CN111537982A - 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
CN111537982A
CN111537982A CN202010381433.1A CN202010381433A CN111537982A CN 111537982 A CN111537982 A CN 111537982A CN 202010381433 A CN202010381433 A CN 202010381433A CN 111537982 A CN111537982 A CN 111537982A
Authority
CN
China
Prior art keywords
array
delay difference
time delay
difference vector
line spectrum
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
CN202010381433.1A
Other languages
English (en)
Other versions
CN111537982B (zh
Inventor
武其松
张昊
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 CN202010381433.1A priority Critical patent/CN111537982B/zh
Publication of CN111537982A publication Critical patent/CN111537982A/zh
Application granted granted Critical
Publication of CN111537982B publication Critical patent/CN111537982B/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
    • G01S7/52003—Techniques for enhancing spatial resolution of targets
    • 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

Landscapes

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

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；2、基于理想波束形成粗略估计目标方位；3、检测目标信号的L个功率最大的频率，计算强线谱阵列相对时延差向量Γl；4、将L个强线谱阵列相对时延差向量Γl拟合为L个曲线；5、使用基于Frechet距离的层次聚类算法对L个曲线进行分类得到分类簇集合；6、选择分类结果中线谱最多的类，获取消除强干扰影响的阵列相对时延差向量估计Γ′；7、基于估计时延获取目标跟踪波束，通过傅里叶变换获得保真增强的线谱特征。该方法通过拟合‑分层聚类消除了强干扰线谱对时延估计的影响，基于估计时延获得目标辐射噪声跟踪波束，在多目标强干扰水声环境下实现基于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
与传统的舰壳声呐相比，拖曳线列阵一方面由于不受艇体几何尺寸制约，可布放更多水听器，增加声呐孔径，具有接收低频乃至甚低频声波的能力；另一方面，由于拖曳线列阵远离工作母船，减小了平台噪声影响，显著提高了接收信噪比；这些特点极大地提升了拖曳声呐的探测能力。然而由于拖曳线阵的声学段通常是柔性的。实际应用中拖缆布放到水中后，受海流、风浪、母船机动等众多因素的影响，阵形必然会产生畸变，偏离理想的阵形状态。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。有源校正算法通过在空间设置方位精确已知的辅助信源对阵列参数进行离线估计，由于无需对信号源方位进行估计，所以其运算量较小。但算法也对辅助信号源的方位信息的精确有较高要求，所以当辅助信号源的方位信息有偏差时，这类算法会带来阵形估计的误差，由于拖曳阵处于机动状态下，辅助信号源方法适用性受限。
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。
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。
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 BDA0002482225310000021
Figure BDA0002482225310000022
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 BDA0002482225310000023
计算L个强线谱的阵列相对时延差向量Γl；L为估计线谱的数目；
(4)将L个强线谱的阵列相对时延差向量Γl中l作为横坐标，Γl作为纵坐标，拟合为L个曲线linel；
(5)使用基于Frechet距离的层次聚类算法对L个曲线linel进行分类，分类簇集合为C＝{c1，c2，....ck，....cK}；其中ck表示第k类所包含的强线谱时延差向量拟合曲线段，K为总分类数；
(6)选择分类结果中线谱最多的类，获取消除强干扰影响的阵列相对时延差向量估计Γ′；
(7)基于估计时延获取目标跟踪波束
Figure BDA0002482225310000024
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 BDA0002482225310000025
Figure BDA0002482225310000026
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 BDA0002482225310000031
l＝1，2，...，L，计算L个强线谱的阵列相对时延差向量Γl；L为估计线谱的数目；
曲线拟合模块，用于根据强线谱的阵列相对时延差向量Γl拟合得到曲线linel；
曲线聚类模块，用于计算各拟合曲线linel两两之间的Frechet距离，并进行分层聚类，得到分类簇集合；
阵列相对时延差估计值获取模块，用于获取消除强干扰影响的阵列相对时延差向量估计Γ′；
线谱特征增强模块，用于获取目标跟踪波束
Figure BDA0002482225310000032
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，本发明公开的线谱特征增强方法具有以下优点：波束形成直接从接收到的阵元数据估计线谱，基于拟合层次距离消除强干扰信号影响，实现了在多目标强干扰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为实施例一中强线谱时延以及分类图；
图6为基于理想位置的跟踪波束频谱以及本发明方法校正后的跟踪目标频谱的对比图；
图7为实施例一畸变拖曳阵线谱特征增强系统的组成图；
图8为实施例二中线谱幅度相对误差的对比图。
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，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60个阵元，即M＝60，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 BDA0002482225310000041
Figure BDA0002482225310000042
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 BDA0002482225310000043
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 BDA0002482225310000044
(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 BDA0002482225310000045
基于理想阵形的波束形成如图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 BDA0002482225310000046
步骤3、检测目标信号的L个功率最大的频率
Figure BDA0002482225310000047
计算L个强线谱的阵列相对时延差向量Γl；L为估计线谱的数目，本实施例中取值为12；
(3.1)根据粗估计的目标方位
Figure BDA0002482225310000048
计算各阵元的时延估计
Figure BDA0002482225310000049
Figure BDA00024822253100000410
其中v是声音在水中的传播速度，d为相邻阵元间的距离；
(3.2)将各阵元数据按时延估计
Figure BDA0002482225310000051
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 BDA0002482225310000052
(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 BDA0002482225310000053
(3.4)计算拖曳阵中每个阵元在频率
Figure BDA0002482225310000054
处的相位，第i个阵元在频率
Figure BDA0002482225310000055
处的相位为
Figure BDA0002482225310000056
其中Phase[·]为计算信号相位运算，
Figure BDA0002482225310000057
为第i个阵元的观测信号xi(t)在
Figure BDA0002482225310000058
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 BDA0002482225310000059
其中
Figure BDA00024822253100000510
和
Figure BDA00024822253100000511
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、将L个强线谱的阵列相对时延差向量Γl中l作为横坐标，Γl作为纵坐标，拟合为L个曲线linel；
本实施例中采用多项式拟合，得到L个曲线linel，l＝1，2，...，L。
步骤5、使用基于Frechet距离的层次聚类算法对L个曲线linel进行分类，分类簇集合为C＝{c1，c2，....ck，....cK}；其中ck表示第k类所包含的强线谱时延差向量拟合曲线段，K为总分类数；
(5.1)计算L个曲线linel两两之间的Frechet距离，构成矩阵
Figure BDA00024822253100000512
Figure BDA00024822253100000513
其中fij表示第i个强线谱阵列相对时延差向量拟合曲线段与第j个强线谱阵列相对时延差向量拟合曲线段之间的Frechet距离；
(5.2)以Frechet距离矩阵F作为距离矩阵，进行层次聚类，对L个强线谱时延差向量拟合曲线段进行分类得到分类簇C＝{c1，c2，....ck，....cK}，其中ck表示第k类所包含的强线谱时延差向量拟合曲线段，K为总分类数。
步骤6、选择分类结果中线谱最多的类，获取消除强干扰影响的阵列相对时延差向量估计Γ′；
(6.1)选择C中包含强线谱时延差向量拟合曲线段最多的类别，记为cmax；
(6.2)取cmax中包含的强线谱时延差向量拟合曲线段相同横坐标处纵坐标的平均值，得到去除干扰的阵列相对时延差向量估计Γ′＝[Γ′1，…，Γ′i，…，Γ′M]，其中Γ′i表示第i个阵元与参考阵元的时延差估计值。
图4中给出了畸变拖曳阵阵元间的目标方位真实时延、干扰目标方位真实时延以及使用本方法估计出的阵元时延。从图中可以看出，本发明公开的方法能够有效地估计出畸变拖曳线列阵阵元的时延并减少干扰线谱以及低信噪比线谱信号的影响。
图5给出了12个强线谱阵列时延向量拟合曲线段linel对应的频率
Figure BDA0002482225310000062
以及分类情况，本发明中，层次聚类的目的是分离目标信号和干扰信号，即分类总数K＝2。如图5所示，12个拟合曲线分为两类，其中频率为100Hz、180Hz、260Hz所对应的3个拟合曲线为一类，即类别1，其余9个拟合曲线为另一类，即类别2。类别2中的拟合曲线即为cmax。两类中的时延点数，即每一个阵元与参考阵元的时延差分别用直线和带星直线表示。从图中可以看出，本发明公开的方法能够明显将目标信号与干扰信号分离。
步骤7、基于估计时延获取目标跟踪波束
Figure BDA0002482225310000063
通过傅里叶变换获得保真增强的线谱特征。
由消除强干扰影响的阵列相对时延差向量估计Γ′，获得目标跟踪波束
Figure BDA0002482225310000064
Figure BDA0002482225310000061
其中Γ′i为向量Γ′的第i个元素；
对目标跟踪波束
Figure BDA0002482225310000065
进行傅里叶变换，得到增强线谱特征。
图6给出了原始数据频谱分别采用常规波束形成(Conventional Beam Forming，CBF)后做FFT的频谱以及采用本发明公开的方法获取的跟踪目标频谱的对比图。从图中可以看出，与常规的波束形成方法相比，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7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，用于粗略估计目标方位
Figure BDA0002482225310000071
Figure BDA0002482225310000072
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，用于检测目标信号的L个功率最大的频率
Figure BDA0002482225310000073
l＝1，2，...，L，计算L个强线谱的阵列相对时延差向量Γl；L为估计线谱的数目；
曲线拟合模块4，用于根据强线谱的阵列相对时延差向量Γl拟合得到曲线linel；
曲线聚类模块5，用于计算各拟合曲线linel两两之间的Frechet距离，并进行分层聚类，得到分类簇集合；
阵列相对时延差估计值获取模块6，用于获取消除强干扰影响的阵列相对时延差向量估计Γ′；
线谱特征增强模块7，用于获取目标跟踪波束
Figure BDA0002482225310000077
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，-20dB＜s＜0dB，得到不准确的阵列相对时延向量
Figure BDA0002482225310000074
在步骤4中，以
Figure BDA0002482225310000075
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 BDA0002482225310000076
Al表示原始数据频谱在第l个线谱位置处的幅度，PAl表示估计波束形成频谱在第l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下与常规波束形成CBF的线谱幅度相对误差进行对比，结果如图8所示。从图中可以看出，随着信噪比提高，本发明公开的方法误差逐渐较小，线谱特征得到增强；而采用常规波束形成的方法由于其没有有效的阵形校正能力，随着信噪比的提高，其重建误差随信噪比变化很小，线谱特征没有增强。

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 FDA0002482225300000011
Figure FDA0002482225300000012
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 FDA0002482225300000013
计算L个强线谱的阵列相对时延差向量Γl；L为估计线谱的数目；
(4)将L个强线谱的阵列相对时延差向量Γl中l作为横坐标，Γl作为纵坐标，拟合为L个曲线linel；
(5)使用基于Frechet距离的层次聚类算法对L个曲线linel进行分类，分类簇集合为C＝{c1，c2，....ck，....cK}；其中ck表示第k类所包含的强线谱时延差向量拟合曲线段，K为总分类数；
(6)选择分类结果中线谱最多的类，获取消除强干扰影响的阵列相对时延差向量估计Γ′；
(7)基于估计时延获取目标跟踪波束
Figure FDA0002482225300000014
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 FDA0002482225300000015
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 FDA0002482225300000016
(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 FDA0002482225300000017
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 FDA0002482225300000021
计算各阵元的时延估计
Figure FDA00024822253000000215
Figure FDA0002482225300000022
其中v是声音在水中的传播速度，d为相邻阵元间的距离；
(3.2)将各阵元数据按时延估计
Figure FDA00024822253000000216
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 FDA0002482225300000023
(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 FDA0002482225300000024
(3.4)计算拖曳阵中每个阵元在频率
Figure FDA0002482225300000025
处的相位，第i个阵元在频率
Figure FDA0002482225300000026
处的相位为
Figure FDA0002482225300000027
其中Phase[·]为计算信号相位运算，
Figure FDA0002482225300000028
为第i个阵元的观测信号xi(t)在
Figure FDA0002482225300000029
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 FDA00024822253000000210
其中
Figure FDA00024822253000000211
和
Figure FDA00024822253000000212
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)中采用多项式拟合，得到L个曲线linel，l＝1，2，...，L。
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：
(5.1)计算L个曲线linel两两之间的Frechet距离，构成矩阵
Figure FDA00024822253000000213
Figure FDA00024822253000000214
其中fij表示第i个强线谱阵列相对时延差向量拟合曲线段与第j个强线谱阵列相对时延差向量拟合曲线段之间的Frechet距离；
(5.2)以Frechet距离矩阵F作为距离矩阵，进行层次聚类，对L个强线谱时延差向量拟合曲线段进行分类得到分类簇C＝{c1，c2，....ck，....cK}，其中ck表示第k类所包含的强线谱时延差向量拟合曲线段，K为总分类数。
6.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(6)包括：
(6.1)选择C中包含强线谱时延差向量拟合曲线段最多的类别，记为cmax；
(6.2)取cmax中包含的强线谱时延差向量拟合曲线段相同横坐标处纵坐标的平均值，得到去除干扰的阵列相对时延差向量估计Γ′＝[Γ′1，…，Γ′i，…，Γ′M]，其中Γ′i表示第i个阵元与参考阵元的时延差估计值。
7.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(7)包括：
由消除强干扰影响的阵列相对时延差向量估计Γ′，获得目标跟踪波束
Figure FDA0002482225300000031
Figure FDA0002482225300000032
其中Γ′i为向量Γ′的第i个元素；
对目标跟踪波束
Figure FDA0002482225300000033
进行傅里叶变换，得到增强线谱特征。
8.一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 FDA0002482225300000034
Figure FDA0002482225300000035
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 FDA0002482225300000036
l＝1，2，...，L，计算L个强线谱的阵列相对时延差向量Γl；L为估计线谱的数目；
曲线拟合模块，用于根据强线谱的阵列相对时延差向量Γl拟合得到曲线linel；
曲线聚类模块，用于计算各拟合曲线linel两两之间的Frechet距离，并进行分层聚类，得到分类簇集合；
阵列相对时延差估计值获取模块，用于获取消除强干扰影响的阵列相对时延差向量估计Γ′；
线谱特征增强模块，用于获取目标跟踪波束
Figure FDA0002482225300000041
通过傅里叶变换获得保真增强的线谱特征。
9.根据权利要求8所述的畸变拖曳阵线谱特征增强系统，其特征在于，所述曲线聚类模块对拟合曲线进行分类，得到分类簇集合的步骤包括：
(5.1)计算L个曲线linel两两之间的Frechet距离，构成矩阵
Figure FDA0002482225300000042
Figure FDA0002482225300000043
其中fij表示第i个强线谱阵列相对时延差向量拟合曲线段与第j个强线谱阵列相对时延差向量拟合曲线段之间的Frechet距离；
(5.2)以Frechet距离矩阵F作为距离矩阵，进行层次聚类，对L个强线谱时延差向量拟合曲线段进行分类得到分类簇C＝{c1，c2，....ck，....cK}，其中ck表示第k类所包含的强线谱时延差向量拟合曲线段，K为总分类数。
10.根据权利要求8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获取消除强干扰影响的阵列相对时延差向量估计Γ′的步骤包括：
(6.1)选择C中包含强线谱时延差向量拟合曲线段最多的类别，记为cmax；
(6.2)取cmax中包含的强线谱时延差向量拟合曲线段相同横坐标处纵坐标的平均值，得到去除干扰的阵列相对时延差向量估计Γ′＝[Γ′1，…，Γ′i，…，Γ′M]，其中Γ′i表示第i个阵元与参考阵元的时延差估计值。
CN202010381433.1A 2020-05-08 2020-05-08 一种畸变拖曳阵线谱特征增强方法及系统 Active CN111537982B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010381433.1A CN111537982B (zh) 2020-05-08 2020-05-08 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
CN202010381433.1A CN111537982B (zh) 2020-05-08 2020-05-08 一种畸变拖曳阵线谱特征增强方法及系统

Publications (2)

Publication Number Publication Date
CN111537982A true CN111537982A (zh) 2020-08-14
CN111537982B CN111537982B (zh) 2022-04-12

Family

ID=71979289

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010381433.1A Active CN111537982B (zh) 2020-05-08 2020-05-08 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) CN111537982B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113075645A (zh) * 2021-05-18 2021-07-06 东南大学 一种基于主成分分析-密度聚类的畸变阵形线谱增强方法
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
CN113325401A (zh) * 2021-07-06 2021-08-31 东南大学 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
CN115656994A (zh) * 2022-10-08 2023-01-31 哈尔滨工程大学 双基地有源探测拖曳阵阵形实时校准方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140149410A1 (en) * 2012-11-28 2014-05-29 Raytheon Company Method and system for identifying clusters within a collection of data entities
CN107103050A (zh) * 2017-03-31 2017-08-29 海通安恒（大连）大数据科技有限公司 一种大数据建模平台及方法
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
CN111025273A (zh) * 2019-12-03 2020-04-17 东南大学 一种畸变拖曳阵线谱特征增强方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140149410A1 (en) * 2012-11-28 2014-05-29 Raytheon Company Method and system for identifying clusters within a collection of data entities
CN107103050A (zh) * 2017-03-31 2017-08-29 海通安恒（大连）大数据科技有限公司 一种大数据建模平台及方法
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
CN111025273A (zh) * 2019-12-03 2020-04-17 东南大学 一种畸变拖曳阵线谱特征增强方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LIANLIN LI等: ""Tomographic Reconstruction Using the Distorted Rytov Iterative Method With Phaseless Data"", 《IEEE CTEOSCIENCE AND REMOTE SENSINCT LETTERS》 *
徐萍等: ""基于畸变拖曳阵的高保真特征提取方法"", 《声学技术》 *
李永祯等: ""一种基于极化信息的机载拖曳式诱饵存在性检测与抑制方法研究"", 《雷达学报》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN113075645A (zh) * 2021-05-18 2021-07-06 东南大学 一种基于主成分分析-密度聚类的畸变阵形线谱增强方法
CN113075645B (zh) * 2021-05-18 2024-03-08 东南大学 一种基于主成分分析-密度聚类的畸变阵形线谱增强方法
CN113325401A (zh) * 2021-07-06 2021-08-31 东南大学 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
CN113325401B (zh) * 2021-07-06 2024-03-19 东南大学 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
CN115656994A (zh) * 2022-10-08 2023-01-31 哈尔滨工程大学 双基地有源探测拖曳阵阵形实时校准方法
CN115656994B (zh) * 2022-10-08 2023-08-15 哈尔滨工程大学 双基地有源探测拖曳阵阵形实时校准方法

Also Published As

Publication number Publication date
CN111537982B (zh) 2022-04-12

Similar Documents

Publication Publication Date Title
CN111537982B (zh) 一种畸变拖曳阵线谱特征增强方法及系统
CN111025273B (zh) 一种畸变拖曳阵线谱特征增强方法及系统
CN108375763B (zh) 一种应用于多声源环境的分频定位方法
CN108828522B (zh) 一种利用垂直阵lcmv波束形成的水下目标辐射噪声测量方法
CN109799495B (zh) 一种用于高保真阵列处理的宽带时延估计方法
CN107179535A (zh) 一种基于畸变拖曳阵的保真增强波束形成的方法
CN108845325B (zh) 拖曳线列阵声纳子阵误差失配估计方法
CN110197112B (zh) 一种基于协方差修正的波束域Root-MUSIC方法
CN112285720B (zh) 柔性拖曳线列阵声呐噪声目标的方位迹获取方法及装置
CN111812639B (zh) 基于多径判断的阵列雷达复杂地形低仰角估计方法
CN114280541B (zh) 一种基于深海分布式垂直线列阵的目标被动定位方法
CN112630784B (zh) 基于凸优化和神经网络的平面阵列幅相误差校正方法
CN113011006B (zh) 一种基于互相关函数脉冲波形匹配的目标深度估计方法
CN110824429A (zh) 深海环境下利用非同步垂直阵的宽带声源被动定位方法
CN102721966B (zh) 相干类测深声纳正下方高精度测深方法及系统
CN111896913B (zh) 高频雷达单极子/交叉环天线通道增益校准方法及装置
CN111352083B (zh) 一种高频地波雷达多接收通道增益自动校准方法及装置
CN112098938B (zh) 一种基于六元锥矢量阵的水声目标降维匹配声场定位方法
CN107202975A (zh) 一种二维矢量阵阵元姿态误差校正方法
CN116520247A (zh) 根据水下航行器上的水听器来估算目标声源位置的方法
CN109541572B (zh) 一种基于线性环境噪声模型的子空间方位估计方法
CN113820653B (zh) 基于动态和差波束的米波雷达低仰角目标doa估计方法
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
CN110632579B (zh) 一种利用子阵波束域特征的迭代波束形成方法
CN109029387B (zh) 一种波束内拟合多波束测深算法

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