CN113759354A - 一种适用于侧扫声呐的自适应底混响抑制方法 - Google Patents

Abstract

本发明公开了一种适用于侧扫声呐的自适应底混响抑制方法，所述方法包括：对接收到的每帧离散回波数据进行分段，分成多个数据段，其中，数据段长度为发射脉冲宽度的两倍，且相邻数据段1/2重叠；根据改进Burg算法估计每个数据段AR模型的阶数及系数；利用AR模型系数构建白化滤波器，利用该白化滤波器对数据段进行白化匹配滤波处理；对白化匹配滤波处理后的一帧离散回波数据进行相空间重构，构造二阶Hankel矩阵；对二阶Hankel矩阵进行多分辨二分奇异值分解，并通过所选奇异值进行回波重构完成目标回波与底混响的分离，实现底混响抑制。本发明的方法可以提高信混比，改善声图质量，对于实现侧扫声呐沉底静态小目标探测具有重要意义。

Description

一种适用于侧扫声呐的自适应底混响抑制方法

技术领域

本发明涉及侧扫声呐领域，具体涉及一种适用于侧扫声呐的自适应底混响抑制方法。

背景技术

侧扫声呐是目前应用广泛的水下沉底静态小目标探测设备。工作时，侧扫声呐在垂直于航向方向形成两个窄波束，用于水下小目标检测时，目标回波产生的亮点和由于遮蔽引起的声阴影是用于目标检测的主要特征。但是海底混响，尤其当海底为沙底、硬泥底等底质时的底混响导致图像对比度下降、图像清晰度降低等，是影响侧扫声呐工作性能的主要因素。

常用的底混响抑制方法可分为两大类：波形设计和信号处理。在声呐工作形式确定的情况下，在接收端进行信号处理抑制底混响。其中较为常用的信号处理算法主要有预白化技术和滤波技术。滤波技术如分数阶傅里叶变换将目标回波变换至分数阶傅里叶域进行滤波处理实现混响抑制后的目的，但这种方法只适用于线性调频信号。预白化技术假设混响信号局部平稳，将数据分块并构建AR模型，据此对接收混响信号预白化，最后通过匹配滤波实现混响抑制。这种算法对信混比有一定要求，普适性不强。

发明内容

本发明针对侧扫声呐对沉底静态小目标检测识别性能在底混响影响下下降的问题，提出了一种具有数据自驱动性的次最佳检测与多分辨二分奇异值分解相结合的底混响抑制方法，该方法先对回波数据进行白化处理，再通过迭代处理逐步分离目标信号子空间与混响子空间，实现底混响抑制，从而改善声图，提高侧扫声呐目标检测性能。

为实现上述目的，本发明提出了一种适用于侧扫声呐的自适应底混响抑制方法，所述方法包括：

对接收到的每帧离散回波数据进行分段，分成多个数据段，其中，数据段长度为发射脉冲宽度的两倍，且相邻数据段1/2重叠；

根据改进Burg算法估计每个数据段AR模型的阶数及系数；利用AR模型系数构建白化滤波器，利用该白化滤波器对数据段进行白化匹配滤波处理；

对白化匹配滤波处理后的一帧离散回波数据进行相空间重构，构造二阶Hankel矩阵；对二阶Hankel矩阵进行多分辨二分奇异值分解，并通过所选奇异值进行回波重构完成目标回波与底混响的分离，实现底混响抑制。

作为上述方法的一种改进，对接收到的每帧离散回波数据进行分段，分成多个数据段，其中，数据段长度为发射脉冲宽度的两倍，且相邻数据段1/2重叠；具体包括：

将接收到的每帧离散回波数据进行分段，分成M个数据段，每个数据段包括2s个采样点，即第m个数据段为一个序列：

w_m(1),…w_m(s),…w_m(2s)

其中，1≤t≤s，即相邻数据段1/2重叠。

作为上述方法的一种改进，所述根据改进Burg算法估计每个数据段AR模型的阶数及系数；利用AR模型系数构建白化滤波器，利用该白化滤波器对数据段进行白化匹配滤波处理；具体包括：

当m＝1时，对于第1个数据段，根据改进Burg算法估计当前数据段AR模型的阶数及系数：

其中，

是第1个数据段的AR模型的系数，1≤k≤p₁，p₁为该数据段的AR模型的阶数，u₁(n)是一个白噪声序列；1≤n≤2s；

利用AR模型系数构造第1个白化滤波器，其传输函数H₁(z)如下：

其中，z为变量；

通过第1个白化滤波器对第1个数据段序列进行白化匹配滤波处理，得到第1个数据段的一维白化序列w′₁(n)：

通过第1个白化滤波器对第3个数据段序列w₃(n)进行白化匹配滤波处理，得到第3个数据段的一维白化序列w′₃(n)：

当m＝2时，对于第2个数据段，根据改进Burg算法估计当前数据段AR模型的阶数及系数：

其中，

是第2个数据段的AR模型的系数，1≤k≤p₂，p₂为该数据段的AR模型的阶数，u₂(n)是一个白噪声序列；

利用AR模型系数构造第二白化滤波器，其传输函数H₂(z)如下：

通过第2个白化滤波器对第2个数据段序列w₂(n)进行白化匹配滤波处理，得到第2个数据段的一维白化序列w′₂(n)：

通过第2个白化滤波器对第4个数据段序列w₄(n)进行白化匹配滤波处理，得到第4个数据段的一维白化序列w′₄(n)：

当3≤m≤M-2，对于第m个数据段，根据改进Burg算法估计当前数据段AR模型的阶数及系数：

其中，

是第m个数据段的AR模型的系数，1≤k≤p_m，p_m为该数据段的AR模型的阶数，u_m(n)是一个白噪声序列；

利用AR模型系数构造第m个白化滤波器，其传输函数H_m(z)如下：

通过第m个白化滤波器对第m+2个数据段w_m+2(n)进行白化匹配滤波处理，得到第m+2个数据段的一维白化序列w′_m+2(n)：

将每个一维白化序列的前s个采样点进行拼接：

w′₁(1),…w′₁(s),w′₂(1),…w′₂(s),…w′_m-1(1),…w′_m-1(s),w′_m(1),…w′_m(s)

由此得到白化匹配滤波处理后的一帧离散回波数据w′(n),n＝1,2,...,N，其中N＝s×M。

作为上述方法的一种改进，所述对白化匹配滤波处理后的一帧离散回波数据进行相空间重构，构造二阶Hankel矩阵；对二阶Hankel矩阵进行多分辨二分奇异值分解，并通过所选奇异值进行回波重构完成目标回波与底混响的分离，实现底混响抑制；具体包括：

步骤S1)根据白化匹配滤波处理后的一帧离散回波数据为w′(n),n＝1,2,...,N，构造2×(N-1)维Hankel矩阵，其形式为：

对H进行奇异值分解：

其中，U_2×2＝[u₁,u₂]为H的左奇异矩阵，V_(N-1)×(N-1)＝[v₁,v₂,…v_N-1]为H的右奇异矩阵，矢量u_i、v_i分别为矩阵U_2×2和V_(N-1)×(N-1)的第i个列向量；S₀＝[diag(σ_a0,σ_d0)]为对角阵，0_2×(N-3)为2×(N-3)维零矩阵；σ_a0为大奇异值，它所重构的信号为SVD近似信号，记为A₁；σ_d0为小奇异值，它所重构的信号为SVD细节信号，记为D₁；

步骤S2)构造A_j的2×(N-1)维Hankel矩阵H_j；j的初始值为1；

步骤S3)对矩阵H_j进行奇异值分解：

其中，U_2×2＝[u₁,u₂]为A_j的左奇异矩阵，V_(N-1)×(N-1)＝[v₁,v₂,…v_N-1]为A_j的右奇异矩阵，矢量u_i、v_i分别为矩阵U_2×2和V_(N-1)×(N-1)的第i个列向量；S_j＝[diag(σ_aj,σ_dj)]为对角阵，0_2×(N-3)为2×(N-3)维零矩阵；σ_aj为大奇异值，它所重构的信号为SVD近似信号，记为A_j+1；σ_dj为小奇异值，它所重构的信号为SVD细节信号，记为D_j+1；

步骤S4)计算大奇异值σ_aj和小奇异值σ_dj的比值r_j：

步骤S5)计算差值e_j：

e_j＝r_j-r_j-1

当j＝1时，r_j-1＝0；

步骤S6)判断e_j＜1是否成立，若为是，则分解结束，进入步骤S7)，否则，令j加1，转入步骤S2)；

步骤S7)输出与底混响分离的目标回波信号A_j。

作为上述方法的一种改进，所述方法还包括：绘制多帧离散回波数据输出的目标回波信号的声图。

本发明的优势在于：

本发明的方法首先对接收信号进行白化匹配滤波处理，再采用迭代二分奇异值分解，通过子空间处理实现目标回波与底混响的分离；该方法可以提高信混比，改善声图质量，对于实现侧扫声呐沉底静态小目标探测具有重要意义。

附图说明

图1为本发明的适用于侧扫声呐的自适应底混响抑制方法的流程图；

图2为多分辨二分奇异值分解路径的示意图；

图3为原始声图及其检测结果；

图4为本发明处理后的声图及其检测结果。

具体实施方式

下面结合附图对本发明的技术方案进行详细说明。

本发明提出了一种适用于侧扫声呐的自适应底混响抑制方法。该方法首先对预处理后的回波数据进行分段并根据改进Burg算法估计数据段AR模型的阶数及系数；然后利用AR模型系数构建白化滤波器对数据段进行白化匹配滤波处理；然后对白化后数据进行相空间重构，构造二阶Hankel矩阵；最后对矩阵进行多分辨二分奇异值分解，并通过所选奇异值进行回波重构完成目标回波与底混响的分离，实现底混响抑制。该方法提高了信混比且改善了声图质量。

如图1所示，本发明的适用于侧扫声呐的自适应底混响抑制方法，包括：

步骤1)对接收到的每帧离散回波数据进行分段，分成多个数据段，其中，数据段长度为发射脉冲宽度的两倍，且相邻数据段1/2重叠；具体包括：

将接收到的每帧离散回波数据进行分段，分成M个数据段，每个数据段包括2s个采样点，即第m个数据段为一个序列：

w_m(1),…w_m(s),…w_m(2s)

其中，1≤t≤s，即相邻数据段1/2重叠。

步骤2)根据改进Burg算法估计每个数据段AR模型的阶数及系数；利用AR模型系数构建白化滤波器，利用该白化滤波器对数据段进行白化匹配滤波处理；具体包括：

当m＝1时，对于第1个数据段，根据改进Burg算法估计当前数据段AR模型的阶数及系数：

其中，

是第1个数据段的AR模型的系数，1≤k≤p₁，p₁为该数据段的AR模型的阶数，u₁(n)是一个白噪声序列；1≤n≤2s；

利用AR模型系数构造第1个白化滤波器，其传输函数H₁(z)如下：

其中，z为变量；

通过第1个白化滤波器对第1个数据段序列进行白化匹配滤波处理，得到第1个数据段的一维白化序列w′₁(n)：

通过第1个白化滤波器对第3个数据段序列w₃(n)进行白化匹配滤波处理，得到第3个数据段的一维白化序列w′₃(n)：

当m＝2时，对于第2个数据段，根据改进Burg算法估计当前数据段AR模型的阶数及系数：

其中，

是第2个数据段的AR模型的系数，1≤k≤p₂，p₂为该数据段的AR模型的阶数，u₂(n)是一个白噪声序列；

利用AR模型系数构造第二白化滤波器，其传输函数H₂(z)如下：

通过第2个白化滤波器对第2个数据段序列w₂(n)进行白化匹配滤波处理，得到第2个数据段的一维白化序列w′₂(n)：

通过第2个白化滤波器对第4个数据段序列w₄(n)进行白化匹配滤波处理，得到第4个数据段的一维白化序列w′₄(n)：

当3≤m≤M-2，对于第m个数据段，根据改进Burg算法估计当前数据段AR模型的阶数及系数：

其中，

是第m个数据段的AR模型的系数，1≤k≤p_m，p_m为该数据段的AR模型的阶数，u_m(n)是一个白噪声序列；

利用AR模型系数构造第m个白化滤波器，其传输函数H_m(z)如下：

通过第m个白化滤波器对第m+2个数据段w_m+2(n)进行白化匹配滤波处理，得到第m+2个数据段的一维白化序列w′_m+2(n)：

将每个一维白化序列的前s个采样点进行拼接：

w′₁(1),…w′₁(s),w′₂(1),…w′₂(s),…w′_m-1(1),…w′_m-1(s),w′_m(1),…w′_m(s)

由此得到白化匹配滤波处理后的一帧离散回波数据w′(n),n＝1,2,...,N，其中N＝s×M。

步骤3)对白化匹配滤波处理后的一帧离散回波数据进行相空间重构，构造二阶Hankel矩阵；对二阶Hankel矩阵进行多分辨二分奇异值分解，并通过所选奇异值进行回波重构完成目标回波与底混响的分离，实现底混响抑制；具体包括：

步骤3-1)根据白化匹配滤波处理后的一帧离散回波数据为w′(n),n＝1,2,...,N，构造2×(N-1)维Hankel矩阵，其形式为：

对H进行奇异值分解：

其中，U_2×2＝[u₁,u₂]为H的左奇异矩阵，V_(N-1)×(N-1)＝[v₁,v₂,…v_N-1]为H的右奇异矩阵，矢量u_i、v_i分别为矩阵U_2×2和V_(N-1)×(N-1)的第i个列向量；S₀＝[diag(σ_a0,σ_d0)]为对角阵，0_2×(N-3)为2×(N-3)维零矩阵；σ_a0为大奇异值，它所重构的信号为SVD近似信号，记为A₁；σ_d0为小奇异值，它所重构的信号为SVD细节信号，记为D₁；

步骤3-2)构造A_j的2×(N-1)维Hankel矩阵H_j；j的初始值为1；

步骤3-3)对矩阵H_j进行奇异值分解：

其中，U_2×2＝[u₁,u₂]为A_j的左奇异矩阵，V_(N-1)×(N-1)＝[v₁,v₂,…v_N-1]为A_j的右奇异矩阵，矢量u_i、v_i分别为矩阵U_2×2和V_(N-1)×(N-1)的第i个列向量；S_j＝[diag(σ_aj,σ_dj)]为对角阵，0_2×(N-3)为2×(N-3)维零矩阵；σ_aj为大奇异值，它所重构的信号为SVD近似信号，记为A_j+1；σ_dj为小奇异值，它所重构的信号为SVD细节信号，记为D_j+1；如图2所示的分解路径。

步骤3-4)计算大奇异值σ_aj和小奇异值σ_dj的比值r_j：

步骤3-5)计算差值e_j：

e_j＝r_j-r_j-1

当j＝1时，r_j-1＝0；

步骤3-6)判断e_j＜1是否成立，若为是，则分解结束，进入步骤3-7)，否则，令j加1，转入步骤3-2)；

步骤3-7)输出与底混响分离的目标回波信号A_j。

步骤4)对每一帧数据都进行步骤1)-步骤3)的数据处理并成图，获得底混响抑制后的声图。

仿真分析：

水深约50米，海底为泥沙底，侧扫声呐和模拟目标的布放如图3所示，其中模拟目标为铁质圆柱。侧扫声呐在水下25米处以不大于4节的航速从目标的两侧，沿不同方向、不同距离通过模拟目标。多帧数据进行上述并成图，处理结果如图4所示。

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 (5)

1.一种适用于侧扫声呐的自适应底混响抑制方法，所述方法包括：

对接收到的每帧离散回波数据进行分段，分成多个数据段，其中，数据段长度为发射脉冲宽度的两倍，且相邻数据段1/2重叠；

根据改进Burg算法估计每个数据段AR模型的阶数及系数；利用AR模型系数构建白化滤波器，利用该白化滤波器对数据段进行白化匹配滤波处理；

对白化匹配滤波处理后的一帧离散回波数据进行相空间重构，构造二阶Hankel矩阵；对二阶Hankel矩阵进行多分辨二分奇异值分解，并通过所选奇异值进行回波重构完成目标回波与底混响的分离，实现底混响抑制。

2.根据权利要求1所述的适用于侧扫声呐的自适应底混响抑制方法，其特征在于，对接收到的每帧离散回波数据进行分段，分成多个数据段，其中，数据段长度为发射脉冲宽度的两倍，且相邻数据段1/2重叠；具体包括：

将接收到的每帧离散回波数据进行分段，分成M个数据段，每个数据段包括2s个采样点，即第m个数据段为一个序列：

w_m(1),…w_m(s),…w_m(2s)

其中，1≤t≤s，即相邻数据段1/2重叠。

3.根据权利要求2所述的适用于侧扫声呐的自适应底混响抑制方法，其特征在于，所述根据改进Burg算法估计每个数据段AR模型的阶数及系数；利用AR模型系数构建白化滤波器，利用该白化滤波器对数据段进行白化匹配滤波处理；具体包括：

当m＝1时，对于第1个数据段，根据改进Burg算法估计当前数据段AR模型的阶数及系数：

其中，

是第1个数据段的AR模型的系数，1≤k≤p₁，p₁为该数据段的AR模型的阶数，u₁(n)是一个白噪声序列；1≤n≤2s；

利用AR模型系数构造第1个白化滤波器，其传输函数H₁(z)如下：

其中，z为变量；

通过第1个白化滤波器对第1个数据段序列进行白化匹配滤波处理，得到第1个数据段的一维白化序列w′₁(n)：

通过第1个白化滤波器对第3个数据段序列w₃(n)进行白化匹配滤波处理，得到第3个数据段的一维白化序列w′₃(n)：

当m＝2时，对于第2个数据段，根据改进Burg算法估计当前数据段AR模型的阶数及系数：

其中，

是第2个数据段的AR模型的系数，1≤k≤p₂，p₂为该数据段的AR模型的阶数，u₂(n)是一个白噪声序列；

利用AR模型系数构造第二白化滤波器，其传输函数H₂(z)如下：

通过第2个白化滤波器对第2个数据段序列w₂(n)进行白化匹配滤波处理，得到第2个数据段的一维白化序列w′₂(n)：

通过第2个白化滤波器对第4个数据段序列w₄(n)进行白化匹配滤波处理，得到第4个数据段的一维白化序列w′₄(n)：

当3≤m≤M-2，对于第m个数据段，根据改进Burg算法估计当前数据段AR模型的阶数及系数：

其中，

是第m个数据段的AR模型的系数，1≤k≤p_m，p_m为该数据段的AR 模型的阶数，u_m(n)是一个白噪声序列；

利用AR模型系数构造第m个白化滤波器，其传输函数H_m(z)如下：

通过第m个白化滤波器对第m+2个数据段w_m+2(n)进行白化匹配滤波处理，得到第m+2个数据段的一维白化序列w′_m+2(n)：

将每个一维白化序列的前s个采样点进行拼接：

w′₁(1),…w′₁(s),w′₂(1),…w′₂(s),…w′_m-1(1),…w′_m-1(s),w′_m(1),…w′_m(s)

由此得到白化匹配滤波处理后的一帧离散回波数据w′(n),n＝1,2,...,N，其中N＝s×M。

4.根据权利要求3所述的适用于侧扫声呐的自适应底混响抑制方法，其特征在于，所述对白化匹配滤波处理后的一帧离散回波数据进行相空间重构，构造二阶Hankel矩阵；对二阶Hankel矩阵进行多分辨二分奇异值分解，并通过所选奇异值进行回波重构完成目标回波与底混响的分离，实现底混响抑制；具体包括：

步骤S1)根据白化匹配滤波处理后的一帧离散回波数据为w′(n),n＝1,2,...,N，构造2×(N-1)维Hankel矩阵，其形式为：

对H进行奇异值分解：

其中，U_2×2＝[u₁,u₂]为H的左奇异矩阵，V_(N-1)×(N-1)＝[v₁,v₂,…v_N-1]为H的右奇异矩阵，矢量u_i、v_i分别为矩阵U_2×2和V_(N-1)×(N-1)的第i个列向量；S₀＝[diag(σ_a0,σ_d0)]为对角阵，0_2×(N-3)为2×(N-3)维零矩阵；σ_a0为大奇异值，它所重构的信号为SVD近似信号，记为A₁；σ_d0为小奇异值，它所重构的信号为SVD细节信号，记为D₁；

步骤S2)构造A_j的2×(N-1)维Hankel矩阵H_j；j的初始值为1；

步骤S3)对矩阵H_j进行奇异值分解：

其中，U_2×2＝[u₁,u₂]为A_j的左奇异矩阵，V_(N-1)×(N-1)＝[v₁,v₂,…v_N-1]为A_j的右奇异矩阵，矢量u_i、v_i分别为矩阵U_2×2和V_(N-1)×(N-1)的第i个列向量；S_j＝[diag(σ_aj,σ_dj)]为对角阵，0_2×(N-3)为2×(N-3)维零矩阵；σ_aj为大奇异值，它所重构的信号为SVD近似信号，记为A_j+1；σ_dj为小奇异值，它所重构的信号为SVD细节信号，记为D_j+1；

步骤S4)计算大奇异值σ_aj和小奇异值σ_dj的比值r_j：

步骤S5)计算差值e_j：

e_j＝r_j-r_j-1

当j＝1时，r_j-1＝0；

步骤S6)判断e_j＜1是否成立，若为是，则分解结束，进入步骤S7)，否则，令j加1，转入步骤S2)；

步骤S7)输出与底混响分离的目标回波信号A_j。

5.根据权利要求4所述的适用于侧扫声呐的自适应底混响抑制方法，其特征在于，所述方法还包括：绘制多帧离散回波数据输出的目标回波信号的声图。

Images