CN113641954B - 一种复杂海洋环境中的三维声场快速预报方法及系统 - Google Patents
一种复杂海洋环境中的三维声场快速预报方法及系统 Download PDFInfo
- Publication number
- CN113641954B CN113641954B CN202110818929.5A CN202110818929A CN113641954B CN 113641954 B CN113641954 B CN 113641954B CN 202110818929 A CN202110818929 A CN 202110818929A CN 113641954 B CN113641954 B CN 113641954B
- Authority
- CN
- China
- Prior art keywords
- vector
- azimuth
- sound field
- orientation
- adaptive
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000013598 vector Substances 0.000 claims abstract description 219
- 238000005070 sampling Methods 0.000 claims abstract description 51
- 239000011159 matrix material Substances 0.000 claims abstract description 43
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 230000008859 change Effects 0.000 claims abstract description 5
- 230000003044 adaptive effect Effects 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 13
- 238000012876 topography Methods 0.000 claims description 9
- 238000007670 refining Methods 0.000 claims description 7
- 238000000638 solvent extraction Methods 0.000 claims description 6
- 238000005192 partition Methods 0.000 claims description 4
- 238000004445 quantitative analysis Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B11/00—Transmission systems employing sonic, ultrasonic or infrasonic waves
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B13/00—Transmission systems characterised by the medium used for transmission, not provided for in groups H04B3/00 - H04B11/00
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Electromagnetism (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种复杂海洋环境中的三维声场快速预报方法及系统,所述方法包括:根据设定的区域范围、采样距离向量和采样方位向量从海深环境数据库中提取方位‑距离极坐标下海深数据矩阵;根据海深数据矩阵,提取各方位海深变化引起的归一化起伏差异系数特征向量;将归一化起伏差异系数特征向量与预先设定的判决门限进行比较,得到自适应方位划分标志向量;根据自适应方位划分标志向量和采样方位向量,生成自适应划分方位向量;根据自适应划分方位向量,得到各方位下并行计算的N×2D三维声场快速预报结果;根据N×2D三维声场快速预报结果,按采样方位向量进行方位维的临近插值细化处理,得到基于环境分析自适应划分的三维声场快速预报结果。
Description
技术领域
本发明涉及水声物理中声场性能预报与声纳使用支持技术领域,尤其涉及一种复杂海洋环境中的三维声场快速预报方法及系统。
背景技术
声场快速预报是水声探测与通信等声纳设备性能实时预报的基础与前提。复杂海洋环境中同一参考点各传播方向的水声环境参数(特别是海底地形)变化普遍存在差异,使得各个方位声传播特性有所不同,对水下探测、通信等声纳系统性能威力图产生重要影响。为了对360度全方位的声纳性能进行预估,需要三维声传播模型(N×2D或3D)进行多方位声场计算,方位划分越细得到的预报结果越精确,但运算量也成倍增大。目前文献中公开的相对成熟的三维传播模型主要有三维射线模型(BELLHOP3D)、三维耦合简正波模型(CMM3D)和三维抛物方程模型(FOR3D)等,这些模型计算声场时,由于考虑了方位耦合的影响,求解过程复杂且运算量大,不利于方位维的并行计算。一般情况下,方位之间的耦合可以忽略,在满足实际实时预报的结果精度要求下,为加快运算速度,一般采用各方位解耦的N×2D弱三维模型以进行方位维的并行计算。目前常用的N×2D三维声场预报模型在进行方位划分时,采用的是固定方位间隔,在一定计算时间和资源要求限制下只能对划分的方位个数进行约束,这样通常导致预报结果精度明显下降。
发明内容
传统固定方位间隔划分的三维声场预报中,方位划分越细得到的预报结果越精确,但计算量也越大,本发明的目的在于克服现有技术缺陷,提出了一种复杂海洋环境中的三维声场快速预报方法及系统。
为了实现上述目的,本发明提出了一种复杂海洋环境中的三维声场快速预报方法,所述方法包括:
根据设定的区域范围、采样距离向量和采样方位向量从海深环境数据库中提取方位-距离极坐标下海深数据矩阵;
根据海深数据矩阵,提取各方位海深变化引起的归一化起伏差异系数特征向量;
将归一化起伏差异系数特征向量与预先设定的判决门限进行比较,得到自适应方位划分标志向量;
根据自适应方位划分标志向量和采样方位向量,生成自适应划分方位向量;
根据自适应划分方位向量,得到各方位下并行计算的N×2D三维声场快速预报结果;
根据N×2D三维声场快速预报结果,按采样方位向量进行方位维的临近插值细化处理,得到基于环境分析自适应划分的三维声场快速预报结果。
作为上述方法的一种改进,所述根据设定的区域范围、采样距离向量和采样方位向量从海深环境数据库中提取方位-距离极坐标下海深数据矩阵;具体包括:
以中心坐标经纬度为[Lon0,Lat0],单位为度,水平距离半径为R,单位为km的圆形区域范围,对海深环境数据库进行查询,并通过插值方式提取方位-距离极坐标下海深数据矩阵Bathy;
所述海深数据矩阵Bathy的行对应距离维坐标下海深,采样距离向量为rSample=0:dr:R,其中,dr为水平距离采样间隔,单位km,Bathy的总行数为的整数部分;所述海深数据矩阵Bathy的列对应方位维坐标下海深,采样方位向量为θSample=0:dθ:(360-dθ),其中,dθ为方位角度采样间隔,单位为度,Bathy的总列数为的整数部分。
作为上述方法的一种改进,所述根据海深数据矩阵,提取各方位海深变化引起的归一化起伏差异系数特征向量;具体包括:
设置特征向量α长度与Bathy的总列数相等,初始化为全0;
根据获取的海深数据矩阵Bathy,提取第j列向量上的数据,作为第j个方位随水平距离变化下的海深向量Hj,然后对Hj起伏程度进行定量分析,通过Hj的方差与均值的比值,得到第j个方位的归一化起伏差异系数αj;
作为上述方法的一种改进,所述将归一化起伏差异系数特征向量与预先设定的判决门限进行比较,得到自适应方位划分标志向量;具体包括:
根据提取的归一化起伏差异系数特征向量α与预先设定的判决门限β,得到自适应方位划分标志向量Flag;
设置标志向量Flag长度与归一化起伏差异系数特征向量α的长度相等,初始化为全0;
对α的第j个值αj与预先设定的判决门限β进行比较:当αj≥β时,自适应方位划分标志向量Flag对应的第j个值flagj=1,用于表示第j个方位所在方向扇面以dθ进行细角度间隔的方位划分;当αj<β时,flagj=0,用于表示第j个方位所在方向扇面以n×dθ进行粗角度间隔的方位划分,其中j为整数,n为整数,n≥2。
作为上述方法的一种改进,所述根据自适应方位划分标志向量和采样方位向量,生成自适应划分方位向量;具体包括:
从采样方位向量θSample中依次提取n的整数倍序号的方位值,构成角度间隔为n×dθ的粗划分方位向量θSparse;
从采样方位向量θSample中依次提取自适应方位划分标志向量Flag中非零项所对应序号的方位值,构成角度间隔为dθ的细划分方位向量θDense;
将粗划分方位向量θSparse和细划分方位向量θDense进行合并,并经过排序与去重后生成自适应划分方位向量θAdapt。
作为上述方法的一种改进,所述根据自适应划分方位向量,得到各方位下并行计算的N×2D三维声场快速预报结果;具体包括:
根据自适应划分方位向量θAdapt,得到各方位下并行计算的N×2D三维声场快速预报结果TLAdapt;
其中,所述声场预报结果TLAdapt为三维数组,第一至三维分别为接收距离、接收深度和接收方位维,并且接收方位维长度与向量θAdapt长度相等。
作为上述方法的一种改进,所述根据N×2D三维声场快速预报结果,按采样方位向量进行方位维的临近插值细化处理,得到基于环境分析自适应划分的三维声场快速预报结果;具体包括:
根据声场预报结果TLAdapt设置全0的三维数组TLInterp,第一维和第二维分别为接收距离和接收深度,上述两维的长度分别与数组TLAdapt对应维度的长度相等;第三维为方位维,长度与θSample长度相等;
一种复杂海洋环境中的三维声场快速预报系统,所述系统包括:海深数据矩阵提取模块、归一化起伏差异系数特征向量提取模块、判决比较模块、自适应划分方位向量生成模块、N×2D三维声场快速预报结果生成模块、结果输出模块;其中,
所述海深数据矩阵提取模块,用于根据设定的区域范围、采样距离向量和采样方位向量从海深环境数据库中提取方位-距离极坐标下海深数据矩阵;
所述归一化起伏差异系数特征向量提取模块,用于根据海深数据矩阵,提取各方位海深变化引起的归一化起伏差异系数特征向量;
所述判决比较模块,用于将归一化起伏差异系数特征向量与预先设定的判决门限进行比较,得到自适应方位划分标志向量;
所述自适应划分方位向量生成模块,用于根据自适应方位划分标志向量和采样方位向量,生成自适应划分方位向量;
所述N×2D三维声场快速预报结果生成模块,用于根据自适应划分方位向量,得到各方位下并行计算的N×2D三维声场快速预报结果;
所述结果输出模块,用于根据N×2D三维声场快速预报结果,按采样方位向量进行方位维的临近插值细化处理,得到基于环境分析自适应划分的三维声场快速预报结果。
与现有技术相比,本发明的优势在于:
1、本发明所提方法基于复杂海洋环境分析自适应方位划分来进行三维声场快速预报,解决了传统固定方位间隔划分带来的水下三维声场预报计算精度与速度之间的突出矛盾,实现了在与固定方位间隔细划分的预报结果精度相当的前提下显著减少运算量;
2、本发明的方法工程实用性强,可为实际应用中的声纳性能三维快速预报分析提供重要途径。
附图说明
图1是本发明的一种复杂海洋环境中的三维声场快速预报方法的方法流程图;
图2是本发明实施例1的典型海底山群海域的海深数据矩阵示意图;
图3是本发明实施例1的各方位海深变化引起的归一化起伏差异系数特征向量曲线示意图;
图4是本发明所提方法的实施例1的各方位海深变化差异特征分析及自适应方位划分标志向量提取示意图;其中图4(a)和图4(b)分别对应于图2和图3,图4(c)表示各方位自适应粗细划分的标志向量;
图5是本发明实施例1的自适应方位划分的三维声场预报结果示意图,收发深度均为150m,其中图5(a)为角度间隔20度与2度自适应划分组合,图5(b)为对图5(a)预报结果按2度角度间隔进行方位维的插值细化;
图6是与本发明实施例1进行对比的传统固定等方位间隔划分的三维声场预报结果示意图,收发深度均为150m,其中图6(a)为角度间隔20度,图6(b)为角度间隔2度。
具体实施方式
由于海深环境变化是影响声场的重要因素之一,本发明提出了基于环境分析自适应方位划分的一种复杂海洋环境中的三维声场快速预报方法,该方法包括:
步骤1)从海深环境数据库中提取方位-距离极坐标下海深数据矩阵;
步骤2)根据获取的海深数据矩阵,提取各方位海深变化引起的归一化起伏差异系数特征向量;
步骤3)根据提取的各方位海深起伏差异系数特征向量与预先设定的判决门限,得到自适应方位划分标志向量;
步骤4)根据自适应方位划分标志向量和采样方位向量,生成自适应划分方位向量;
步骤5)根据生成的自适应划分方位向量,得到其各方位下并行计算的N×2D三维声场快速预报结果;
步骤6)根据声场预报结果,将其按原采样方位向量进行方位维的临近插值细化处理,得到基于环境分析自适应划分的三维声场快速预报结果。
具体步骤如下:
步骤1)从海深环境数据库中提取方位-距离极坐标下海深数据矩阵Bathy;
以中心坐标经纬度为[Lon0,Lat0](单位°)、水平距离半径为R(单位km)的圆形区域范围,对海洋环境海深数据库进行查询,并通过插值方式提取方位-距离极坐标下海深数据矩阵Bathy;
其中,Bathy的行对应距离维坐标下海深,其采样距离向量rSample=0:dr:R,dr为水平距离采样间隔(单位km),Bathy的总行数为的整数部分;Bathy的列对应方位维坐标下海深,其采样方位向量θSample=0:dθ:(360-dθ),dθ为方位角度采样间隔(单位°),Bathy的总列数为的整数部分;
步骤2)根据获取的海深数据矩阵Bathy,提取各方位海深变化引起的归一化起伏差异系数特征向量α;
其中,特征向量α初始化为全0的向量,长度与Bathy的总列数相等;提取Bathy的第j列向量上的数据,作为第j个方位随水平距离变化下的海深向量Hj,然后对Hj起伏程度进行定量分析,即通过Hj的方差与均值的比值,得到第j个方位的归一化起伏差异系数αj;则各方位海底地形变化引起的归一化起伏差异系数特征向量为α,αj为特征向量α的第j个值,其中整数
步骤3)根据提取的各方位海深起伏差异系数特征向量α与预先设定的判决门限β,得到自适应方位划分标志向量Flag;
其中,标志向量Flag初始化为全0的向量,长度与特征向量α的长度相等;当向量α的第j个值αj≥β时,自适应方位划分标志向量Flag对应的第j个值flagj=1,表示为第j个方位所在方向扇面需以细角度间隔dθ来划分方位;反之,当前述αj<β时,对应的flagj=0,表示为第j个方位所在方向扇面可以粗角度间隔n×dθ来划分方位,其中整数n≥2;
步骤4)根据自适应方位划分标志向量Flag和采样方位向量θSample,生成自适应划分方位向量θAdapt;
首先,从采样方位向量θSample中依次提取n的整数倍序号的方位值,构成角度间隔为n×dθ的粗划分方位向量θSparse;再从采样方位向量θSample中依次提取标志向量Flag中非零项所对应序号的方位值,构成角度间隔为dθ的细划分方位向量θDense;然后,将上述向量θSparse和向量θDense进行合并,并经过排序与去重后生成自适应划分方位向量θAdapt;
步骤5)根据生成的方位向量θAdapt,得到其各方位下并行计算的N×2D三维声场快速预报结果TLAdapt;
其中,声场预报结果TLAdapt为三维数组,第1到3维分别为接收距离、接收深度和接收方位维,且方位维长度与向量θAdapt长度相等;
步骤6)根据声场预报结果数组TLAdapt,将其按原采样方位向量θSample进行方位维的临近插值细化处理,最终得到基于环境分析自适应划分的三维声场快速预报结果TLInterp;
其中,TLAdapt初始化为全0的三维数组,第1到2维分别为接收距离和接收深度和维,各维长度均与数组TLAdapt相应维度长度相等;第3维为方位维,其长度与向量θSample长度相等;然后,依次取向量θSample中的第j个方位值θj,在向量θAdapt中找到与θj最近的方位所在序号k,k存在2个序号同时符合时取第1个值;则插值细化处理后的第j个方位的声场预报结果矩阵其中j,
下面结合附图和实施例对本发明的技术方案进行详细的说明。
实施例1
以下结合图1至图6对本发明的具体实施例进行具体说明。
如图1所示,本发明的实施例1提供了一种复杂海洋环境中的三维声场快速预报方法,包括:
步骤1)从海深环境数据库中提取方位-距离极坐标下海深数据矩阵Bathy;
以中心坐标经纬度为[114.34°,13.56°]、水平距离半径为R=124km的圆形区域范围(该区域为典型的海底山群海域),对海洋环境海深数据库进行查询,并通过插值方式提取方位-距离极坐标下海深数据矩阵Bathy,如图2所示;从图2可以看到在90度方向(正东)附近存在4处明显的海底山,而其他方向的海底地形相对平坦,海深约4000m;
其中,Bathy的行对应距离维坐标下海深,其采样距离向量rSample=[0,1,2,...,124],水平距离采样间隔为dr=1km,Bathy的总行数为125;Bathy的列对应方位维坐标下海深,其采样方位向量θSample=[0,2,4,...,358],方位角度采样间隔为dθ=2°,Bathy的总列数为180;
步骤2)根据获取的海深数据矩阵Bathy,提取各方位海深变化引起的归一化起伏差异系数特征向量α,如图3所示;
其中,特征向量α初始化为全0的向量,长度为180;提取Bathy的第j列向量上的数据,作为第j个方位随水平距离变化下的海深向量Hj,然后对Hj起伏程度进行定量分析,即通过Hj的方差与均值的比值,得到第j个方位的归一化起伏差异系数αj;则各方位海底地形变化引起的归一化起伏差异系数特征向量为α,αj为特征向量α的第j个值,其中j∈[1,180];从图3可以看出,在90度方向附近方位出现了4个明显的凸起峰值,与图2海深变化中4处典型的海底山起伏地形所在方位比较吻合;
步骤3)根据提取的各方位海深起伏差异系数特征向量α与预先设定的判决门限β,得到自适应方位划分标志向量Flag,如图4(c)所示;
其中,标志向量Flag初始化为全0的向量,长度为180;根据大量声场数值计算统计结果,判决门限β取值0.1;当前述特征向量α的第j个值αj≥0.1时,自适应方位划分标志向量Flag对应的第j个值flagj=1,表示为第j个方位所在方向扇面海底地形起伏变化较大,需以细角度间隔2°来划分方位;当前述αj<0.1时,对应的flagj=0,表示为第j个方位所在方向扇面海底地形起伏变化较小,可以粗角度间隔20°来划分方位,其中j∈[1,180];为了便于进行直观对比,将方位展开为横坐标,图4(a)和图4(b)分别对应于图2和图3,图4(c)表示各方位自适应粗细划分的标志向量Flag,其中非零项共22个,从图4可以看到本发明所提方法有效提取出了海底山等典型海深剧烈起伏所在的方位信息;
步骤4)根据自适应方位划分标志向量Flag和采样方位向量θSample,生成自适应划分方位向量θAdapt;
首先,从采样方位向量θSample中依次提取n=10的整数倍序号的方位值,构成角度间隔为20°的粗划分方位向量θSparse=[0,20,...,340],长度为18;再从采样方位向量θSample中依次提取标志向量Flag中非零项所对应序号的方位值,构成角度间隔为2°的细划分方位向量θFlag=[44,46,...,54,62,64,...,72,78,80,...,84,102,104,...,112],长度为22;然后,将上述向量θSparse和向量θFlag进行合并,并经过排序与去重后生成自适应划分方位向量θAdapt=[0,20,40,44,46,...,54,60,62,64,...,72,78,80,...,84,100,102,104,...,112,120,140,...,340],长度为39;
步骤5)根据生成的方位向量θAdapt,得到其各方位下并行计算的N×2D三维声场快速预报结果TLAdapt,如图5(a)所示;
其中,声场预报结果TLAdapt为三维数组,第1到3维分别为接收距离、接收深度和接收方位维,且方位维长度与向量θAdapt长度相等为39;
步骤6)根据声场预报结果数组TLAdapt,将其按原采样方位向量θSample进行方位维的临近插值细化处理,最终得到基于环境分析自适应划分的三维声场快速预报结果TLInterp,如图5(b)所示;
其中,TLInterp初始化为全0的三维数组,第1到2维分别为接收距离和接收深度维,各维长度均与数组TLAdapt相应维度长度相等;第3维为方位维,其长度则与向量θSample长度相等为180;然后,依次取向量θSample中的第j个方位值θj,在向量θAdapt中找到与θj最近的方位所在序号k,k存在2个序号同时符合时取第1个值;则插值细化处理后的第j个方位的声场预报结果矩阵其中j,k∈[1,180]。
为了与传统固定方位角度间隔划分的声场预报结果进行对比,根据角度间隔为20°的粗划分方位向量θSparse和角度间隔为2°的细划分方位向量θSample,分别得到这两种固定角度间隔下的N×2D三维声场预报传播损失结果TLSparse和TLSample,如图6(a)和图6(b)所示,通过左右两图对比可知,(a)图方位间隔20度时,只需要计算18个方位,计算量较小,但在有海底山明显阻挡的声传播方位预报结果不够精确;而(b)图方位间隔为2度时,计算结果更加精确,可以看到在90度方位附近海底山阻挡带来的明显声传播损失异常,但需要计算180个方位,计算量相对左图增加10倍。
根据本发明所提方法基于环境分析自适应方位划分,即自动在90度附近方向扇面进行2度方位间隔细划分,而在海底地形相对平坦的其他方向扇面仍然采用20度的方位间隔粗划分,此时总计算方位只需39个,预报结果TLAdapt精度提高,如图5(a)所示。对相对平坦的方位预报结果进行2度间隔的方位插值细化,得到结果TLInterp如图5(b)所示,其与图6(b)所示意的TLSample对比可见,两者的三维声场预报结果在各方位上基本吻合,精度相当。
进一步定量对比分析上述实施例中的本发明所提自适应方位间隔划分与传统固定细方位间隔划分这两种声场预报方法的预报结果精度,采用如下公式(1)计算TLInterp和TLSample在同一接收深度处的误差,结果为:在0至360度方位传播损失平均误差1.9dB,在40至120度方位平均误差1.7dB;对比评估结果表明,本发明的方法实现了与固定方位间隔细划分的预报结果精度相当,但声场运算量减少约4.5倍。
实施例2
本发明的实施例2提出了一种复杂海洋环境中的三维声场快速预报系统,所述系统包括:海深数据矩阵提取模块、归一化起伏差异系数特征向量提取模块、判决比较模块、自适应划分方位向量生成模块、N×2D三维声场快速预报结果生成模块、结果输出模块;其中,
所述海深数据矩阵提取模块,用于根据设定的区域范围、采样距离向量和采样方位向量从海深环境数据库中提取方位-距离极坐标下海深数据矩阵;
所述归一化起伏差异系数特征向量提取模块,用于根据海深数据矩阵,提取各方位海深变化引起的归一化起伏差异系数特征向量;
所述判决比较模块,用于将归一化起伏差异系数特征向量与预先设定的判决门限进行比较,得到自适应方位划分标志向量;
所述自适应划分方位向量生成模块,用于根据自适应方位划分标志向量和采样方位向量,生成自适应划分方位向量;
所述N×2D三维声场快速预报结果生成模块,用于根据自适应划分方位向量,得到各方位下并行计算的N×2D三维声场快速预报结果;
所述结果输出模块,用于根据N×2D三维声场快速预报结果,按采样方位向量进行方位维的临近插值细化处理,得到基于环境分析自适应划分的三维声场快速预报结果。
最后所应说明的是,以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,对本发明的技术方案进行修改或者等同替换,都不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种复杂海洋环境中的三维声场快速预报方法,所述方法包括:
根据设定的区域范围、采样距离向量和采样方位向量从海深环境数据库中提取方位-距离极坐标下海深数据矩阵;
根据海深数据矩阵,提取各方位海深变化引起的归一化起伏差异系数特征向量;
将归一化起伏差异系数特征向量与预先设定的判决门限进行比较,得到自适应方位划分标志向量;
根据自适应方位划分标志向量和采样方位向量,生成自适应划分方位向量;
根据自适应划分方位向量,得到各方位下并行计算的N×2D三维声场快速预报结果;
根据N×2D三维声场快速预报结果,按采样方位向量进行方位维的临近插值细化处理,得到基于环境分析自适应划分的三维声场快速预报结果。
2.根据权利要求1所述的复杂海洋环境中的三维声场快速预报方法,其特征在于,所述根据设定的区域范围、采样距离向量和采样方位向量从海深环境数据库中提取方位-距离极坐标下海深数据矩阵;具体包括:
以中心坐标经纬度为[Lon0,Lat0],单位为度,水平距离半径为R,单位为km的圆形区域范围,对海深环境数据库进行查询,并通过插值方式提取方位-距离极坐标下海深数据矩阵Bathy;
4.根据权利要求3所述的复杂海洋环境中的三维声场快速预报方法,其特征在于,所述将归一化起伏差异系数特征向量与预先设定的判决门限进行比较,得到自适应方位划分标志向量;具体包括:
根据提取的归一化起伏差异系数特征向量α与预先设定的判决门限β,得到自适应方位划分标志向量Flag;
设置标志向量Flag长度与归一化起伏差异系数特征向量α的长度相等,初始化为全0;
5.根据权利要求4所述的复杂海洋环境中的三维声场快速预报方法,其特征在于,所述根据自适应方位划分标志向量和采样方位向量,生成自适应划分方位向量;具体包括:
从采样方位向量θSample中依次提取n的整数倍序号的方位值,构成角度间隔为n×dθ的粗划分方位向量θSparse;
从采样方位向量θSample中依次提取自适应方位划分标志向量Flag中非零项所对应序号的方位值,构成角度间隔为dθ的细划分方位向量θDense;
将粗划分方位向量θSparse和细划分方位向量θDense进行合并,并经过排序与去重后生成自适应划分方位向量θAdapt。
6.根据权利要求5所述的复杂海洋环境中的三维声场快速预报方法,其特征在于,所述根据自适应划分方位向量,得到各方位下并行计算的N×2D三维声场快速预报结果;具体包括:
根据自适应划分方位向量θAdapt,得到各方位下并行计算的N×2D三维声场快速预报结果TLAdapt;
其中,所述声场预报结果TLAdapt为三维数组,第一至三维分别为接收距离、接收深度和接收方位维,并且接收方位维长度与向量θAdapt长度相等。
7.根据权利要求6所述的复杂海洋环境中的三维声场快速预报方法,其特征在于,所述根据N×2D三维声场快速预报结果,按采样方位向量进行方位维的临近插值细化处理,得到基于环境分析自适应划分的三维声场快速预报结果;具体包括:
根据声场预报结果TLAdapt设置全0的三维数组TLInterp,第一维和第二维分别为接收距离和接收深度,上述两维的长度分别与数组TLAdapt对应维度的长度相等;第三维为方位维,长度与θSample长度相等;
8.一种复杂海洋环境中的三维声场快速预报系统,其特征在于,所述系统包括:海深数据矩阵提取模块、归一化起伏差异系数特征向量提取模块、判决比较模块、自适应划分方位向量生成模块、N×2D三维声场快速预报结果生成模块、结果输出模块;其中,
所述海深数据矩阵提取模块,用于根据设定的区域范围、采样距离向量和采样方位向量从海深环境数据库中提取方位-距离极坐标下海深数据矩阵;
所述归一化起伏差异系数特征向量提取模块,用于根据海深数据矩阵,提取各方位海深变化引起的归一化起伏差异系数特征向量;
所述判决比较模块,用于将归一化起伏差异系数特征向量与预先设定的判决门限进行比较,得到自适应方位划分标志向量;
所述自适应划分方位向量生成模块,用于根据自适应方位划分标志向量和采样方位向量,生成自适应划分方位向量;
所述N×2D三维声场快速预报结果生成模块,用于根据自适应划分方位向量,得到各方位下并行计算的N×2D三维声场快速预报结果;
所述结果输出模块,用于根据N×2D三维声场快速预报结果,按采样方位向量进行方位维的临近插值细化处理,得到基于环境分析自适应划分的三维声场快速预报结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110818929.5A CN113641954B (zh) | 2021-07-20 | 2021-07-20 | 一种复杂海洋环境中的三维声场快速预报方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110818929.5A CN113641954B (zh) | 2021-07-20 | 2021-07-20 | 一种复杂海洋环境中的三维声场快速预报方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113641954A CN113641954A (zh) | 2021-11-12 |
CN113641954B true CN113641954B (zh) | 2022-04-05 |
Family
ID=78417795
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110818929.5A Active CN113641954B (zh) | 2021-07-20 | 2021-07-20 | 一种复杂海洋环境中的三维声场快速预报方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113641954B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117910279B (zh) * | 2024-03-18 | 2024-05-28 | 西北工业大学 | 基于空间坐标旋转变换的三维声场快速处理方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109725053A (zh) * | 2019-01-22 | 2019-05-07 | 中国人民解放军国防科技大学 | 基于高分辨率海洋再分析产品获取水声场特性数据的方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103763045B (zh) * | 2013-12-05 | 2015-09-30 | 哈尔滨工程大学 | 一种适用于三维水声信道仿真的高斯束方法 |
CN104778321B (zh) * | 2015-04-14 | 2017-11-17 | 哈尔滨工程大学 | 一种复杂形状声学空间的分析预报方法 |
US10955523B1 (en) * | 2016-11-04 | 2021-03-23 | Leidos, Inc. | Deep ocean long range underwater navigation algorithm (UNA) for determining the geographic position of underwater vehicles |
CN107576388B (zh) * | 2017-08-22 | 2020-07-28 | 哈尔滨工程大学 | 一种浅海信道下三维结构声源辐射声场预报方法 |
CN112254798B (zh) * | 2020-10-12 | 2022-07-12 | 中国人民解放军国防科技大学 | 一种预报海洋矢量声场的方法、系统及介质 |
-
2021
- 2021-07-20 CN CN202110818929.5A patent/CN113641954B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109725053A (zh) * | 2019-01-22 | 2019-05-07 | 中国人民解放军国防科技大学 | 基于高分辨率海洋再分析产品获取水声场特性数据的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113641954A (zh) | 2021-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105487061B (zh) | 目标数据关联的多特征信息融合方法 | |
CN109508000A (zh) | 异构多传感器多目标跟踪方法 | |
CN109061646B (zh) | 一种基于降水云识别的多普勒天气雷达定量降水估计方法 | |
CN111157982A (zh) | 基于岸基雷达的智能船舶船岸协同目标跟踪系统和方法 | |
CN110598730A (zh) | 基于决策树的航迹关联算法 | |
CN106093849B (zh) | 一种基于测距和神经网络算法的水下定位方法 | |
CN111352087B (zh) | 基于dbscan的被动mimo雷达多目标定位方法 | |
CN110287837A (zh) | 基于先验估计网络和空间约束混合模型的海面障碍物检测方法 | |
CN109000656B (zh) | 基于空间聚类的水下地形匹配导航适配区选择方法 | |
CN113641954B (zh) | 一种复杂海洋环境中的三维声场快速预报方法及系统 | |
CN114564545A (zh) | 一种基于ais历史数据的船舶经验航线提取系统及方法 | |
CN113570005A (zh) | 一种基于机载光子雷达的远距离舰船类型识别方法 | |
CN110309581B (zh) | 一种水下潜标位置综合校准测量点快速优化布局方法 | |
CN111929676A (zh) | 一种基于密度聚类的x波段雷达目标检测与跟踪方法 | |
Chen et al. | Underwater terrain positioning method based on least squares estimation for AUV | |
CN109799513B (zh) | 一种基于二维激光雷达数据中直线特征的室内未知环境定位方法 | |
CN113008235B (zh) | 基于矩阵k-l散度的多源导航信息融合方法 | |
Liu et al. | An online method for ship trajectory compression using AIS data | |
Ware et al. | A system for cleaning high volume bathymetry | |
CN112612027A (zh) | 一种浅海环境下利用声能量起伏的海洋内波监测方法 | |
CN108627825A (zh) | 一种雷达发现概率的分析方法和系统 | |
CN112882058B (zh) | 一种基于变尺寸栅格地图的船载激光雷达障碍物检测方法 | |
CN113673355A (zh) | 一种海浪波谱仪回波波形分类方法 | |
CN112115891A (zh) | 一种基于一维多向抽取的sar图像港口检测方法 | |
CN111965601A (zh) | 一种基于核极限学习机的水下声源被动定位方法 |
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 |