CN113887450B - 基于调制谱特征的水中目标在线筛选方法 - Google Patents

基于调制谱特征的水中目标在线筛选方法 Download PDF

Info

Publication number
CN113887450B
CN113887450B CN202111176376.4A CN202111176376A CN113887450B CN 113887450 B CN113887450 B CN 113887450B CN 202111176376 A CN202111176376 A CN 202111176376A CN 113887450 B CN113887450 B CN 113887450B
Authority
CN
China
Prior art keywords
demon
frequency
spectrum
line
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.)
Active
Application number
CN202111176376.4A
Other languages
English (en)
Other versions
CN113887450A (zh
Inventor
黄猛
石敏
唐琳
王玉菊
王雅芬
徐超
张振杰
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.)
Unit 91977 Of Pla
Original Assignee
Unit 91977 Of Pla
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 Unit 91977 Of Pla filed Critical Unit 91977 Of Pla
Priority to CN202111176376.4A priority Critical patent/CN113887450B/zh
Publication of CN113887450A publication Critical patent/CN113887450A/zh
Application granted granted Critical
Publication of CN113887450B publication Critical patent/CN113887450B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08Feature extraction
    • G06F2218/10Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/18Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/25Fusion techniques
    • G06F18/251Fusion techniques of input or preprocessed data
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02Preprocessing
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02ATECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30Assessment of water resources

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Physics (AREA)
  • Algebra (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于调制谱特征的水中目标在线筛选方法,其步骤包括,通过接收阵接收水中目标辐射噪声信号;对接收阵接收的水中目标辐射噪声信号进行预处理并分解为不同频段的窄带信号;获取低频噪声幅度调制信号,得到其DEMON谱,对DEMON谱进行多频带加权融和,再对其进行时频综合,得到时频综合的DEMON谱融合结果,从融合结果中提取出DEMON线谱,对其稳定性进行判别,如果其具有稳定性,则认为存在水中目标。本发明方法能够较好的适应低信噪比数据,在判定各线谱之间是否成倍频关系时,可以允许相差多个频率点,同时能应对幅度起伏严重时的多时刻调制线谱,并采用对分裂的两根线谱进行合并并修正线谱要素等方法来提升检测调制谱轴频及倍频线谱的能力。

Description

基于调制谱特征的水中目标在线筛选方法
技术领域
本发明涉及水中目标探测领域,尤其涉及一种基于调制谱特征的水中目标在线筛选方法。
背景技术
目标辐射噪声特征是探测和识别目标的主要依据。螺旋桨噪声是水中目标的主要噪声源,螺旋桨叶片旋转对辐射噪声信号进行调制,导致辐射噪声包络周期变化,螺旋桨大小、形状、转速、桨叶数等与水中目标的类型密切相关,且对螺旋桨噪声特性有明显的影响。所以通过对辐射噪声中包络谱特征的分析,可以获得水中目标螺旋桨的相关参数,这是不同于环境噪声的特征,有利于目标信号的被动检测和识别。
基于频带能量的目标检测方法是将通常目标辐射噪声特性能量较为集中的指定频带(如100Hz到1000Hz频带)作为检测频带,采集环境噪声,计算该频带内的能量,以环境噪声加3~6dB作为阈值,当采集系统采集到的数据经计算指定频带内能量大于该阈值时,认为采集到的数据内可能有船舶目标,小于该阈值时,认为该段数据内无目标。
发明内容
本发明针对水中目标难以探测和筛选的问题,基于目标辐射噪声数据,开展了基于调制谱特征的目标在线筛选技术研究,即在基于频带能量的目标检测等预处理基础上,对检测出的可能有目标的数据,通过检测目标调制谱的轴频及其谐波线谱关系的方法,来进一步判定所获取数据中是否存在水中目标,据此方法可筛选出有效的目标数据。
对获取的航行中的水中目标辐射噪声数据,开展调制谱特征提取,航行中的水中目标辐射噪声数据存在目标的螺旋桨轴频及其谐波线谱等调制信息,而在没有目标通过的海洋背景噪声中不会存在典型的螺旋桨调制信息,根据水中目标辐射噪声与海洋背景噪声的这一典型差异,通过判断水中目标辐射噪声数据中有无目标的螺旋桨轴频及其谐波线谱等调制信息,判定所获取数据中是否存在水中目标。通过检测波束域数据中是否存在目标调制线谱轴频、谐波线谱及谐波线谱之间的关系,来判断所获取的数据中是否存在水中目标。水中目标辐射噪声含有螺旋桨叶片速率线谱分量的低频幅度调制信号,水中目标辐射噪声信号在整个频带内的任一频率分量均受到螺旋桨的周期调制作用,从而形成宽带调制信号,通过对水声目标辐射噪声中包含的宽带调制信号进行解调分析,获得低频调制线谱信息。
本发明公开了一种基于调制谱特征的水中目标在线筛选方法,其步骤包括,S1,通过接收阵接收水中目标辐射噪声信号;
S2,对接收阵接收的水中目标辐射噪声信号进行信号放大的预处理,将经过预处理的辐射噪声信号送入L个不同频段的带通滤波器,把预处理的辐射噪声信号分解为L个不同频段的窄带信号;
S3,将步骤S2得到的L个不同频段的窄带信号进行平方检波,获取噪声幅度调制信号,然后将其送入低通滤波器进行低通滤波,获取L个低频噪声幅度调制信号
Figure BDA0003295783030000021
S4,将L个低频噪声幅度调制信号分别进行傅立叶变换,得到每一个频段的窄带信号的DEMON谱Sl(ω),l∈[1,...,L];进行傅立叶变换的信号带宽应大于等于200Hz;
S5,将L个频段的窄带信号的DEMON谱进行多频带加权融和,获取水中目标辐射噪声信号的DEMON谱,再对其进行时频综合,得到时频综合的DEMON谱融合结果;
所述的步骤S5,其具体包括:
用信息熵表征信号的不确定度,信息熵的表达式为:
Figure BDA0003295783030000022
式中,pi为第i个信号的概率分布,0≤pi≤1,i=1,2,…,N。通过计算L个频段的窄带信号的DEMON谱的概率分布和信息熵,得到表征DEMON谱结构的谱确定度;
DEMON谱的概率分布的表达式为:
Figure BDA0003295783030000031
式中,E(i)表示第i个DEMON谱系数值,pi表示第i个DEMON谱系数值的概率分布,将DEMON谱的概率分布代入信息熵的表达式中,分别计算出某时刻L个频段的窄带信号的DEMON谱信息熵。
根据各个频段的DEMON谱信息熵,对各个频段的窄带信号的DEMON谱进行融合,从而得到L个频段的窄带信号的DEMON谱的多频带加权融和的结果,DEMON谱融合过程表示为:
Figure BDA0003295783030000032
式中,wi为加权系数,Ei(n)为第i个频段的窄带信号的第n个DEMON谱系数值,Y(n)表示融合后得到的DEMON谱的第n个DEMON谱系数值,其中,
Figure BDA0003295783030000033
其中,Hi表示第i个频段的窄带信号的DEMON谱信息熵。
多时段线谱提取与线谱决策,分别对M批数据的DEMON谱的多频带加权融和的结果进行线谱提取,构成多时段DEMON线谱矩阵Y,其表达式为:
Figure BDA0003295783030000034
其中,矩阵Y中的元素Yi(j)表示第i批数据的第j个DEMON谱系数值,对存在线谱的频率处对应的DEMON谱系数值置1,不存在线谱的频率处对应的DEMON谱系数值置0,对M批数据中每个频点存在线谱的概率进行估计,得到其估计值
Figure BDA0003295783030000041
的计算公式为:
Figure BDA0003295783030000042
将每个频点存在线谱的概率估计值与设定门限进行比较,若每个频点存在线谱的概率估计值大于设定门限,则判断此频点为DEMON谱线谱谱峰,将DEMON谱线谱谱峰的判断结果记为Y0(n),n=1,2,...,N,若Y0(i)=1,则表示在其第i个数据对应的频点处存在DEMON谱线谱谱峰。
利用DEMON谱线谱谱峰的判断结果Y0(n),n=1,2,...,N,对该M批数据的DEMON谱继续进行时频综合;对于每一批数据,计算该批数据的DEMON谱与Y0(n)的相似度,若其相似度值超过门限,则其相似度值与该批数据的时频综合的权值成正比,若其相似度值未超过门限,则该批数据不参与时频综合,相似度采用余弦系数方法计算,第m批数据与Y0(n)的相似度的表达式为:
Figure BDA0003295783030000043
时频综合的DEMON谱融合结果为:
Figure BDA0003295783030000044
式中S0表示相似度门限,X0(n)为时频综合的DEMON谱融合结果。
S6,从时频综合的DEMON谱融合结果X0(n)中提取出DEMON线谱,对DEMON线谱的稳定性进行判别,如果其具有稳定性,则认为存在水中目标,如果其不具有稳定性,则认为不存在水中目标。
从时频综合的DEMON谱融合结果X0(n)中提取出DEMON线谱,筛选出其中所有的离散频点fi,i=1,2,…,n0;对于所有离散频点,相互间求其差频,得到:
fij=fi-fj,i=1,2,...,n0,j=1,2,...,n0;i>j,
保留取值范围在[10Hz,100Hz]的差频,对于所有的差频,统计取值相同的差频个数mi,mi表示取值均为某一频率的差频个数,i=1,2,…,n1,在所有取值相同的差频个数中,筛掉其数值小于一定阈值的差频个数,得到筛选后的若干组取值相同的差频;用离散频点的频率依次除以筛选后的差频并求余数,若余数小于一定阈值,即认为该离散频点的频率能被该差频整除,记录能整除筛选后的差频的所有离散频点的个数ki,i=1,2,…,n2,此时剩余的不能整除的差频即所要提取的DEMON线谱,计算剩余差频的品质因数
Figure BDA0003295783030000051
作为所要提取的DEMON线谱的强度。在提取得到DEMON线谱后,利用其线谱幅度和频率的相对标准偏差来判别线谱的稳定性;DEMON线谱幅度的均值为:
Figure BDA0003295783030000052
其中,Ai为DEMON线谱中的第i个离散线谱的幅度,M0为DEMON线谱中的离散线谱的个数,离散线谱幅度的相对标准偏差RSDA为:
Figure BDA0003295783030000053
其中,SA为DEMON线谱中的所有离散线谱幅度的标准偏差。
DEMON线谱中心频率的均值为:
Figure BDA0003295783030000054
其中,fi为DEMON线谱中的第i个离散线谱的中心频率。DEMON线谱中的所有离散线谱的中心频率的相对标准偏差RSDf为:
Figure BDA0003295783030000055
其中,Sf为DEMON线谱中的所有离散线谱中心频率的标准偏差。
判断DEMON线谱中的所有离散线谱的幅度和中心频率的标准偏差是否均小于各自的设定阈值,若二者均小于各自的设定阈值,则认为DEMON线谱有稳定性,否则认为DEMON线谱没有稳定性。
本发明的有益效果为:
相对信噪比的变化对调制谱特征和轴频及各阶谐波线谱的提取有明显的影响,但本发明所提出的调制线谱提取方法能够较好的适应低信噪比数据。为了克服螺旋桨轴频及其谐波对应的线谱不成严格倍频关系、幅度起伏严重及由于双车等原因噪声的线谱分裂等情况,本发明设计了在判定各线谱之间是否成倍频关系时,可以允许相差多个频率点,同时能应对幅度起伏严重时的多时刻调制线谱检测,以及对分裂的两根线谱进行合并并修正线谱要素等多种方法来提升检测调制谱轴频及倍频线谱的能力。
附图说明
图1为本发明的调制谱特征提取方法过程图;
图2为本发明的基于调制谱特征的水中目标在线筛选技术流程图。
具体实施方式
为了更好的了解本发明内容,这里给出一个实施例。
调制线谱的位置(调制频率)对应着螺旋桨的轴频、叶频(即轴频与叶片数目的乘积)以及谐波信息,满足公式:fm=m·n·s,式中,n是螺旋桨叶片数;s是螺旋桨转速;m是谐波次数;fm是谐波次数为m时的调制线谱的频率。各调制线谱间存在谐波关系,轴频为各次谐波的最大公约数,这种频谱特性为开展水中目标自主判识的重要信息和依据。
对水中目标信号进行检测的关键是在复杂的环境噪声中提取出目标信号的典型特征,信号有效特征的提取有赖于对目标信号及环境噪声的对比与分析。该目标辐射噪声时域信号呈现目标由远及近再至远航行的趋势,有明显的通过特性,距离测量平台近时,有较高的信噪比,远离测量平台时信噪比较低。该目标的调制谱图表现为具有轴频及其倍频的谐波线谱。
对获取的航行中的水中目标辐射噪声数据,开展调制谱特征提取,航行中的水中目标辐射噪声数据存在目标的螺旋桨轴频及其谐波线谱等调制信息,而在没有目标通过的海洋背景噪声中不会存在典型的螺旋桨调制信息,根据水中目标辐射噪声与海洋背景噪声的这一典型差异,通过判断水中目标辐射噪声数据中有无目标的螺旋桨轴频及其谐波线谱等调制信息,判定所获取数据中是否存在水中目标。通过检测波束域数据中是否存在目标调制线谱轴频、谐波线谱及谐波线谱之间的关系,来判断所获取的数据中是否存在水中目标。水中目标辐射噪声含有螺旋桨叶片速率线谱分量的低频幅度调制信号,水中目标辐射噪声信号在整个频带内的任一频率分量均受到螺旋桨的周期调制作用,从而形成宽带调制信号,通过对水声目标辐射噪声中包含的宽带调制信号进行解调分析,获得低频调制线谱信息,该过程称为调制谱分析,即调制谱特征是目标螺旋桨噪声调制信息在频域反映,调制谱特征的提取过程如图1所示。
本发明公开了一种基于调制谱特征的水中目标在线筛选方法,其步骤包括,S1,通过接收阵接收水中目标辐射噪声信号;
S2,对接收阵接收的水中目标辐射噪声信号进行信号放大的预处理,将经过预处理的辐射噪声信号送入L个不同频段的带通滤波器,把预处理的辐射噪声信号分解为L个不同频段的窄带信号;
S3,将步骤S2得到的L个不同频段的窄带信号进行平方检波,获取噪声幅度调制信号,然后将其送入低通滤波器进行低通滤波,获取L个低频噪声幅度调制信号
Figure BDA0003295783030000071
S4,将L个低频噪声幅度调制信号分别进行傅立叶变换,得到每一个频段的窄带信号的DEMON谱Sl(ω),l∈[1,...,L];进行傅立叶变换的信号带宽应大于等于200Hz;
S5,将L个频段的窄带信号的DEMON谱进行多频带加权融和,获取水中目标辐射噪声信号的DEMON谱,再对其进行时频综合,得到时频综合的DEMON谱融合结果;
所述的步骤S5,其具体包括:
用信息熵表征信号的不确定度,熵值越小确定性越高,信息熵的表达式为:
Figure BDA0003295783030000072
式中,pi为第i个信号的概率分布,0≤pi≤1,i=1,2,…,N。通过计算L个频段的窄带信号的DEMON谱的概率分布和信息熵,得到表征DEMON谱结构的谱确定度,信息熵值越小谱结构越好,越适合DEMON谱分析。
DEMON谱的概率分布的表达式为:
Figure BDA0003295783030000081
式中,E(i)表示第i个DEMON谱系数值,pi表示第i个DEMON谱系数值的概率分布,将DEMON谱的概率分布代入信息熵的表达式中,分别计算出某时刻L个频段的窄带信号的DEMON谱信息熵。
根据各个频段的DEMON谱信息熵,对各个频段的窄带信号的DEMON谱进行融合,从而得到L个频段的窄带信号的DEMON谱的多频带加权融和的结果,DEMON谱融合过程表示为:
Figure BDA0003295783030000082
式中,wi为加权系数,Ei(n)为第i个频段的窄带信号的第n个DEMON谱系数值,Y(n)表示融合后得到的DEMON谱的第n个DEMON谱系数值,其中,
Figure BDA0003295783030000083
其中,Hi表示第i个频段的窄带信号的DEMON谱信息熵。
多时段线谱提取与线谱决策,分别对M批数据的DEMON谱的多频带加权融和的结果进行线谱提取,构成多时段DEMON线谱矩阵Y,其表达式为:
Figure BDA0003295783030000084
其中,矩阵Y中的元素Yi(j)表示第i批数据的第j个DEMON谱系数值,对存在线谱的频率处对应的DEMON谱系数值置1,不存在线谱的频率处对应的DEMON谱系数值置0,对M批数据中每个频点存在线谱的概率进行估计,得到其估计值
Figure BDA0003295783030000091
的计算公式为:
Figure BDA0003295783030000092
将每个频点存在线谱的概率估计值与设定门限进行比较,若每个频点存在线谱的概率估计值大于设定门限,则判断此频点为DEMON谱线谱谱峰,将DEMON谱线谱谱峰的判断结果记为Y0(n),n=1,2,...,N,若Y0(i)=1,则表示在其第i个数据对应的频点处存在DEMON谱线谱谱峰。
利用DEMON谱线谱谱峰的判断结果Y0(n),n=1,2,...,N,对该M批数据的DEMON谱继续进行时频综合;对于每一批数据,计算该批数据的DEMON谱与Y0(n)的相似度,若其相似度值超过门限,则其相似度值与该批数据的时频综合的权值成正比,若其相似度值未超过门限,则该批数据不参与时频综合,若相似度高则此批数据的DEMON线谱信噪比较高,融合中比重较大,反之融合比重较小或不参加融合。相似度采用余弦系数方法计算,第m批数据与Y0(n)的相似度的表达式为:
Figure BDA0003295783030000093
时频综合的DEMON谱融合结果为:
Figure BDA0003295783030000094
式中S0表示相似度门限,X0(n)为时频综合的DEMON谱融合结果。
S6,从时频综合的DEMON谱融合结果X0(n)中提取出DEMON线谱,对DEMON线谱的稳定性进行判别,如果其具有稳定性,则认为存在水中目标,如果其不具有稳定性,则认为不存在水中目标。
DEMON线谱一般具有谐波关系,谐波分量在一定容限范围内是轴频的整数倍。根据这一关系可以对DEMON谱进行净化与提取。
从时频综合的DEMON谱融合结果X0(n)中提取出DEMON线谱,筛选出其中所有的离散频点fi,i=1,2,…,n0;对于所有离散频点,相互间求其差频,得到:
fij=fi-fj,i=1,2,...,n0,j=1,2,...,n0;i>j,
差频即可能存在轴频及轴频的倍频,保留取值范围在[10Hz,100Hz]的差频,因此需保证原始DEMON谱分析频段在0-200Hz或更宽,才能保证后续步骤成立;对于所有的差频,统计取值相同的差频个数mi,mi表示取值均为某一频率的差频个数,i=1,2,…,n1,在所有取值相同的差频个数中,筛掉其数值小于一定阈值的差频个数,得到筛选后的若干组取值相同的差频;用离散频点的频率依次除以筛选后的差频并求余数,若余数小于一定阈值,即认为该离散频点的频率能被该差频整除,记录能整除筛选后的差频的所有离散频点的个数ki,i=1,2,…,n2,此时剩余的不能整除的差频即所要提取的DEMON线谱,计算剩余差频的品质因数
Figure BDA0003295783030000101
作为所要提取的DEMON线谱的强度。在提取得到DEMON线谱后,利用其线谱幅度和频率的相对标准偏差来判别线谱的稳定性;DEMON线谱幅度的均值为:
Figure BDA0003295783030000102
其中,Ai为DEMON线谱中的第i个离散线谱的幅度,M0为DEMON线谱中的离散线谱的个数,离散线谱幅度的相对标准偏差RSDA为:
Figure BDA0003295783030000103
其中,SA为DEMON线谱中的所有离散线谱幅度的标准偏差。
DEMON线谱中心频率的均值为:
Figure BDA0003295783030000104
其中,fi为DEMON线谱中的第i个离散线谱的中心频率。DEMON线谱中的所有离散线谱的中心频率的相对标准偏差RSDf为:
Figure BDA0003295783030000111
其中,Sf为DEMON线谱中的所有离散线谱中心频率的标准偏差。
判断DEMON线谱中的所有离散线谱的幅度和中心频率的标准偏差是否均小于各自的设定阈值,若二者均小于各自的设定阈值,则认为DEMON线谱有稳定性,否则认为DEMON线谱没有稳定性。
在实际应用中可以根据实际情况设定标准偏差的门限值来确定有无目标。
对于信号的线谱只需要分析波峰波谷即可得到频谱特性,波峰波谷只可能出现在频率上升或下降的转折点,而不会出现在中间过程中。如采样点k–1,k,k+1对应的频谱值为yk-1,yk,yk+1,做差分运算:
Δyk=yk+1-yk,Δyk-1=yk-yk-1,当Δyk-1*yk>0则提取,当Δyk-1*yk<0保留。将结果与阀值Δgate比较,Δyk>Δgate则保留。
为了克服轴频二次谐波的干扰,需对二次谐波线谱进行过滤,方法如下:计算噪声线谱的二次差分量,
Δy-2=yk-2-yk
Δy2=yk+2-yk
若Δy-2>Δgate或Δy2>Δgate,且相邻的频率间隔Δf<5Hz,将其滤除,通过如上方法,最终得到稳定的线谱分布。
受声源本身辐射能量的起伏、多途效应等影响,线谱幅度存在一定的起伏,同时受线谱来源转速等微弱变化、相对运动参数变化引起的多普勒频移等影响,线谱的频率也会存在一定的变化,因此幅度和频率的稳定性也是线谱的重要特征。掌握目标辐射噪声线谱幅度稳定性特征,可为判断有无目标提供依据。
基于滑动频率,提取水中目标辐射噪声信号的轴频及其谐波线谱,获取轴频和谐波的线谱,分析轴频和谐波线谱关系,经过一定时间累积,如果线谱稳定则认为有目标,否则无目标。从差频中可提取水中目标辐射噪声信号的轴频及其谐波线谱。
本发明中的目标在线筛选技术是一种基于调制谱轴频及其谐波的目标检测方法,主要是通过对一段时间内的辐射噪声调制谱轴频及其谐波频率的实时检测跟踪,对是否存在目标舰船信号做出判断。当没有舰船目标螺旋桨噪声信号时,提取到的数据调制谱不存在谐波关系;当有舰船目标信号出现时,该段数据的调制谱出现轴频及相应倍频线谱,存在谐波关系。以上述条件为判断准则。在得到低频调制线谱信息后,通过多频带加权融合方法,得到融合后的N点数据的调制谱,提取基于滑动频率的螺旋桨轴频及其谐波线谱,综合对比多时间段的螺旋桨轴频及其谐波线谱关系,分析螺旋桨轴频及其谐波线谱在一定时间内的稳定性,如满足稳定性条件,则判断行船目标存在,记录目标数据;否则判断行船目标不存在,进入下一时刻重新检测。基于调制谱特征的水中目标检测方法的实现步骤如图2所示。
不同解调频段不同时间段的DEMON谱调制强弱不同,因此,可采用加权融合的方法对DEMON谱进行融合处理,以增强调制线谱强度,提高稳定线谱信噪比及螺旋桨轴频估计精度。
基于调制谱特征的水中目标在线筛选方法的关键步骤是调制谱轴频及其谐波线谱提取、轴频及其谐波关系分析,本发明通过实测数据分析验证了本发明所提出方法的有效性等。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。

Claims (2)

1.一种基于调制谱特征的水中目标在线筛选方法,其特征在于,其步骤包括,
S1,通过接收阵接收水中目标辐射噪声信号;
S2,对接收阵接收的水中目标辐射噪声信号进行信号放大的预处理,将经过预处理的辐射噪声信号送入L个不同频段的带通滤波器,把预处理的辐射噪声信号分解为L个不同频段的窄带信号;
S3,将步骤S2得到的L个不同频段的窄带信号进行平方检波,获取噪声幅度调制信号,然后将其送入低通滤波器进行低通滤波,获取L个低频噪声幅度调制信号
Figure FDA0003594375080000011
S4,将L个低频噪声幅度调制信号分别进行傅立叶变换,得到每一个频段的窄带信号的DEMON谱Sl(ω),l∈[1,...,L];
S5,将L个频段的窄带信号的DEMON谱进行多频带加权融和,获取水中目标辐射噪声信号的DEMON谱,再对其进行时频综合,得到时频综合的DEMON谱融合结果;
所述的步骤S5,其具体包括:
用信息熵表征信号的不确定度,信息熵的表达式为:
Figure FDA0003594375080000012
式中,pi为第i个信号的概率分布,0≤pi≤1,i=1,2,…,N;通过计算L个频段的窄带信号的DEMON谱的概率分布和信息熵,得到表征DEMON谱结构的谱确定度;
DEMON谱的概率分布的表达式为:
Figure FDA0003594375080000013
式中,E(i)表示第i个DEMON谱系数值,pi表示第i个DEMON谱系数值的概率分布,将DEMON谱的概率分布代入信息熵的表达式中,分别计算出某时刻L个频段的窄带信号的DEMON谱信息熵;
根据各个频段的DEMON谱信息熵,对各个频段的窄带信号的DEMON谱进行融合,从而得到L个频段的窄带信号的DEMON谱的多频带加权融和的结果,DEMON谱融合过程表示为:
Figure FDA0003594375080000021
式中,wi为加权系数,Ei(n)为第i个频段的窄带信号的第n个DEMON谱系数值,Y(n)表示融合后得到的DEMON谱的第n个DEMON谱系数值,其中,
Figure FDA0003594375080000022
其中,Hi表示第i个频段的窄带信号的DEMON谱信息熵;
多时段线谱提取与线谱决策,分别对M批数据的DEMON谱的多频带加权融和的结果进行线谱提取,构成多时段DEMON线谱矩阵Y,其表达式为:
Figure FDA0003594375080000023
其中,矩阵Y中的元素Yi(j)表示第i批数据的第j个DEMON谱系数值,对存在线谱的频率处对应的DEMON谱系数值置1,不存在线谱的频率处对应的DEMON谱系数值置0,对M批数据中每个频点存在线谱的概率进行估计,得到其估计值
Figure FDA0003594375080000024
的计算公式为:
Figure FDA0003594375080000025
将每个频点存在线谱的概率估计值与设定门限进行比较,若每个频点存在线谱的概率估计值大于设定门限,则判断此频点为DEMON谱线谱谱峰,将DEMON谱线谱谱峰的判断结果记为Y0(n),n=1,2,...,N,若Y0(i)=1,则表示在其第i个数据对应的频点处存在DEMON谱线谱谱峰;
利用DEMON谱线谱谱峰的判断结果Y0(n),n=1,2,...,N,对该M批数据的DEMON谱继续进行时频综合;对于每一批数据,计算该批数据的DEMON谱与Y0(n)的相似度,若其相似度值超过门限,则其相似度值与该批数据的时频综合的权值成正比,若其相似度值未超过门限,则该批数据不参与时频综合,相似度采用余弦系数方法计算,第m批数据与Y0(n)的相似度的表达式为:
Figure FDA0003594375080000031
时频综合的DEMON谱融合结果为:
Figure FDA0003594375080000032
式中S0表示相似度门限,X0(n)为时频综合的DEMON谱融合结果;
S6,从时频综合的DEMON谱融合结果X0(n)中提取出DEMON线谱,对DEMON线谱的稳定性进行判别,如果其具有稳定性,则认为存在水中目标,如果其不具有稳定性,则认为不存在水中目标;
所述的步骤S6,从时频综合的DEMON谱融合结果X0(n)中提取出DEMON线谱,筛选出其中所有的离散频点fi,i=1,2,… ,n0;对于所有离散频点,相互间求其差频,得到:
fij=fi-fj,i=1,2,...,n0,j=1,2,...,n0;i>j,
保留取值范围在[10Hz,100Hz]的差频,对于所有的差频,统计取值相同的差频个数mi,mi表示取值均为某一频率的差频个数,i=1,2,… ,n1,在所有取值相同的差频个数中,筛掉其数值小于一定阈值的差频个数,得到筛选后的若干组取值相同的差频;用离散频点的频率依次除以筛选后的差频并求余数,若余数小于一定阈值,即认为该离散频点的频率能被该差频整除,记录能整除筛选后的差频的所有离散频点的个数ki,i=1,2,… ,n2,此时剩余的不能整除的差频即所要提取的DEMON线谱,计算剩余差频的品质因数
Figure FDA0003594375080000041
作为所要提取的DEMON线谱的强度;在提取得到DEMON线谱后,利用其线谱幅度和频率的相对标准偏差来判别线谱的稳定性;DEMON线谱幅度的均值为:
Figure FDA0003594375080000042
其中,Ai为DEMON线谱中的第i个离散线谱的幅度,M0为DEMON线谱中的离散线谱的个数,离散线谱幅度的相对标准偏差RSDA为:
Figure FDA0003594375080000043
其中,SA为DEMON线谱中的所有离散线谱幅度的标准偏差;DEMON线谱中心频率的均值为:
Figure FDA0003594375080000044
其中,fi为DEMON线谱中的第i个离散线谱的中心频率;DEMON线谱中的所有离散线谱的中心频率的相对标准偏差RSDf为:
Figure FDA0003594375080000045
其中,Sf为DEMON线谱中的所有离散线谱中心频率的标准偏差;
判断DEMON线谱中的所有离散线谱的幅度和中心频率的标准偏差是否均小于各自的设定阈值,若二者均小于各自的设定阈值,则认为DEMON线谱有稳定性,否则认为DEMON线谱没有稳定性。
2.如权利要求1所述的基于调制谱特征的水中目标在线筛选方法,其特征在于,所述的步骤S4,进行傅立叶变换的信号带宽应大于等于200Hz。
CN202111176376.4A 2021-10-09 2021-10-09 基于调制谱特征的水中目标在线筛选方法 Active CN113887450B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111176376.4A CN113887450B (zh) 2021-10-09 2021-10-09 基于调制谱特征的水中目标在线筛选方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111176376.4A CN113887450B (zh) 2021-10-09 2021-10-09 基于调制谱特征的水中目标在线筛选方法

Publications (2)

Publication Number Publication Date
CN113887450A CN113887450A (zh) 2022-01-04
CN113887450B true CN113887450B (zh) 2022-05-20

Family

ID=79005890

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111176376.4A Active CN113887450B (zh) 2021-10-09 2021-10-09 基于调制谱特征的水中目标在线筛选方法

Country Status (1)

Country Link
CN (1) CN113887450B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114593815B (zh) * 2022-01-21 2024-06-07 中国人民解放军海军潜艇学院 一种基于自噪声数据的线谱提取技术

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CH404742A (de) * 1960-09-20 1965-12-31 Siemens Ag Einrichtung zur gerichteten Ein- oder Auskopplung von HF-Energie
WO2003104819A1 (en) * 2002-06-05 2003-12-18 Bayer Healthcare Ag Diagnostics and therapeutics for diseases associated with somatostatin receptor 3 (sstr3)
CN101113936A (zh) * 2007-07-20 2008-01-30 广州市计量检测技术研究院 一种虚拟振动台检测信号处理方法及其设备
CN101539597A (zh) * 2009-04-29 2009-09-23 哈尔滨工程大学 一种分辨具有相同频带辐射噪声的多目标方法
CN102098801A (zh) * 2010-12-27 2011-06-15 电子科技大学 农田生态环境信息的无线传感器网络数据获取方法
CN104833937A (zh) * 2015-05-21 2015-08-12 湖南大学 一种基于mir-rsd高精度余弦窗插值fft算法的谐波测量通道校准方法
CN105223906A (zh) * 2015-09-15 2016-01-06 华中科技大学 一种数控系统伺服驱动信号谐波频率的自动校正方法
CN106338713A (zh) * 2016-09-27 2017-01-18 哈尔滨工程大学 一种基于波束零陷权的矢量阵目标左右舷分辨方法
CN107390164A (zh) * 2017-06-13 2017-11-24 中国科学院声学研究所 一种水下分布式多源目标的连续跟踪方法
CN108732126A (zh) * 2017-04-25 2018-11-02 天士力医药集团股份有限公司 一种采用近红外光谱法测定丹参药材中多成分含量的方法
CN109285561A (zh) * 2018-09-06 2019-01-29 东南大学 一种基于自适应窗长的船舶螺旋桨空化噪声调制谱特征保真增强方法
CN110596458A (zh) * 2019-07-16 2019-12-20 西北工业大学 Demon谱谐波线谱和基频自动估计方法
CN111273265A (zh) * 2020-03-02 2020-06-12 中国人民解放军国防科技大学 基于demon谱的单矢量水听器自主测距装置及方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CH404742A (de) * 1960-09-20 1965-12-31 Siemens Ag Einrichtung zur gerichteten Ein- oder Auskopplung von HF-Energie
WO2003104819A1 (en) * 2002-06-05 2003-12-18 Bayer Healthcare Ag Diagnostics and therapeutics for diseases associated with somatostatin receptor 3 (sstr3)
CN101113936A (zh) * 2007-07-20 2008-01-30 广州市计量检测技术研究院 一种虚拟振动台检测信号处理方法及其设备
CN101539597A (zh) * 2009-04-29 2009-09-23 哈尔滨工程大学 一种分辨具有相同频带辐射噪声的多目标方法
CN102098801A (zh) * 2010-12-27 2011-06-15 电子科技大学 农田生态环境信息的无线传感器网络数据获取方法
CN104833937A (zh) * 2015-05-21 2015-08-12 湖南大学 一种基于mir-rsd高精度余弦窗插值fft算法的谐波测量通道校准方法
CN105223906A (zh) * 2015-09-15 2016-01-06 华中科技大学 一种数控系统伺服驱动信号谐波频率的自动校正方法
CN106338713A (zh) * 2016-09-27 2017-01-18 哈尔滨工程大学 一种基于波束零陷权的矢量阵目标左右舷分辨方法
CN108732126A (zh) * 2017-04-25 2018-11-02 天士力医药集团股份有限公司 一种采用近红外光谱法测定丹参药材中多成分含量的方法
CN107390164A (zh) * 2017-06-13 2017-11-24 中国科学院声学研究所 一种水下分布式多源目标的连续跟踪方法
CN109285561A (zh) * 2018-09-06 2019-01-29 东南大学 一种基于自适应窗长的船舶螺旋桨空化噪声调制谱特征保真增强方法
CN110596458A (zh) * 2019-07-16 2019-12-20 西北工业大学 Demon谱谐波线谱和基频自动估计方法
CN111273265A (zh) * 2020-03-02 2020-06-12 中国人民解放军国防科技大学 基于demon谱的单矢量水听器自主测距装置及方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Performance evaluation of linear and multi-linear subspace learning techniques for object classification based on underwater acoustics;Mohtashim Baqar et al.;《IEEE》;20170302;全文 *
基于DEMON谱信息提取算法的目标识别;白敬贤等;《声学技术》;20170228;全文 *
基于小波包和ZFFT的舰船辐射噪声调制特征融合和提取;张福生等;《科研发展》;20140730;全文 *
舰船噪声识别(III)—双重谱和平均功率谱的特征提取和模板图;吴国清等;《声学学报》;19990331;全文 *

Also Published As

Publication number Publication date
CN113887450A (zh) 2022-01-04

Similar Documents

Publication Publication Date Title
Cornman et al. A fuzzy logic method for improved moment estimation from Doppler spectra
CN102879766B (zh) 一种高频地波雷达弱目标检测跟踪方法和装置
KR101221773B1 (ko) 이중편파 레이더를 이용한 기상 및 비기상 에코 분류 방법
CN101539597B (zh) 一种分辨具有相同频带辐射噪声的多目标方法
CN103064063B (zh) 基于cwd特征的多相编码雷达信号波形自动识别方法
CN110389325B (zh) 一种旋翼无人机的雷达微多普勒信号提取方法
Uysal et al. Mitigation of wind turbine clutter for weather radar by signal separation
CN111722188A (zh) 基于stft预分选的pri变换雷达信号分选方法
CN113887450B (zh) 基于调制谱特征的水中目标在线筛选方法
CN116359851A (zh) 一种基于融合网络的雷达有源干扰检测识别方法及装置
CN106950554A (zh) 实现振动干扰条件下旋转目标参数估计的方法
CN113109837B (zh) 激光雷达系统数据处理方法
Golbon-Haghighi et al. Detection of ground clutter for dual-polarization weather radar using a novel 3D discriminant function
CN106199532A (zh) 基于混合傅立叶‑小波分析的探地雷达信号降噪方法
Chen et al. GNSS interference type recognition with fingerprint spectrum DNN method
CN117388833A (zh) 一种船舶辐射噪声解调谱相位差特征提取方法及系统
Yin et al. Radar target and moving clutter separation based on the low-rank matrix optimization
Sinha et al. Estimation of Doppler profile using multiparameter cost function method
CN115774248A (zh) 基于图多特征的海面小目标检测方法及系统
CN114545342A (zh) 利用多通道侦察接收机的雷达脉冲信号参数测量方法
CN104849546B (zh) 一种民航飞机散射信号多普勒频率估计方法
CN113552563B (zh) 垂测信息和高频地波雷达杂波信息的对应性分析方法
CN114994650A (zh) 一种改进的螺旋桨转速估计方法
CN114296046A (zh) 基于人工神经网络的hfswr多海况有效波高提取方法与装置
CN113820703B (zh) 一种基于散射变换的无人机目标旋翼参数估计方法

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