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 PDF

Info

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
Application number
CN201911219659.5A
Other languages
English (en)
Other versions
CN111025273B (zh
Inventor
武其松
张昊
赖志超
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN201911219659.5A priority Critical patent/CN111025273B/zh
Publication of CN111025273A publication Critical patent/CN111025273A/zh
Application granted granted Critical
Publication of CN111025273B publication Critical patent/CN111025273B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

本发明公开了一种畸变拖曳阵线谱特征增强方法及系统，其中方法包括：1、获取观测阵列信号xi(t)；2、基于理想波束形成粗略估计目标方位
Figure DDA0002300436810000011
Figure DDA0002300436810000012
为目标信号波束能量最大时的引导角；3、检测目标信号的L个功率最大的频率
Figure DDA0002300436810000013
计算L个强线谱的阵列相对时延差向量Γl；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′；5、基于估计时延获取目标跟踪波束
Figure DDA0002300436810000014
通过傅里叶变换获得保真增强的线谱特征。该方法能够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。

Description

一种畸变拖曳阵线谱特征增强方法及系统
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；
(2)基于理想波束形成粗略估计目标方位
Figure BDA0002300436790000021
Figure BDA0002300436790000022
为目标信号波束能量最大时的引导角；
(3)检测目标信号的L个功率最大的频率
Figure BDA0002300436790000023
计算L个强线谱的阵列相对时延差向量Γl，l＝1,…,L；L为估计线谱的数目；
(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′；
(5)基于估计时延获取目标跟踪波束
Figure BDA0002300436790000024
通过傅里叶变换获得保真增强的线谱特征。
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；
目标方位粗估计模块，用于粗略估计目标方位
Figure BDA0002300436790000025
Figure BDA0002300436790000026
为目标信号波束能量最大时的引导角；
阵列相对时延差向量计算模块，用于检测目标信号的L个功率最大的线谱位置
Figure BDA0002300436790000027
计算L个强线谱的阵列相对时延差向量Γl，l＝1,…,L；L为估计线谱的数目；
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′；
线谱特征增强模块，用于获取目标跟踪波束
Figure BDA0002300436790000031
通过傅里叶变换获得保真增强的线谱特征。
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；
步骤2、基于理想波束形成粗略估计目标方位
Figure BDA0002300436790000041
Figure BDA0002300436790000042
为目标信号波束能量最大时的引导角；
(2.1)计算理想均匀线阵在引导角φj下相邻阵元时延τj：
Figure BDA0002300436790000043
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：
Figure BDA0002300436790000044
(2.3)通过能量检测找到波束能量最大值位置时的引导角为目标方位的粗估计
Figure BDA0002300436790000045
基于理想阵列的波束形成如图3所示，通过能量检测找到波束能量最大值位置，得到目标方位的粗估计
Figure BDA0002300436790000046
步骤3、检测目标信号的L个功率最大的频率
Figure BDA0002300436790000047
计算L个强线谱的阵列相对时延差向量Γl，l＝1,…,L；L为估计线谱的数目，本实施例中取值为10；
(3.1)根据粗估计的目标方位
Figure BDA0002300436790000048
计算各阵元的时延估计
Figure BDA0002300436790000049
Figure BDA00023004367900000410
其中v是声音在水中的传播速度；
(3.2)将各阵元数据按时延估计
Figure BDA00023004367900000411
与参考阵元对齐，对对齐后的阵元数据相干相加获得目标跟踪波束g(t)：
Figure BDA00023004367900000412
(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)
利用能量检测估计出Gline(ω)中L个功率最大处的频率
Figure BDA0002300436790000051
(3.4)计算拖曳阵中每个阵元在频率
Figure BDA0002300436790000052
处的相位，第i个阵元在频率
Figure BDA0002300436790000053
的相位为
Figure BDA0002300436790000054
其中Phase[·]为计算信号相位运算，
Figure BDA0002300436790000055
为第i个阵元的观测信号xi(t)在
Figure BDA0002300436790000056
处的频谱，i＝1，…，M，l＝1，…，L；
(3.5)对于L个强线谱，第l个线谱位置处第i个阵元相对时延差为：
Figure BDA0002300436790000057
其中
Figure BDA0002300436790000058
和
Figure BDA0002300436790000059
分别为第l个线谱位置处第i个和第1个阵元的相位；
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)
Figure BDA0002300436790000061
其中wm是当前阵元观测值的权重因子，
Figure BDA0002300436790000062
是权重因子的分布参数；
(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：
Figure BDA0002300436790000063
Figure BDA0002300436790000064
Figure BDA0002300436790000065
M步为：
Figure BDA0002300436790000066
Figure BDA0002300436790000067
其中，∑m是当前阵元的后验协方差估计，<θm-1>为上一个阵元的后验状态估计，
Figure BDA0002300436790000068
为权重因子wm的先验分布参数，<wm>是wm的后验期望值，Zm是当前阵元的观测值；C(l)是观测矩阵C的第l个元素；
(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：
Figure BDA0002300436790000069
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。
步骤5、基于估计时延获取目标跟踪波束
Figure BDA0002300436790000071
通过傅里叶变换获得保真增强的线谱特征，包括：
由阵列时延差估计Γ′，获得目标跟踪波束
Figure BDA0002300436790000072
Figure BDA0002300436790000073
对目标跟踪波束
Figure BDA0002300436790000074
进行傅里叶变换，得到增强线谱特征。
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；
目标方位粗估计模块2，用于根据上述步骤2粗略估计目标方位
Figure BDA0002300436790000081
Figure BDA0002300436790000082
为目标信号波束能量最大时的引导角；
阵列相对时延差向量计算模块3，用于根据上述步骤3检测目标信号的L个功率最大的频率
Figure BDA0002300436790000083
计算L个强线谱的阵列相对时延差向量Γl，l＝1,…,L；L为估计线谱的数目；
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′；
线谱特征增强模块5，用于根据上述步骤5获取目标跟踪波束
Figure BDA0002300436790000084
通过傅里叶变换获得保真增强的线谱特征。
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
Figure BDA0002300436790000085
在步骤4中，以
Figure BDA0002300436790000086
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，
Figure BDA0002300436790000087
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。
卡尔曼滤波时延估计相对平均时延估计的平均线谱增益为
Figure BDA0002300436790000088
其中Awkf,i为加权卡尔曼滤波方法第i个线谱的幅度，Aav2,i为平均方法第i个线谱的幅度。图8为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。从图中可以看出，加权的卡尔曼滤波方法在低信噪比多野值情况下，线谱增益明显高于平均方法，随着时延扰噪比的增加，加权卡尔曼滤波方法的效果逐渐变差。在低信噪比多野值的情况下，加权卡尔曼滤波方法能够大幅度增强线谱特征。

Claims (10)

1.一种畸变拖曳阵线谱特征增强方法，其特征在于，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；
(2)基于理想波束形成粗略估计目标方位
Figure FDA0002300436780000011
为目标信号波束能量最大时的引导角；
(3)检测目标信号的L个功率最大的频率
Figure FDA0002300436780000012
计算L个强线谱的阵列相对时延差向量Гl，l＝1，…，L；L为估计线谱的数目；
(4)使用加权的卡尔曼滤波，减小阵列相对时延差向量Гl的影响得到估计的阵列相对时延差Г′；
(5)基于估计时延获取目标跟踪波束
Figure FDA0002300436780000013
通过傅里叶变换获得保真增强的线谱特征。
2.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(2)包括：
(2.1)计算理想均匀线阵在引导角φj下相邻阵元时延τj：
Figure FDA0002300436780000014
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：
Figure FDA0002300436780000015
(2.3)通过能量检测找到波束能量最大值位置时的引导角为目标方位的粗估计
Figure FDA0002300436780000016
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：
(3.1)根据粗估计的目标方位
Figure FDA0002300436780000017
计算各阵元的时延估计
Figure FDA0002300436780000018
Figure FDA0002300436780000019
其中v是声音在水中的传播速度；
(3.2)将各阵元数据按时延估计
Figure FDA00023004367800000110
与参考阵元对齐，对对齐后的阵元数据相干相加获得目标跟踪波束g(t)：
Figure FDA0002300436780000021
(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)
利用能量检测估计出Gline(ω)中L个功率最大处的频率
Figure FDA0002300436780000022
(3.4)计算拖曳阵中每个阵元在频率
Figure FDA0002300436780000023
处的相位，第i个阵元在频率
Figure FDA0002300436780000024
处的相位为
Figure FDA0002300436780000025
其中Phase[·]为计算信号相位运算，
Figure FDA0002300436780000026
为第i个阵元的观测信号xi(t)在
Figure FDA00023004367800000210
处的频谱，i＝1，…，M，l＝1，…，L；
(3.5)对于L个强线谱，第l个线谱位置处第i个阵元相对时延差为：
Figure FDA0002300436780000027
其中
Figure FDA0002300436780000028
和
Figure FDA0002300436780000029
分别为第l个线谱位置处第i个和第1个阵元的相位；
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)
Figure FDA0002300436780000031
其中wm是当前阵元观测值的权重因子，
Figure FDA0002300436780000032
是权重因子的分布参数；
(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：
Figure FDA0002300436780000033
Figure FDA0002300436780000034
Figure FDA0002300436780000035
M步为：
Figure FDA0002300436780000036
Figure FDA0002300436780000037
其中，∑m是当前阵元的后验协方差估计，<θm-1>为上一个阵元的后验状态估计，
Figure FDA0002300436780000038
为权重因子wm的先验分布参数，<wm>是wm的后验期望值，Zm是当前阵元的观测值；C(l)是观测矩阵C的第l个元素；
(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：
Figure FDA0002300436780000041
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>]。
5.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(5)包括：
由阵列时延差估计Γ′，获得目标跟踪波束
Figure FDA0002300436780000042
Figure FDA0002300436780000043
对目标跟踪波束
Figure FDA0002300436780000044
进行傅里叶变换，得到增强线谱特征。
6.一种畸变拖曳阵线谱特征增强系统，其特征在于，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；
目标方位粗估计模块，用于粗略估计目标方位
Figure FDA0002300436780000045
为目标信号波束能量最大时的引导角；
阵列相对时延差向量计算模块，用于检测目标信号的L个功率最大的频率
Figure FDA0002300436780000046
l＝1，2，...，L，计算L个强线谱的阵列相对时延差向量Γl，l＝1，…，L；L为估计线谱的数目；
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′；
线谱特征增强模块，用于获取目标跟踪波束
Figure FDA0002300436780000047
通过傅里叶变换获得保真增强的线谱特征。
7.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，所述目标方位粗估计模块进行粗略估计目标方位
Figure FDA0002300436780000051
的步骤包括：
(2.1)计算理想均匀线阵在引导角φj下相邻阵元时延τj：
Figure FDA0002300436780000052
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；
(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：
Figure FDA0002300436780000053
(2.3)通过能量检测找到波束能量最大值位置时的引导角为目标方位的粗估计
Figure FDA0002300436780000054
8.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向量计算模块检测目标信号的L个功率最大的频率
Figure FDA0002300436780000055
并计算L个强线谱的阵列相对时延差向量Γl的步骤包括：
(3.1)根据粗估计的目标方位
Figure FDA0002300436780000056
计算各阵元的时延估计
Figure FDA0002300436780000057
Figure FDA0002300436780000058
其中v是声音在水中的传播速度；
(3.2)将各阵元数据按时延估计
Figure FDA0002300436780000059
与参考阵元对齐，对对齐后的阵元数据相干相加获得目标跟踪波束g(t)：
Figure FDA00023004367800000510
(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)
利用能量检测估计出Gline(ω)中L个功率最大处的频率
Figure FDA00023004367800000511
(3.4)计算拖曳阵中每个阵元在频率
Figure FDA00023004367800000512
处的相位，第i个阵元在频率
Figure FDA00023004367800000513
的相位为
Figure FDA00023004367800000514
其中Phase[·]为计算信号相位运算，
Figure FDA00023004367800000515
为第i个阵元的观测信号xi(t)在
Figure FDA0002300436780000061
处的频谱，i＝1，…，M，l＝1，…，L；
(3.5)对于L个强线谱，第l个线谱位置处第i个阵元相对时延差为：
Figure FDA0002300436780000062
其中
Figure FDA0002300436780000063
和
Figure FDA0002300436780000064
分别为第l个线谱位置处第i个和第1个阵元的相位；
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)
Figure FDA0002300436780000065
其中wm是当前阵元观测值的权重因子，
Figure FDA0002300436780000066
是权重因子的分布参数；
(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：
Figure FDA0002300436780000071
Figure FDA0002300436780000072
Figure FDA0002300436780000073
M步为：
Figure FDA0002300436780000074
Figure FDA0002300436780000075
其中，∑m是当前阵元的后验协方差估计，<θm-1>为上一个阵元的后验状态估计，
Figure FDA0002300436780000076
为权重因子wm的先验分布参数，<wm>是wm的后验期望值，Zm是当前阵元的观测值；C(l)是观测矩阵C的第l个元素；
(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：
Figure FDA0002300436780000077
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>]。
10.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，所述线谱特征增强模块获得保真增强的线谱特征的步骤为：
由阵列时延差估计Γ′，获得目标跟踪波束
Figure FDA0002300436780000081
Figure FDA0002300436780000082
对目标跟踪波束
Figure FDA0002300436780000083
进行傅里叶变换，得到增强线谱特征。
CN201911219659.5A 2019-12-03 2019-12-03 一种畸变拖曳阵线谱特征增强方法及系统 Active CN111025273B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (8)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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