "Towed Array Shape Estimation based on Kalman Filter Compensating the Sensor Bias", 《KOREA INSTITUTE OF MILITARY SCIENCE AND TECHNOLOGY》 * |
张昊等: "联合阵型校正的高分辨率DOA估计方法", 《声学技术》 * |
徐萍等: "基于畸变拖曳阵的高保真特征提取方法", 《声学技术》 * |
郭戈等: "基于声呐图像的水下目标检测、识别与跟踪研究综述", 《控制与决策》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111537982A (zh) * | 2020-05-08 | 2020-08-14 | 东南大学 | 一种畸变拖曳阵线谱特征增强方法及系统 |
CN111537982B (zh) * | 2020-05-08 | 2022-04-12 | 东南大学 | 一种畸变拖曳阵线谱特征增强方法及系统 |
CN113109760A (zh) * | 2021-04-13 | 2021-07-13 | 东南大学 | 一种基于组稀疏的多线谱联合doa估计和聚类方法及系统 |
CN113613155A (zh) * | 2021-07-24 | 2021-11-05 | 武汉左点科技有限公司 | 一种自适应环境的助听方法及装置 |
CN113613155B (zh) * | 2021-07-24 | 2024-04-26 | 武汉左点科技有限公司 | 一种自适应环境的助听方法及装置 |
CN116184352A (zh) * | 2023-04-26 | 2023-05-30 | 武汉能钠智能装备技术股份有限公司四川省成都市分公司 | 基于轨迹估计的射频目标侦测系统 |
CN116184352B (zh) * | 2023-04-26 | 2023-08-22 | 武汉能钠智能装备技术股份有限公司四川省成都市分公司 | 基于轨迹估计的射频目标侦测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111025273B (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111025273B (zh) | 一种畸变拖曳阵线谱特征增强方法及系统 | |
CN111537982B (zh) | 一种畸变拖曳阵线谱特征增强方法及系统 | |
CN107179535A (zh) | 一种基于畸变拖曳阵的保真增强波束形成的方法 | |
CN109459744B (zh) | 一种实现多干扰抑制的稳健自适应波束形成方法 | |
CN109765521B (zh) | 一种基于子阵划分的波束域成像方法 | |
CN109541548B (zh) | 一种基于匹配场的空气声呐定位方法 | |
CN112612006B (zh) | 基于深度学习的机载雷达非均匀杂波抑制方法 | |
CN102721966B (zh) | 相干类测深声纳正下方高精度测深方法及系统 | |
CN103513238B (zh) | 一种规整化最小二乘子空间相交的目标方位测向方法 | |
CN110221278B (zh) | 一种基于多传感器组合的合成孔径声呐运动补偿方法 | |
CN109541526A (zh) | 一种利用矩阵变换的圆环阵方位估计方法 | |
CN114137476A (zh) | 一种基于极化修正的短波测向方法 | |
CN109001678B (zh) | 一种基于三维麦克风阵列的雷声检测与定位方法 | |
CN111796288B (zh) | 一种基于杂波频谱补偿技术的三坐标雷达动目标处理方法 | |
CN109061594B (zh) | 一种强杂波环境下基于子阵空时自适应处理的测角方法 | |
CN109669172B (zh) | 基于主瓣内强干扰抑制的弱目标方位估计方法 | |
CN109541572B (zh) | 一种基于线性环境噪声模型的子空间方位估计方法 | |
CN111024208A (zh) | 一种垂直阵声压梯度波束形成与信号检测方法 | |
CN113325401B (zh) | 一种基于线谱相位差解模糊的畸变拖曳线列阵信号重构方法 | |
CN111722178B (zh) | 一种基于指向性模型数值求解的远场窄带信号来波方向估计方法 | |
CN110632579B (zh) | 一种利用子阵波束域特征的迭代波束形成方法 | |
CN112881970A (zh) | 一种适用于声呐浮标平台的目标测向方法及系统 | |
CN109633563B (zh) | 基于多径信息的自适应相干波束形成方法 | |
CN112083429A (zh) | 一种基于l-m算法的多波束横摇残差改正方法 | |
CN112114287B (zh) | 一种方位观测数据的野值实时剔除方法 |
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 |