CN111505567B - 基于单矢量水听器波达方向估计的多目标跟踪方法 - Google Patents
基于单矢量水听器波达方向估计的多目标跟踪方法 Download PDFInfo
- Publication number
- CN111505567B CN111505567B CN202010219128.2A CN202010219128A CN111505567B CN 111505567 B CN111505567 B CN 111505567B CN 202010219128 A CN202010219128 A CN 202010219128A CN 111505567 B CN111505567 B CN 111505567B
- Authority
- CN
- China
- Prior art keywords
- frequency point
- target
- frequency
- track
- clustering
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
Description
技术领域
本发明属于目标跟踪技术领域,涉及一种多目标跟踪方法。
背景技术
目标辐射噪声在低频段具有丰富的线谱成分,是一种较稳定的目标特征信息,并且具有相干性强、传播损失小等特点,对目标的定位和识别具有重要意义[1,2,3]。
矢量水听器由声压传感器和振速传感器组合而成,能够共点同步测量水下声场空间一点处的声压和质点振速的三个正交分量,将矢量水听器接收到的水下声场的声压与振速信息进行联合信号处理,可以估计目标的方位[4,5,6]。单个矢量水听器具有体积小、布放方式简单和隐蔽性好等诸多优点,越来越受到国内外科研院所及军事机构的关注。
在目标方位估计的基础上,经过连续时间的累积分析,可以实现目标跟踪。通常采用以下算法[6],首先,在共轭互谱的基础上对每一个频点进行方位估计;其次,对所有频点的估计方位进行加权直方图统计,得到某一时刻的方位估计曲线,曲线最大值对应的方位即为目标方位估计值;最后,经过连续时间的累计,得到方位历程图,实现目标跟踪。张维等[7]利用卡尔曼滤波处理加权直方图统计的结果,实现目标跟踪,算法中目标运动初值的设定会干扰目标跟踪的效果,虽然通过长时间的迭代,初值的影响会逐渐消失,但对于近场、短时或轨迹相似的目标,这种算法并不适用。崔浩等[8]采用骨架跟踪处理方位历程图,实现目标跟踪,算法对综合能量较强目标的跟踪效果较好,但对综合能量较弱目标,即方位历程图中不可辨识的轨迹,无法进行有效地跟踪。
此外,在求取方位历程图的过程中,上述目标跟踪算法均使用了加权直方图统计,这种方式为突出线谱能量的贡献,将三维信息(频点,谱强度和方位)简化为二维信息(谱强度和方位),丢失了频点信息,不利于目标的特征分析。
发明内容
为了解决现有技术中存在的技术问题,本发明以单个矢量水听器作为接收系统,提出基于波达方向估计的多目标跟踪方法。该方法通过跟踪具有线谱特征的频点的方位,实现频点轨迹跟踪,然后通过频点轨迹聚类,实现多目标的跟踪。
采用频点、方位及能量信息构建频点轨迹数据;实时更新频点轨迹集合;
采用轨迹聚类的方式,将方位相近、运动趋势相似的频点轨迹聚类为一个目标,实现多目标的跟踪。
进一步地,所述频点轨迹数据的结构为:
其中,frequency是频点值,time是频点出现时间(相对时间),energy是频点的能量序列,azimuth是频点的方位序列,length是频点轨迹的长度。
作为本发明的一种优选方式,所述频点轨迹集合的更新包括频点轨迹的新建、更新和删除。
作为本发明的一种优选方式,所述轨迹聚类包括:频点轨迹筛选,通过设置频点轨迹长度的最小值,将满足要求的频点轨迹,加入待聚类的频点轨迹集合中;
计算待聚类的频点轨迹集合中每对频点轨迹的相似度,组成相似度矩阵。
设定聚类阈值,将相似度小于等于聚类阈值的频点聚为一类,组成一个目标;遍历整个相似度矩阵,得到频点聚类结果;
根据频点聚类结果进行目标轨迹聚类。
进一步地,所述目标轨迹数据的结构为:
其中,frequency是目标的频点序列,time是目标出现时间(相对时间),energy是目标的能量序列,azimuth是目标的方位序列,length是目标轨迹的长度。
进一步地,目标轨迹的聚类包括目标出现时间、目标频点、目标能量序列、目标方位序列和目标长度的聚类。
作为本发明的一种优选方式,从功率谱中提取线谱时,采用高斯平滑滤波器,提取连续谱分量的趋势项。
进一步地,为了克服在谱边界由于数据量小而导致的平滑失真的现象,采用最小二乘法提取边界趋势项。
本发明的多目标跟踪方法,以单个矢量水听器作为接收系统,通过跟踪具有线谱特征的频点的方位,实现频点轨迹跟踪,然后通过频点轨迹聚类,实现多目标的跟踪。与现有的目标跟踪算法相比,不仅能对多个远场或近场目标进行实时跟踪,而且能在跟踪能量较强的目标的同时,有效的跟踪能量较弱的目标。
附图说明
图1是本发明实施例的基于单矢量水听器波达方向估计的多目标跟踪方法流程图;
图2是频点轨迹跟踪流程图;
图3是频点轨迹聚类目标跟踪流程图;
图4是采用本发明的多目标跟踪方法进行试验的方案示意图;
图5是试验期间的方位历程图;
图6是1个时间片(20s)的加权直方图;
图7是试验期间的LOFAR图;
图8是多目标的跟踪结果示意图。
具体实施方式
为了便于理解本发明,下面结合附图和具体实施例,对本发明进行更详细的说明。附图中给出了本发明的较佳的实施例。但是,本发明可以以许多不同的形式来实现,并不限于本说明书所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。
本实施例提供的是一种多目标跟踪方法,流程如图1所示,具体步骤如下所述:
一、以单个矢量水听器作为接收系统,对单矢量传感器的声压通道和振速通道水平分量进行处理,计算P通道和Vx通道的共轭互谱,得到声强流谱IRx(f):
计算P通道和Vy通道的共轭互谱,得到声强流谱IRy(f):
对每一个频点进行方位估计,得到频点方位θ(f),方位估计的表达式为:
二、频点轨迹跟踪
目标辐射噪声在低频段具有丰富且稳定的线谱成分,而且可以传播相当远的距离。通过分析功率谱强度,可以得到具有线谱特征的频点。将频点映射到方位估计结果中,可以得到对应的方位信息。因为目标处于时变系统中,存在出生、运动和消亡三个状态,所以,本发明的多目标跟踪方法始终维持一个动态变化的频点轨迹集合。在集合中,频点轨迹可出生(新建),可运动(更新),也可消亡(删除),其流程见图2,具体步骤和原理如下:
1.线谱提取和方位映射
功率谱中不仅有线谱成分,也有连续谱噪声和其它噪声成分,并且部分线谱叠加在连续谱上,因此在线谱提取时,需要先将趋势项从功率谱中去除。本文采用高斯平滑滤波器,提取连续谱分量的趋势项,同时为了克服在谱边界由于数据量小而导致的平滑失真的现象,采用最小二乘法提取边界趋势项。
根据频点方位θ(f),映射频点对应的方位估计值,得到频点、能量、方位序列FEA(fi,ei,ai),i=1,...,n。
2.构建频点轨迹数据
由图2可知,频点轨迹集合是一个动态变化的集合,频点轨迹集合的更新包含了频点轨迹的新建、删除和更新。因此,需要设计良好的频点轨迹的数据结构,以适应集合的动态变化。
频点轨迹数据结构设计如下:
其中,frequency是频点值,time是频点出现时间(相对时间),energy是频点的能量序列,azimuth是频点的方位序列,length是频点轨迹的长度。
频点轨迹集合FreSet(j),j=0,...,m中的每一个频点轨迹都是其数据结构的实例化对象。
3.更新或新建频点轨迹
设算法执行到T时间片。
a)更新能量序列,FreSet(j).energy(length+1)=ei;
b)更新方位序列,FreSet(j).azimuth(length+1)=ai;
c)更新频点轨迹的长度,FreSet(j).length=FreSet(j).length+1。
a)新建频点值,FreSet(m+1).frequency=fi;
b)新建频点出现的相对时间片,FreSet(m+1).time=T;
c)新建频点能量序列,FreSet(m+1).energy(1)=ei;
d)新建频点方位序列,FreSet(m+1).azimuth(1)=ai;
e)新建频点轨迹的长度,FreSet(m+1).length=1。
4.保留或删除频点轨迹
设算法执行到T时间片。
A.当FreSet(j).time+FreSet(j).length=T-1时,保留该频点轨迹。
B.当FreSet(j).time+FreSet(j).length<T-1时,删除该频点轨迹。
三、多目标跟踪
目标辐射噪声可能包含若干个稳定的具有线谱特征的频点。在频点轨迹集合中表现为:存在若干个频点轨迹对象,它们频点值不同,开始时间不同,能量不同,长度不同。但在时间重叠的部分,具有方位相近和运动趋势相似的特征,可以通过轨迹聚类的方式,聚类为一个目标,其流程见图3。
1.频点轨迹筛选
由于非目标噪声的干扰,功率谱能量强度中可能有“伪目标”线谱。这些线谱成分在一个时间片的频点轨迹算法中无法有效剔除,会导致频点轨迹集合中包含“伪频点轨迹”对象。通过分析已知的“伪频点轨迹”,其均具有强烈的时变特征,无法长时间保持。
因此,通过设置频点轨迹长度的最小值α,将满足要求的频点轨迹,加入待聚类的频点轨迹集合ClassifySet中,可有效地降低非目标噪声产生的干扰。具体为:
A.当FreSet(j).length≥α时,将FreSet(j)加入ClassifySet,并保留到下个时间片。
B.当FreSet(j).length<α时,FreSet(j)待定,保留到下个时间片。
2.频点轨迹相似度计算和目标频点聚类
计算ClassifySet中每对频点轨迹的相似度,组成相似度矩阵供目标频点聚类使用。由于ClassifySet中频点轨迹的开始时间不同,所以首先需要确定频点轨迹的重叠部分,设两个频点轨迹分别为ClassifySet(x)和ClassifySet(y),两者重叠部分的开始时间startTime和结束时间endTime通过以下公式进行计算。
startTime=max(ClassifySet(x).time,ClassifySet(y).time)
endTime=min(ClassifySet(x).time+ClassifySet(x).length-1,ClassifySet(y).time+ClassifySet(y).length-1)
任意两个频点轨迹的相似度SI计算公式为:
设定聚类阈值thr,将满足下述条件的频点聚为一类,组成一个目标target。
通过遍历整个相似度矩阵,得到频点聚类结果。
3.目标轨迹数据结构
一个目标轨迹包含一到多个频点轨迹。因此,目标轨迹的数据结构需要包含频点轨迹数据结构的综合信息。目标轨迹集合TargetSet(i),i=0,...,n中的每一个目标轨迹都是其数据结构的实例化对象。
目标轨迹数据结构设计如下:
其中,frequency是目标的频点序列,time是目标出现时间(相对时间),energy是目标的能量序列,azimuth是目标的方位序列,length是目标轨迹的长度。
4.目标轨迹聚类
根据频点聚类结果进行目标轨迹聚类,设算法执行到T时间片:
A.当目标轨迹TargetSet(a)中包含频点(f1,...,fn),n=1时:
a)目标频点序列中仅含一个频点
TargetSet(a).frequency=[ClassifySet(fn).frequency]
b)目标出现时间等于频点出现时间
TargetSet(a).time=ClassifySet(fn).time
c)目标能量序列等于频点能量序列
TargetSet(a).energy=ClassifySet(fn).energy
d)目标方位序列等于频点方位序列
TargetSet(a).azimuth=ClassifySet(fn).azimuth
e)目标轨迹长度等于频点轨迹长度
TargetSet(a).length=ClassifySet(fn).length
B.当目标轨迹Targe Set(a)中包含频点(f1,...,fn),n>1时:
a)目标频点序列中含n个频点
TargetSet(a).frequency=[ClassifySet(f1).frequency,...,ClassifySet(fn).frequency]
b)目标出现时间等于频点出现时间的最小值
TargetSet(a).time=min(ClassifySet(f1).time,...,ClassifySet(fn).time)
c)目标能量序列等于频点能量加权拟合值
其中,若TargetSet(a).time+i-1<ClassifySet(fk).time,则ClassifySet(fk).energy(i)=0。
d)目标方位序列等于频点方位加权拟合值
其中,若TargetSet(a).time+i-1<ClassifySet(fk).time,则ClassifySet(fk).energy(i)=0,且ClassifySet(fk).azimuth(i)=0。
e)目标轨迹长度等于频点轨迹长度的最大值
TargetSet(a).length=max(ClassifySet(f1).length,...,ClassifySet(fn).length)。
采用本发明的基于单矢量水听器波达方向估计的多目标跟踪方法进行试验,详情如下:
试验方案如图4所示,潜标位置设为坐标原点,布放海域深度约75米。在试验中,目标1(大型目标)在向西北方向远离潜标,速度为4-6节;目标2(小型目标)在潜标南侧向西北方向运动,速度为6~8节。本发明的多目标跟踪方法能够持续跟踪输出2个目标的方位轨迹。
图5为试验期间的方位历程图,横坐标是时间,分辨率为20s。纵坐标是方位,分辨率是1°。目标1的辐射噪声较大,且距离潜标较近,目标2的辐射噪声较小,且距离潜标较远,因此图5主要体现了目标1的方位历程。
由1个时间片(20s)的加权直方图方位估计结果更容易看出2个目标之间的差异。如图6所示,横轴是方位,分辨率是1°,纵轴是统计得到的各方位的加权频数(已按最大值归一化)。图中最高峰的位置出现在340°,是目标1的方位,而此时目标2的方位是180°,在图中很难体现为峰值。
但从试验期间的LOFAR图中,除了279Hz、294Hz和309Hz处具有连续的强谱线外,在71Hz和121Hz处也具有连续的线谱特征,如图7所示。多目标跟踪算法通过跟踪具有线谱特征的频点的方位和聚类相近的频点轨迹,输出目标轨迹和目标特征频点,实现多目标的跟踪,如图8所示。
试验结果表明,本发明的多目标跟踪方法能对多个远场或近场目标进行实时跟踪,在输出方位的同时输出特征频点;能在跟踪能量较强的目标的同时,有效的跟踪能量较弱的目标。与张维等的算法相比,本方法在目标跟踪效果方面更具优势。
参考文献
1.李启虎,李敏,杨秀庭.水下目标辐射噪声中单频信号分量的检测:理论分析[J].声学学报(中文版),2008(03):193-196.
2.徐灵基,杨益新.水下运动目标线谱噪声源识别方法研究[J].电子与信息学报,2014,36(05):1119-1125.
3.李海涛,王易川,孙世林,程玉胜,程健.基于矢量线阵的目标低频线谱提取方法[J/OL].应用声学:1-8[2019-12-30].http://kns.cnki.net/kcms/detail/11.2121.O4.20191119.1420.002.htm.
4.惠俊英,刘宏,余华兵,范敏毅.声压振速联合信息处理及其物理基础初探[J].声学学报,2000;25(4):303-307.
5.惠俊英,李春旭,梁国龙,刘宏.声压和振速联合信号处理抗相干干扰[J].声学学报,2000;25(5):389-394.
6.姚直象,惠俊英,殷敬伟,杨娟.基于单矢量水听器四种方位估计方法[J].海洋工程,2006;24(1):122-131.
7.张维,尚玲.单矢量水听器水中多目标方位跟踪方法[J].国防科技大学学报,2017,39(2):114-119.
8.Hao Cui.Multi-Target Tracking Algorithm in DOA Matrix[C].中国自动化学会控制理论专业委员会.第37届中国控制会议论文集(C).中国自动化学会控制理论专业委员会:中国自动化学会控制理论专业委员会,2018:800-804.
9.陶笃纯.噪声和振动谱中线谱的提取和连续谱平滑[J].声学学报,1984(06):337-344.
Claims (6)
采用频点、方位及能量信息构建频点轨迹数据;实时更新频点轨迹集合;所述频点轨迹数据的结构为:
其中,frequency是频点值,time是频点出现的相对时间,energy是频点的能量序列,azimuth是频点的方位序列,length是频点轨迹的长度;
采用轨迹聚类的方式,将方位相近、运动趋势相似的频点轨迹聚类为一个目标,实现多目标的跟踪;所述轨迹聚类具体包括:
根据频点轨迹长度,筛选频点轨迹,将满足要求的频点轨迹,加入待聚类的频点轨迹集合中;
计算待聚类的频点轨迹集合中每对频点轨迹的相似度,组成相似度矩阵;
设定相似度聚类阈值,遍历整个相似度矩阵,将相似度小于等于聚类阈值的频点聚为一类,组成一个目标轨迹数据,得到频点聚类结果;
根据频点聚类结果进行目标轨迹聚类。
2.根据权利要求1所述的基于单矢量水听器波达方向估计的多目标跟踪方法,其特征在于,频点轨迹集合的更新包括频点轨迹的更新、新建或删除。
4.根据权利要求3所述的基于单矢量水听器波达方向估计的多目标跟踪方法,其特征在于,目标轨迹的聚类包括目标出现时间、目标频点、目标能量序列、目标方位序列和目标长度的聚类。
5.根据权利要求1-4任一项所述的基于单矢量水听器波达方向估计的多目标跟踪方法,其特征在于,从功率谱中提取线谱时,采用高斯平滑滤波器,提取连续谱分量的趋势项。
6.根据权利要求1-4任一项所述的基于单矢量水听器波达方向估计的多目标跟踪方法,其特征在于,采用最小二乘法提取边界趋势项。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010219128.2A CN111505567B (zh) | 2020-03-25 | 2020-03-25 | 基于单矢量水听器波达方向估计的多目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010219128.2A CN111505567B (zh) | 2020-03-25 | 2020-03-25 | 基于单矢量水听器波达方向估计的多目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111505567A CN111505567A (zh) | 2020-08-07 |
CN111505567B true CN111505567B (zh) | 2022-09-06 |
Family
ID=71874133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010219128.2A Active CN111505567B (zh) | 2020-03-25 | 2020-03-25 | 基于单矢量水听器波达方向估计的多目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111505567B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114578368B (zh) * | 2022-03-01 | 2022-09-23 | 哈尔滨工程大学 | 一种基于目标方位与线谱的小平台水声被动探测信息融合方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101719220A (zh) * | 2009-12-02 | 2010-06-02 | 北京航空航天大学 | 基于有向截尾均值距离的轨迹聚类方法 |
CN103760520A (zh) * | 2013-12-25 | 2014-04-30 | 北京大学深圳研究生院 | 一种基于avs和稀疏表示的单语者声源doa估计方法 |
CN103778647A (zh) * | 2014-02-14 | 2014-05-07 | 中国科学院自动化研究所 | 一种基于层次超图优化的多目标跟踪方法 |
CN107884761A (zh) * | 2017-11-22 | 2018-04-06 | 中南大学 | 基于能量算子的多普勒穿墙雷达定位方法 |
CN109407045A (zh) * | 2018-10-10 | 2019-03-01 | 苏州大学 | 一种非均匀传感器阵列宽带信号波达方向估计方法 |
CN110244260A (zh) * | 2019-06-17 | 2019-09-17 | 杭州电子科技大学 | 基于声能流矢量补偿的水下目标高精度doa估计方法 |
-
2020
- 2020-03-25 CN CN202010219128.2A patent/CN111505567B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101719220A (zh) * | 2009-12-02 | 2010-06-02 | 北京航空航天大学 | 基于有向截尾均值距离的轨迹聚类方法 |
CN103760520A (zh) * | 2013-12-25 | 2014-04-30 | 北京大学深圳研究生院 | 一种基于avs和稀疏表示的单语者声源doa估计方法 |
CN103778647A (zh) * | 2014-02-14 | 2014-05-07 | 中国科学院自动化研究所 | 一种基于层次超图优化的多目标跟踪方法 |
CN107884761A (zh) * | 2017-11-22 | 2018-04-06 | 中南大学 | 基于能量算子的多普勒穿墙雷达定位方法 |
CN109407045A (zh) * | 2018-10-10 | 2019-03-01 | 苏州大学 | 一种非均匀传感器阵列宽带信号波达方向估计方法 |
CN110244260A (zh) * | 2019-06-17 | 2019-09-17 | 杭州电子科技大学 | 基于声能流矢量补偿的水下目标高精度doa估计方法 |
Non-Patent Citations (1)
Title |
---|
单矢量水听器水中多目标方位跟踪方法;张维等;《国防科技大学学报》;20170428(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111505567A (zh) | 2020-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106842128B (zh) | 运动目标的声学跟踪方法及装置 | |
CN110146846B (zh) | 一种声源位置估计方法、可读存储介质及计算机设备 | |
CN108957403B (zh) | 一种基于广义互相关的高斯拟合包络时延估计方法及系统 | |
CN110133580B (zh) | 一种随机共振增强的声矢量信号定向方法 | |
CN106019254A (zh) | 一种uwb冲击生物雷达多人体目标距离向分离辨识方法 | |
CN110501683B (zh) | 一种基于四维数据特征的海陆杂波分类方法 | |
CN104101876A (zh) | 外辐射源雷达中一种基于随机有限集的多目标跟踪方法 | |
CN111505567B (zh) | 基于单矢量水听器波达方向估计的多目标跟踪方法 | |
CN106950531B (zh) | 基于频域时间反转的雷电多源定向方法 | |
Tan et al. | A new method for multipath interference suppression in through-the-wall UWB radar imaging | |
Ramos et al. | A spectral subtraction based algorithm for real-time noise cancellation with application to gunshot acoustics | |
CN113866836A (zh) | 一种基于归一化磁异常导数标准差的多目标边界识别方法 | |
CN108564962A (zh) | 基于四面体麦克风阵列的无人机声音信号增强方法 | |
Ma et al. | Poles extraction of underwater targets based on matrix pencil method | |
CN115327483B (zh) | 一种基于盲提取的雷达主瓣干扰抑制方法 | |
CN115166817B (zh) | 一种基于冰层模态群慢度差特征的冰声定位方法 | |
CN112114286B (zh) | 基于线谱生命周期和单矢量水听器的多目标跟踪方法 | |
CN112731283B (zh) | 基于多级维纳滤波器的高亚音速飞行目标声学测向方法 | |
CN110109087A (zh) | 一种声纳不规则探测范围显示方法及系统 | |
Luo et al. | GPR clutter reduction and buried target detection by improved Kalman filter technique | |
CN111079929A (zh) | 基于神经计算的短波单站多目标地理坐标快速估计方法 | |
Ramos et al. | A modified spectral subtraction algorithm for real-time noise reduction applied to gunshot acoustics | |
CN109188473A (zh) | 基于盲分离技术的北斗卫星微弱信号高精度快速捕获方法 | |
CN112363106B (zh) | 基于量子粒子群的信号子空间波达方向检测方法及系统 | |
Wang et al. | Track Before Detect for Low Frequency Active Towed Array Sonar |
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 |