CN114429154B - 一种多径辅助深度学习的水声阵列定向方法 - Google Patents
一种多径辅助深度学习的水声阵列定向方法 Download PDFInfo
- Publication number
- CN114429154B CN114429154B CN202210015533.1A CN202210015533A CN114429154B CN 114429154 B CN114429154 B CN 114429154B CN 202210015533 A CN202210015533 A CN 202210015533A CN 114429154 B CN114429154 B CN 114429154B
- Authority
- CN
- China
- Prior art keywords
- array
- multipath
- deep learning
- sound source
- samples
- 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 26
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 238000003491 array Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 238000013136 deep learning model Methods 0.000 claims description 3
- 239000011295 pitch Substances 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Signal Processing (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明提供了一种多径辅助深度学习的水声阵列定向方法,布置垂直线列阵,并在距离阵列中心相同距离处周向均布若干声源;各个声源分别分时多次发射正弦信号,然后更换具有不同阵元间距的垂直线列阵后重复上述步骤,完成垂直线列阵的信息采集;对于采集的每个声源的单次信息构建单个样本,并为信号添加并不存在的多径信道,将获得的全部样本作为带标签训练集,训练神经网络,并利用神经网络完成定向。本发明在常规数据集样本基础上,通过增添含虚拟多径的信号样本,有效提高了样本的多样性,增加了网络的泛化能力,能够实现阵列在不同环境下的高精度定向。
Description
技术领域
本发明涉及一种基于卷积神经网络的水声阵列定向方法,属于阵列定向算法领域,适合于浅海多径环境下的阵列定向问题。
背景技术
采用阵列来对目标进行探测与定向是现阶段国内外专家与学者研究的主流方向。水声定向技术通常以波束形成技术为核心,通过将声呐阵列中全部水声换能器阵元在同一时刻接收到的某一方向的信号数据,以其中一个阵元为基准,将其他阵元接收到的信号经过相应的时延或相移补偿处理后叠加到该基准阵元上,进而实现能量积聚,最终获得能量输出最大的方向以实现对目标的定向。但传统方法在复杂多径、非视距环境中,并不能取得较好的效果。
近些年,成熟高效的机器学习方法的出现,进一步推动了水声定向技术的发展。机器学习算法可以在数据的支持下,通过建模的方式自适应的学习各种任务,从而满足需求。而在现有的基于深度学习方法中,通常利用原信号、GCC向量等信息直接作为训练集对神经网络进行训练,并利用训练好的网络实现目标定向(如图1所示)。但是,水下环境具有多变的特点,其信道条件的改变会造成大量新鲜样本的产生,使常规深度学习方法下的神经网络适应能力弱,泛化能力低,定向效果差。同时,现有方法仅考虑了固定阵列间距条件的情景,致使各类标签的数据集远远不足,网络鲁棒性差。一旦定向场景发生改变,或者接收阵列发生更换,原训练好的神经网络将无法高精度的完成新有的定向任务。
发明内容
为了克服现有技术的不足,本发明提供一种多径辅助深度学习的水声阵列定向方法,在常规数据集样本基础上,通过增添含虚拟多径的信号样本,有效提高了样本的多样性,并融合阵列间距数据以完成数据集构建,最后结合卷积神经网络,实现目标定向。本发明能够有效提高神经网络的泛化能力,以实现阵列在不同环境下的高精度定向。
本发明解决其技术问题所采用的技术方案包括以下步骤:
步骤一,在水深为H1的场景下布置垂直线列阵,其坐标位于(0,-Z),其中Z为垂直线列阵布放深度,并在距离阵列中心L米处布放声源,每间隔角度α布放一个,共计布放q个;
步骤二,各个声源分别分时多次发射频率为kHz的正弦信号,每个声源发射m次后,更换具有不同阵元间距的垂直线列阵后重复步骤一和步骤二,直至完成p个垂直线列阵的信息采集;
步骤三,对于采集的每个声源的单次信息构建单个样本
其中M为一轮信息收集下单个阵元的采集数据点个数,J为垂直线列阵的阵元数量,T=JM为单个阵列总采集数据点个数,d为阵元间距;共计完成q类样本的构建,每一类样本包含mp个,得到包含qmp个样本的数据集;此处的一轮指单个声源单次发送信号;
步骤四,在步骤二收集的信号基础上,为信号添加并不存在的多径信道,共计增加样本l个;
步骤五,将上述qmp+l个样本作为带标签训练集,训练神经网络,并利用神经网络完成定向。
所述的垂直线列阵的布放深度为0.3H1<Z<0.7H1。
所述的间隔角度α≥5°,且布放范围为以垂直线列阵为圆心的20°~160°圆弧。
所述的声源的发射频率为7≤k≤13。
所述的不同阵元间距的垂直线列阵的数量p>3。
所述的垂直线列阵的阵元数量J的取值范围为6~10。
所述的步骤三当单次发送信号时间大于设定长度时,将信号截取为若干段,每段作为一轮。
所述的步骤三对于采集的每个声源的单次信息构建单个样本进行重新排列,将矩阵拉伸为行数与列数相同的新矩阵。
所述的步骤三对于每个声源的单次信息构建单个样本不采用采集的原信号,而采用其他特征值,包括GCC、协方差矩阵。
所述的步骤四在仿真时通过直接改变水深H1来实现;对于实际数据集,利用深度学习模型或机器学习方法获得信号的多径数量,然后在含多径数量较少的信号中添加多径信息。
本发明的有益效果是:
1.水下环境具有多变的特点,其信道条件的改变会造成大量新鲜样本的产生,使常规深度学习方法下的神经网络适应能力弱,本发明在常规数据集样本基础上,通过增添含虚拟多径的信号样本,有效提高了样本的多样性,增加了网络的泛化能力。
2.相比于传统基于神经网络定向方法仅仅能适用于同一阵列的情景,本发明通过将阵元间距纳入考量,使得该神经网络能够有效运用于不同的阵列结构。
附图说明
图1是基于深度学习的分类识别流程图;
图2是阵列接收多径声线图(10阵元阵列);
图3是深度与本征声线多径关系示意图;
图4是虚拟多径构造示意图;
图5是基于多径辅助的数据集生成示意图;
图6是数据集构建示意图;
图7是单目标定位布放示意图(8分类);
图8是基于多径辅助的分类识别流程图。
具体实施方式
下面结合附图和实施例对本发明进一步说明,本发明包括但不仅限于下述实施例。
海洋中的多径效应主要由海底和海面反射、分层介质折射、海水内部结构等因素引起。浅海信道声速变化不大,在工程实践中常常假设为均匀声速信道,几乎任何两点之间都存在直达声、海面和海底界面反射声,往往有比较明显的直达径,加之界面反射损失较小,多径现象非常显著,如图2所示为单发射声源,8阵元阵列接收信号多径图。
信号多径传播模型为:
式中,x(t)、s(t)、ω(t)分别表示接收信号、发射信号、信道的加性高斯白噪声,对于无源声呐一般认为s(t)是直达波。αd表示第d路多径信号的幅度,如果表示多个散射体回波,则认为是第d个反射体的反射系数,τd表示该路信号的到达时延,D表示多径信号序号。
离散时间模型为:
式中,TS表示采样周期,为表述简洁以下省略TS,即x(nTS)用x(n)表示,N表示连续观测样本数。
将(2)写为矩阵形式,
x=sα+ω (3)
其中:
x=[x(0),x(1),…,x(N-1)]T,
s=[sN0,sN1,…,sNd,…sN(D-1)],
sNd=[s(0-τd),s(1-τd),…s((N-1)-τd)]T,
α=[α0,α1,…αD-1]T,
ω=[ω(0),ω(1),…,ω(N-1)]T。
由于在海洋中多径数量受海洋深度的影响大,更靠近海面的声源更可能有较多的海面反射多径与较少的海底反射多径(如图4所示)。而对于水下垂直线列阵,在二维场景下,发射声源的深度直接影响其探测的声源方向(如图3所示),因而在神经网络的学习中,采用原信号作为输入时,网络会学习多径特征带来的方向信息,例如图3所示场景下,若进行三分类判断目标波大方向,网络可能会直接判断多径数量为3的信号为标签2;但是水声场景的改变、海下生物的移动、海面船只的影响、非视距的产生等都会较大的改变目标的多径数量,这极大影响了神经网络的泛化能力与鲁棒性。
因而,本发明考虑对于同一位置的目标构造多类多径背景的样本以构建数据集,提高网络泛化能力。如图4所示,在未构造虚拟多径前,发射声源1由于靠近海面,因而仅包含直达径与海面多径,发射声源2则含有三条多径:海面多径、直达径、海面多径,因而在卷积网络的学习中,网络可能学习多径的数量作为分类依据,而在时间变化与场景变化下,信息的多径数量易发生改变,即使在高信噪比下,依然易产生判断错误的情景。在图4中想要给发射声源1增添2条多径,需要先找到发射声源1的海面镜像与海底镜像,找到接收阵列的海底镜像。在仅考虑直线传播下,分别连接发射声源1海面镜像与接收阵列海底镜像、发射声源1海底镜像与接受阵列,即图中单向箭头线,该线与海底、海面的交点处,即为虚拟多径反射点,依据此构建虚拟多径(图中虚线)。
在上述基础上,完成对虚拟多径信道的构建,对于仿真数据,通过增大发射声源发射功率与改变浅海深度构造其虚拟多径,增大数据集,提高网络泛化能力。对于真实数据,通过分步式学习策略先获得其多径数量,并进而在此基础上构造其虚拟多径,形成半合成数据集,如图5所示。
同时,在此基础上,考虑到不同发射信号的频率不同,这导致了半波长的不同,从而针对不同的定位任务,可能使用不同阵列间距的阵列。此时会因为阵列更换而导致神经网络失效。为了进一步提高神经网络的泛化能力,对于均匀线列阵,将阵列间距与特征一起作为神经网络输入。将阵列间距同样作为一个特征进行学习以使训练的神经适用于有不同阵列间距的阵列。
考虑到阵列间距d,这个信息仅一个单独数字,相比于原信号及信号其他特征,其数据个数太少,为了防止其被其他数据淹没,进一步对其进行复制并扩维,构建如图6所示数据集。首先将原信号或普通特征按二维矩阵的方式重新排列,以有利于神经网络更好的调参与训练,重新排列之后,将阵列间距d增加到矩阵之后。图中,yq(i)为原信号或提取特征的数值大小,T为数据个数,M的数值与d的数量根据实际需求设置。通过合并数据集的构造,使神经网络可有效运用于包含不同阵列间距的阵列。
本发明的实施例提供一个针对基于卷积神经网络的定向算法,改进其传统数据集结构从而提高其泛化能力。通过以下步骤进行说明,以下步骤可通过matlab的bellhop仿真完成或者实际布放进行:
步骤一:于水深为H1的场景下布置垂直线列阵,其坐标位于(0,-Z),其中Z为其布放深度。并在距离阵列中心L米处布放发射声源,每α°布放一个,共计布放q个。以图7为例,图中圆形为垂直线列阵中心,位于水下50米处,其坐标为(0,-50)。星形为发射声源。其坐标分别为(3.4729,-69.6961)(10,-67.3205)(15.3209,-62.8558)(18.7939,-56.8404)(20,-50)(18.7939,-43.1596)(15.3209,-37.1442)(10,-32.6795),这些发射声源与阵列中心的距离为L=20米,其相对于线列阵中心的角度分别为10°、30°、50°、70°、90°、110°、130°、150°,即α=20。
步骤二:各个发射声源分别多次发射频率为kHz的正弦信号(各个发射声源不同时发射信号),每个声源发射m次后,更换具有不同阵元间距的垂直线列阵(共计p个),重复上述步骤,直至完成p个垂直线列阵的信息采集。
步骤三:对于每个声源的收集的单次信息,根据图6中所述的技术方案构建单个样本,其中M为一轮信息收集下单个阵元的采集数据点个数,J为阵元数量,其为常数,且保持不变,建议其数值范围为6~10。此处的一轮指单个声源单次发送信号完成,而当单次发送信号时间较长时候,也可将信号截取为多段,每段作为一轮。T=JM为单个阵列总采集数据点个数,d为阵元间距。共计完成q类样本的构建,每一类样本包含mp个,数据集共计包含qmp个样本。
步骤四:上述前三步骤下,水深与布放深度固定,以及在bellhop仿真下,其多径数量并不会发生变化。此处根据本专利所提虚拟多径法,在步骤二收集的信号基础上,依据公式(3)与图4为信号添加仿真条件下并不存在的多径信道,在仿真中,可以通过直接改变水深H1来实现。对于实际数据集,可以根据图5所示方法先利用深度学习模型或传统机器学习方法获得信号的多径数量等信息,然后再在信号中添加多径信息。共计增加样本l个。
步骤五:依据图8所示,将上述qmp+l作为带标签训练集,训练神经网络,并利用神经网络完成定向。
在上述步骤基础上,为了进一步便于神经网络调参,可以对(4)进行重新排列,依据实际矩阵的大小,将矩阵拉伸为行数与列数相同或相近的新矩阵。而为了进一步减少大数据集需求,也可不采用原信号,采用其他特征值,如GCC、协方差矩阵等,如下式:
式中,Rij为第i个阵元与第j个阵元接收信号的协方差值。
Claims (10)
1.一种多径辅助深度学习的水声阵列定向方法,其特征在于,包括以下步骤:
步骤一,在水深为H1的场景下布置垂直线列阵,其坐标位于(0,-Z),其中Z为垂直线列阵布放深度,并在距离阵列中心L米处布放声源,每间隔角度α布放一个,共计布放q个;
步骤二,各个声源分别分时多次发射频率为kHz的正弦信号,每个声源发射m次后,更换具有不同阵元间距的垂直线列阵后重复步骤一和步骤二,直至完成p个垂直线列阵的信息采集;
步骤三,对于采集的每个声源的单次信息构建单个样本
其中M为一轮信息收集下单个阵元的采集数据点个数,J为垂直线列阵的阵元数量,T=JM为单个阵列总采集数据点个数,d为阵元间距;共计完成q类样本的构建,每一类样本包含mp个,得到包含qmp个样本的数据集;此处的一轮指单个声源单次发送信号;
步骤四,在步骤二收集的信号基础上,为信号添加并不存在的多径信道,共计增加样本l个;
步骤五,将上述qmp+l个样本作为带标签训练集,训练神经网络,并利用神经网络完成定向。
2.根据权利要求1所述的多径辅助深度学习的水声阵列定向方法,其特征在于,所述的垂直线列阵的布放深度为0.3H1<Z<0.7H1。
3.根据权利要求1所述的多径辅助深度学习的水声阵列定向方法,其特征在于,所述的间隔角度α≥5°,且布放范围为以垂直线列阵为圆心的20°~160°圆弧。
4.根据权利要求1所述的多径辅助深度学习的水声阵列定向方法,其特征在于,所述的声源的发射频率为7≤k≤13。
5.根据权利要求1所述的多径辅助深度学习的水声阵列定向方法,其特征在于,所述的不同阵元间距的垂直线列阵的数量p>3。
6.根据权利要求1所述的多径辅助深度学习的水声阵列定向方法,其特征在于,所述的垂直线列阵的阵元数量J的取值范围为6~10。
7.根据权利要求1所述的多径辅助深度学习的水声阵列定向方法,其特征在于,所述的步骤三当单次发送信号时间大于设定长度时,将信号截取为若干段,每段作为一轮。
8.根据权利要求1所述的多径辅助深度学习的水声阵列定向方法,其特征在于,所述的步骤三对于采集的每个声源的单次信息构建单个样本进行重新排列,将矩阵拉伸为行数与列数相同的新矩阵。
9.根据权利要求1所述的多径辅助深度学习的水声阵列定向方法,其特征在于,所述的步骤三对于每个声源的单次信息构建单个样本不采用采集的原信号,而采用其他特征值,包括GCC、协方差矩阵。
10.根据权利要求1所述的多径辅助深度学习的水声阵列定向方法,其特征在于,所述的步骤四在仿真时通过直接改变水深H1来实现;对于实际数据集,利用深度学习模型或机器学习方法获得信号的多径数量,然后在含多径数量较少的信号中添加多径信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210015533.1A CN114429154B (zh) | 2022-01-07 | 2022-01-07 | 一种多径辅助深度学习的水声阵列定向方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210015533.1A CN114429154B (zh) | 2022-01-07 | 2022-01-07 | 一种多径辅助深度学习的水声阵列定向方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114429154A CN114429154A (zh) | 2022-05-03 |
CN114429154B true CN114429154B (zh) | 2024-03-19 |
Family
ID=81310923
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210015533.1A Active CN114429154B (zh) | 2022-01-07 | 2022-01-07 | 一种多径辅助深度学习的水声阵列定向方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114429154B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107561486A (zh) * | 2017-07-03 | 2018-01-09 | 西北工业大学 | 一种基于主动时反的浅海目标波达方向估计方法 |
CN109975762A (zh) * | 2017-12-28 | 2019-07-05 | 中国科学院声学研究所 | 一种水下声源定位方法 |
WO2020253690A1 (zh) * | 2019-06-17 | 2020-12-24 | 浙江大学 | 一种基于近似消息传递算法的深度学习波束域信道估计方法 |
WO2021164282A1 (zh) * | 2020-02-18 | 2021-08-26 | 华南理工大学 | 基于低秩矩阵重建的水声宽频散射源的定位方法 |
-
2022
- 2022-01-07 CN CN202210015533.1A patent/CN114429154B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107561486A (zh) * | 2017-07-03 | 2018-01-09 | 西北工业大学 | 一种基于主动时反的浅海目标波达方向估计方法 |
CN109975762A (zh) * | 2017-12-28 | 2019-07-05 | 中国科学院声学研究所 | 一种水下声源定位方法 |
WO2020253690A1 (zh) * | 2019-06-17 | 2020-12-24 | 浙江大学 | 一种基于近似消息传递算法的深度学习波束域信道估计方法 |
WO2021164282A1 (zh) * | 2020-02-18 | 2021-08-26 | 华南理工大学 | 基于低秩矩阵重建的水声宽频散射源的定位方法 |
Non-Patent Citations (2)
Title |
---|
基于远场声源定位的改进MUSIC算法研究;邓艳容;李嘉栋;张法碧;罗迪;朱承同;冯振邦;;电子技术应用;20181206(第12期);全文 * |
浅海声源信道中信号优化探测研究;荆海霞;申晓红;王海燕;;计算机仿真;20161015(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114429154A (zh) | 2022-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103048642B (zh) | 基于频域最小二乘法的水声脉冲信号匹配场定位方法 | |
CN112505666B (zh) | 一种二维多波束合成孔径声呐目标回波仿真方法 | |
CN111323752B (zh) | 远近场过渡区间声源定位方法 | |
CN105258684A (zh) | 基于激光点云为约束的多波束低掠射角波束归位方法 | |
CN108845325A (zh) | 拖曳线列阵声纳子阵误差失配估计方法 | |
CN109283511A (zh) | 一种宽覆盖多波束接收基阵校准方法 | |
CN102928844A (zh) | 一种水下亚波长分辨率三维成像方法 | |
CN103926579A (zh) | 一种开放式阵列信号的仿真方法 | |
CN106093849A (zh) | 一种基于测距和神经网络算法的水下定位方法 | |
CN105629220A (zh) | 一种基于单水听器的深海水声被动测距方法 | |
CN109061654B (zh) | 一种深海环境下单圆环阵主动三维定位方法 | |
CN105005026A (zh) | 一种近场目标声源三维被动定位方法 | |
CN109635486A (zh) | 一种高分辨率三维成像声纳换能器阵列稀疏优化方法 | |
CN108414984B (zh) | 一种基于二阶干涉的水下目标定位方法 | |
CN114429154B (zh) | 一种多径辅助深度学习的水声阵列定向方法 | |
MX2011006633A (es) | Sistema y metodo para reducir la variacion de señal de fuentes sismicas. | |
Dubrovinskaya et al. | Anchorless underwater acoustic localization | |
CN110824193A (zh) | 一种基于多波束径向流速测量的非均匀水流速度估计方法 | |
CN106546953B (zh) | 一种基于人工蜂群算法的室内水下目标定位方法 | |
CN113009417B (zh) | 利用声场干涉特性的海底声学阵列阵形估计方法 | |
CN109506763A (zh) | 一种基于教与学优化的矢量水听器稀疏布阵方法 | |
CN113126029B (zh) | 适用于深海可靠声路径环境的多传感器脉冲声源定位方法 | |
CN113126030B (zh) | 基于宽带声场干涉结构的深海直达声区目标深度估计方法 | |
CN110068798B (zh) | 水下自主航行器的四元接收稀疏阵型及接收信号方法 | |
CN110441779B (zh) | 一种多声纳浮标分布式协同定位方法 |
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 |