CN114740484A - 一种适用于混响边缘环境的水下多目标检测方法 - Google Patents

一种适用于混响边缘环境的水下多目标检测方法 Download PDF

Info

Publication number
CN114740484A
CN114740484A CN202210463672.0A CN202210463672A CN114740484A CN 114740484 A CN114740484 A CN 114740484A CN 202210463672 A CN202210463672 A CN 202210463672A CN 114740484 A CN114740484 A CN 114740484A
Authority
CN
China
Prior art keywords
reverberation
target
underwater multi
underwater
detection method
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.)
Pending
Application number
CN202210463672.0A
Other languages
English (en)
Inventor
闫林杰
郝程鹏
侯朝焕
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.)
Institute of Acoustics CAS
Original Assignee
Institute of Acoustics CAS
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 Institute of Acoustics CAS filed Critical Institute of Acoustics CAS
Priority to CN202210463672.0A priority Critical patent/CN114740484A/zh
Publication of CN114740484A publication Critical patent/CN114740484A/zh
Pending legal-status Critical Current

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
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/88—Sonar systems specially adapted for specific applications
    • 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
    • G01S7/539—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section

Landscapes

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

Abstract

本发明提供一种适用于混响边缘环境的水下多目标检测方法，包括：建立存在多点目标的混响边缘统计分布及离散时间信号模型，给出水下多目标STAD的二元假设检验问题；利用EM算法求解模型，完成对背景未知参数的强化估计，实现对不同参考单元非均匀混响样本所属能量区域的分类、边缘位置查找以及多目标所在单元的位置估计；将背景未知参量的强化估计结果应用于水下多目标STAD的似然比检验统计量求解，完成对混响边缘环境下的水下多目标存在性的恒虚警检测。本发明利用EM算法设计分类方案，基于分类指导完成背景未知参量强化估计以及水下STAD似然比检验求解，实现混响边缘位置查找以及混响能量区划分，达到提升多个点目标检测性能的目的。

Description

一种适用于混响边缘环境的水下多目标检测方法
技术领域
本申请涉及声纳探测技术领域，尤其涉及一种适用于混响边缘环境的水下多目标检测方法。
背景技术
海洋混响作为主动声纳的永恒背景干扰，对海洋探测装备性能发挥起着主要限制作用。对于浅海主动声纳探测，尤其当声纳载体具有一定运动速度时，平台接收混响谱在角度-多普勒域呈现明显的非线性映射关系，称为空时耦合性。水下空时自适应检测(STAD)作为融合空时二维滤波和恒虚警处理的水声探测技术，是实现浅海混响抑制和目标检测的关键手段。
然而，受海底地形起伏、海水内波、界面起伏等非均匀介质和不规则散射面调制，混响能量随参考单元渐变或突变呈现显著非均匀性，又称为混响边缘环境。该环境特征导致运动声纳接收样本不再满足统计一致的要求，促使现有水下STAD模型的干扰估计精度和感兴趣信号急剧衰减，大幅降低声纳探测距离并引发目标漏检。此外，实际的水下环境极为复杂，水下目标多以集群形式出现。如何实现水下STAD技术在混响边缘环境下的多目标精确探测，在声纳探测领域具有重要的理论意义和应用价值。
传统水下STAD模型对混响空时建模偏于理想化，忽略了浅海地形变化、界面起伏等因素导致的统计非均匀性，缺乏对混响边缘环境影响机理、统计特征和场景类别的充分认知，对混响边缘位置、参考单元数据能量分布等信息挖掘不足，无法满足实际应用需求。针对该问题，国外学者Pia Addabbo等利用期望最大化(EM)算法提出了混响边缘背景下的回波样本分类方案，实现了对不同参考单元样本所属能量区域分类以及边缘位置查找，达到提升非均匀混响抑制的目的。
然而，混响抑制仅是声纳探测的中间过程，而非最终目标。现有非均匀环境下的协方差矩阵分类方案仅考虑了对混响边缘位置、能量区划分的实现，未考虑由多目标后向散射结构化回波造成的辅助数据污染，不具备不同参考单元上的多个点目标探测能力，从而不能满足实际声纳探测需求。
发明内容
为解决浅海混响边缘环境中的运动声纳多目标检测困难问题，本发明目的在于提供一种适用于混响边缘环境的水下多目标检测方法，切实提高非均匀混响背景下的水下STAD性能。
所述一种适用于混响边缘环境的水下多目标检测方法，包括：
建立存在多点目标的混响边缘统计分布及离散时间信号模型；基于所述模型，给出水下多目标STAD的二元假设检验问题；
利用EM算法求解所述模型，完成对背景未知参数的强化估计；基于所述背景未知参量的强化估计实现对不同参考单元非均匀混响样本所属能量区域的分类，边缘位置查找以及所述多目标所在单元的位置估计；
将所述背景未知参量的强化估计结果应用于所述水下多目标STAD的似然比检验统计量求解，完成对混响边缘环境下的水下多目标存在性的恒虚警检测。
优选的，所述建立存在多点目标的混响边缘统计分布及离散时间信号模型，在主动声纳回波经信号预处理后，得到K个参考单元样本矢量
Figure BDA0003622407380000021
表示复数域，N为系统空时维度。
将声纳回波划分为L个非均匀混响能量区，单个能量区内混响区间协方差矩阵表示为
Figure BDA0003622407380000022
其中，l＝1，...，L为能量区类别标志，Kl为单个能量区内参考单元样本数，满足
Figure BDA0003622407380000023
考虑非均匀混响样本服从N维0均值、协方差矩阵为Ml的多元复高斯分布，将所述水下多目标STAD的二元假设检验问题描述如下：
Figure BDA0003622407380000024
式中H0和H1分别表示无目标和有目标假设。
优选的，所述H1的假设，首先利用利用声纳参考单元样本矩阵Z＝[z1，...，zk]的联合对数似然函数求解Jensen不等式得到EM算法E步计算结果：
Figure BDA0003622407380000025
式中(h1)表示EM算法第h-1次迭代的计算结果，L0+l和L1+l分别表示第l个混响能量区中无目标和有目标的类别标识，
Figure BDA0003622407380000026
为H1假设下第h-1次迭代的参数估计集合，
Figure BDA0003622407380000027
为H0假设下第h-1次迭代的参数估计集合，e-h(s)为基于模型阶数选择准则的惩罚函数，h(s)是与未知参量数量有关的惩罚因子，
Figure BDA0003622407380000028
为第h-1次迭代中参考单元样本zk属于Ls+l类别的概率，
Figure BDA00036224073800000216
为参考单元样本zk的条件概率密度函数。
其次利用最大似然估计方法求解EM算法M步计算结果，得到第h次迭代中未知参量
Figure BDA00036224073800000210
和
Figure BDA00036224073800000211
估计：
Figure BDA00036224073800000212
EM迭代结束后，取各参考单元样本
Figure BDA00036224073800000213
的最大值为最终分类结果。
优选的，所述H0的假设，首先利用参考单元样本矩阵Z＝[z1，...，zk]的联合对数似然函数求解Jensen不等式得到EM算法的E步计算结果：
Figure BDA00036224073800000214
其次利用最大似然估计方法求解EM算法M步计算结果，得到第h次迭代中未知参量
Figure BDA00036224073800000215
和
Figure BDA0003622407380000031
估计：
Figure BDA0003622407380000032
EM迭代结束后，取各参考单元样本
Figure BDA0003622407380000033
的最大值为最终分类结果。
优选的，将所述背景未知参量的强化估计结果应用于所述水下多目标STAD的似然比检验统计量求解，得到一种混响边缘环境下的水下多目标STAD方法：
Figure BDA0003622407380000034
本发明提供一种适用于混响边缘环境的水下多目标检测方法，将不同混响能量区、点目标存在时各参考单元统计特征变化规律用于EM算法，具备准确的样本分类性能。由于样本分类及目标检测均是在各参考单元上进行，实现目标检测的同时还可估算出各目标在参考单元的位置。相比于传统技术，本发明利用不同参考单元混响协方差矩阵的潜在统计信息实现混响所属能量区分类，同时基于分类结果指导完成未知参量强化估计以及水下STAD似然比检验求解，实现混响边缘位置查找以及混响能量区划分，达到提升多个点目标检测性能的目的。
附图说明
为了更简单说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例中适用于混响边缘环境的水下多目标检测方法的流程示意图；
图2为本申请实施例中采用蒙特-卡罗仿真方法得到的样本分类性能图；
图3为本申请实施例中采用蒙特-卡罗仿真方法得到的目标检测概率随SINR变化曲线图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例，本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明将混响边缘环境下的多目标检测问题转换为水下STAD二元假设检验求解，包括有目标假设和无目标假设两部分。为提高检测精度，首先利用混响边缘统计分布建立非均匀混响空时模型，基于不同参考单元混响数据的统计特征变化规律，引入代表混响能量区域类别的隐藏变量。采用EM算法求解模型，完成对背景中混响协方差矩阵、目标幅值等未知参量的强化估计，以及对不同参考单元非均匀混响样本所属能量区域的分类、边缘位置查找以及所述多目标所在单元的位置估计，并将背景未知参量的强化估计结果用于水下STAD似然比检测统计量求解，完成对混响边缘环境下的水下多目标存在性的恒虚警检测。
图1中，本发明提出的一种适用于混响边缘环境的水下多目标检测方法的步骤如下：
步骤S110：建立存在多点目标的混响边缘统计分布及离散时间信号模型，给出水下多目标STAD的二元假设检验问题。
首先介绍多个点目标存在时混响边缘统计分布及离散时间信号模型，在此基础上，给出水下多目标STAD的二元假设检验问题。
假设主动声纳回波经信号预处理后，得到K个参考单元样本矢量
Figure BDA0003622407380000041
表示复数域，N为系统空时维度。受海底地形变化等因素影响，声纳回波划分为L个非均匀混响能量区，不同混响区间协方差矩阵特性不一致，单个能量区内混响强度变化相对平稳，表示为
Figure BDA0003622407380000042
为能量区类别标志，Kl为单个能量区内参考单元样本数，满足
Figure BDA0003622407380000043
考虑非均匀混响样本服从N维0均值、协方差矩阵为Ml的多元复高斯分布：当有目标存在时，声纳回波样本表示为
Figure BDA0003622407380000044
t表示有目标存在的参考单元位置下标，T是目标总数，αi是第i个目标的未知幅值因子，v是目标归一化空时导向矢量。基于上述模型，水下多目标STAD的二元假设检验问题描述如下：
Figure BDA0003622407380000045
式中H0和H1分别表示无目标和有目标假设。
步骤S120：利用EM算法求解模型，完成对背景未知参数的强化估计，实现对不同参考单元非均匀混响样本所属能量区域的分类、边缘位置查找以及多目标所在单元的位置估计。
基于上式中模型描述，引入代表混响能量区域类别的隐藏随机变量ck，k＝1，...，K，其中每个ck均与zk相对应，P(ck＝l)＝pl表示参考单元样本zk属于能量区l的概率，又称ck的概率质量函数。下面利用EM算法求解上式中模型，联合实现非均匀混响样本分类、背景未知参量估计和多目标似然比检测。
一方面，基于H1的假设，首先利用声纳参考单元样本矩阵Z＝[z1，...，zk]的联合对数似然函数求解Jensen不等式得到EM算法E步计算结果：
Figure BDA0003622407380000046
式中(h1)表示EM算法第h-1次迭代的计算结果，L0+l和L1+l分别表示第l个混响能量区中无目标和有目标的类别标识，
Figure BDA0003622407380000047
为H1假设下第h-1次迭代的参数估计集合，
Figure BDA0003622407380000048
为H0假设下第h-1次迭代的参数估计集合，e-h(s)为基于模型阶数选择准则的惩罚函数，h(s)是与未知参量数量有关的惩罚因子，
Figure BDA0003622407380000049
为第h-1次迭代中参考单元样本zk属于Ls+l类别的概率，
Figure BDA00036224073800000413
为参考单元样本zk的条件概率密度函数，表示为：
Figure BDA00036224073800000411
Figure BDA00036224073800000412
其中，|·|表示矩阵行列式，exp{·}表示指数运算，tr[·]表示矩阵求迹，(·)H表示共轭转置。
其次利用最大似然估计方法求解EM算法M步计算结果，得到第h次迭代中未知参量
Figure BDA0003622407380000051
和
Figure BDA0003622407380000052
估计：
Figure BDA0003622407380000053
需说明的是，由于
Figure BDA0003622407380000054
和
Figure BDA0003622407380000055
估计过程中存在参数嵌套问题，因此采用循环迭代方式得到它们的次优解，步骤如下：
(1)
Figure BDA0003622407380000056
已知，估计
Figure BDA0003622407380000057
Figure BDA0003622407380000058
(2)
Figure BDA0003622407380000059
已知，估计
Figure BDA00036224073800000510
Figure BDA00036224073800000511
(3)反复循环步骤(1)～(2)，直至满足迭代停止条件。
EM迭代结束后，取各参考单元样本
Figure BDA00036224073800000512
的最大值为最终分类结果。
基于H1的假设，可实现对不同参考单元非均匀混响样本的能量区域划分，边缘位置查找以及各目标所在单元位置估计，其中对目标估计的实现也可以作为步骤S130中多目标检测的辅助验证
另一方面，基于H0的假设，同样利用参考单元样本矩阵Z＝[z1，...，zk]的联合对数似然函数求解Jensen不等式得到EM算法的E步计算结果：
Figure BDA00036224073800000513
其中
Figure BDA00036224073800000514
其次利用最大似然估计方法求解EM算法M步计算结果，得到第h次迭代中未知参量
Figure BDA00036224073800000515
和
Figure BDA00036224073800000516
估计：
Figure BDA00036224073800000517
Figure BDA00036224073800000518
EM迭代结束后，取各参考单元样本
Figure BDA00036224073800000519
的最大值为最终分类结果。
基于H0的假设，可实现对不同参考单元非均匀混响样本的能量区域划分，边缘位置查找。
步骤S130：将背景未知参量的强化估计结果应用于水下多目标STAD的似然比检验统计量求解，完成对混响边缘环境下的水下多目标存在性的恒虚警检测，得到一种混响边缘环境下的水下多目标STAD方法：
Figure BDA0003622407380000061
在一个实施例中，对本发明提出的一种适用于混响边缘环境的水下多目标检测方法做仿真分析，假设声纳阵元数N＝8，接收参考单元样本数K＝64，混响回波被划分为L＝2个非均匀混响能量区，各能量区样本数K1＝K2＝32，混响协方差矩阵
Figure BDA0003622407380000062
其中Mc＝ρ|i-j|，i，j＝1，...，N，ρ＝0.9为一步滞后相关系数，
Figure BDA0003622407380000063
分别为第1和第2个混响能量区功率，两个目标分别位于第15和38个参考单元处，目标波达角度均匀0°，信干噪比
Figure BDA0003622407380000064
下面采用蒙特-卡罗仿真方法对所提出方法的非均匀样本分类、目标检测性能加以分析，设定对检测概率Pd的独立实验次数为103次，虚警概率Pfa和蒙特-卡罗试验次数分别为10-2和100/Pfa，EM循环最大迭代次数为15，总分类类别数为4，具体包括：
类别1：参考单元位于混响能量区1，无目标存在；
类别2：参考单元位于混响能量区2，无目标存在；
类别3：参考单元位于混响能量区1，有一个目标存在；
类别4：参考单元位于混响能量区2，有一个目标存在。
图2给出各参考单元分别在SINR＝25dB和35dB时的样本分类性能，可以看出所提出方法的分类结果与场景设置的真实结果基本一致，可实现准确的混响边缘位置查找、混响能量区分类以及目标所在参考单元位置估计。图3给出Pd随SINR的变化曲线，可看出在SINR＝20dB时，所提出方法的目标检测概率达到1，具有优越的目标检测性能。
针对浅海混响边缘环境下的运动声纳多目标检测问题，现有方法未将多目标回波纳入混响样本分类方案，不具备不同参考单元上的多个点目标探测能力，无法满足实际声纳探测需求。本发明提出一种适用于混响边缘环境的水下多目标检测方法，利用目标存在及不同混响能量区的参考单元统计特征变化规律实现样本分类，同时基于分类结果指导完成未知参量强化估计以及水下STAD似然比检验统计量求解，实现混响边缘位置查找、混响能量区划分的同时，具备优越的多个点目标检测能力。
需要说明的是，在此提供的方法不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本发明也不针对任何特定的编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明内容，并且上面对特定语言、系统功能模块的调用所做的描述仅仅是为了披露发明的最佳实施方式。
在此处所提供的说明书中，说明了大量的具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下完成实现。在一些示例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若对本发明的这些修改和变型属于本发明权利要去及其同等技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (9)

1.一种适用于混响边缘环境的水下多目标检测方法，其特征在于，所述方法包括：
建立存在多点目标的混响边缘统计分布及离散时间信号模型；基于所述模型，给出水下多目标STAD的二元假设检验问题；
利用EM算法求解所述模型，完成对背景未知参数的强化估计；基于所述背景未知参量的强化估计实现对不同参考单元非均匀混响样本所属能量区域的分类，边缘位置查找以及所述多目标所在单元的位置估计；
将所述背景未知参量的强化估计结果应用于所述水下多目标STAD的似然比检验统计量求解，完成对混响边缘环境下的水下多目标存在性的恒虚警检测。
2.根据权利要求1所述的水下多目标检测方法，其特征在于，所述建立存在多点目标的混响边缘统计分布及离散时间信号模型，在主动声纳回波经信号预处理后，得到K个参考单元样本矢量
Figure FDA0003622407370000014
Figure FDA0003622407370000015
表示复数域，N为系统空时维度。
3.根据权利要求2所述的水下多目标检测方法，其特征在于，将声纳回波划分为L个非均匀混响能量区，单个能量区内混响区间协方差矩阵表示为
Figure FDA0003622407370000016
其中，l＝1，...，L为能量区类别标志，Kl为单个能量区内参考单元样本数，满足
Figure FDA0003622407370000017
4.根据权利要求3所述的水下多目标检测方法，其特征在于，考虑非均匀混响样本服从N维0均值、协方差矩阵为Ml的多元复高斯分布，将所述水下多目标STAD的二元假设检验问题描述如下：
Figure FDA0003622407370000011
式中H0和H1分别表示无目标和有目标假设。
5.根据权利要求4所述的水下多目标检测方法，其特征在于，所述H1的假设，首先利用利用声纳参考单元样本矩阵Z＝[z1，...，zk]的联合对数似然函数求解Jensen不等式得到EM算法E步计算结果：
Figure FDA0003622407370000012
式中(h-1)表示EM算法第h-1次迭代的计算结果，L0+l和L1+l分别表示第l个混响能量区中无目标和有目标的类别标识，
Figure FDA0003622407370000018
为H1假设下第h-1次迭代的参数估计集合，
Figure FDA0003622407370000019
为H0假设下第h-1次迭代的参数估计集合，e-h(s)为基于模型阶数选择准则的惩罚函数，h(s)是与未知参量数量有关的惩罚因子，
Figure FDA00036224073700000110
为第h-1次迭代中参考单元样本zk属于Ls+l类别的概率，
Figure FDA00036224073700000111
为参考单元样本zk的条件概率密度函数。
6.根据权利要求5所述的水下多目标检测方法，其特征在于，所述H1的假设，其次基于式(2)，利用最大似然估计方法求解EM算法M步计算结果，得到第h次迭代中未知参量
Figure FDA00036224073700000112
和
Figure FDA00036224073700000113
估计：
Figure FDA0003622407370000013
EM迭代结束后，取各参考单元样本
Figure FDA0003622407370000024
的最大值为最终分类结果。
7.根据权利要求4所述的水下多目标检测方法，其特征在于，所述H0的假设，首先利用参考单元样本矩阵Z＝[z1，...，zk]的联合对数似然函数求解Jensen不等式得到EM算法的E步计算结果：
Figure FDA0003622407370000021
8.根据权利要求7所述的水下多目标检测方法，其特征在于，所述H0的假设，其次基于式(7)，利用最大似然估计方法求解第h次迭代中未知参量
Figure FDA0003622407370000025
和
Figure FDA0003622407370000026
估计：
Figure FDA0003622407370000022
EM迭代结束后，取各参考单元样本
Figure FDA0003622407370000027
的最大值为最终分类结果。
9.根据权利要求1-8所述的水下多目标检测方法，其特征在于，将所述背景未知参量的强化估计结果应用于所述水下多目标STAD的似然比检验统计量求解，得到一种混响边缘环境下的水下多目标STAD方法：
Figure FDA0003622407370000023
CN202210463672.0A 2022-04-28 2022-04-28 一种适用于混响边缘环境的水下多目标检测方法 Pending CN114740484A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210463672.0A CN114740484A (zh) 2022-04-28 2022-04-28 一种适用于混响边缘环境的水下多目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210463672.0A CN114740484A (zh) 2022-04-28 2022-04-28 一种适用于混响边缘环境的水下多目标检测方法

Publications (1)

Publication Number Publication Date
CN114740484A true CN114740484A (zh) 2022-07-12

Family

ID=82285726

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210463672.0A Pending CN114740484A (zh) 2022-04-28 2022-04-28 一种适用于混响边缘环境的水下多目标检测方法

Country Status (1)

Country Link
CN (1) CN114740484A (zh)

Similar Documents

Publication Publication Date Title
Yi et al. Particle filtering based track-before-detect method for passive array sonar systems
CN111352087B (zh) 基于dbscan的被动mimo雷达多目标定位方法
CN112036239B (zh) 一种基于深度学习网络的雷达信号工作模式识别方法及系统
CN111123192A (zh) 一种基于圆形阵列和虚拟扩展的二维doa定位方法
Lan et al. Distributed ECM algorithm for OTHR multipath target tracking with unknown ionospheric heights
Zhang et al. Weighted likelihood CFAR detection for Weibull background
CN114117912A (zh) 一种数据模型双驱动下的海杂波建模与抑制方法
CN111090089B (zh) 一种基于两类辅助数据的空时自适应检测方法
CN112859807B (zh) 基于态势模拟和蒙特卡罗的水下航行器协同搜索效能评估方法
CN117010132B (zh) 一种水下多基地声纳系统的空间阵位优化方法及系统
CN115600120A (zh) 基于期望最大化聚类的水下集群目标检测方法及系统
CN114740484A (zh) 一种适用于混响边缘环境的水下多目标检测方法
CN112014791A (zh) 存在阵列误差的阵列pca-bp算法的近场源定位方法
Wu et al. High-Confidence Sample Augmentation Based on Label-Guided Denoising Diffusion Probabilistic Model for Active Deception Jamming Recognition
CN113109760B (zh) 一种基于组稀疏的多线谱联合doa估计和聚类方法及系统
CN113970762B (zh) 一种多级干扰源定位方法及系统
Zhong et al. Particle filtering for 2-D direction of arrival tracking using an acoustic vector sensor
Li et al. Deep learning-based DOA estimation using CRNN for underwater acoustic arrays
Zhong et al. Particle filtering with enhanced likelihood model for underwater acoustic source DOA tracking
Hongyuan et al. Localization for mixed near-field and far-field sources under impulsive noise
CN105703841A (zh) 一种多路径传播宽带主动声信号的分离方法
Blanding et al. Covert sonar tracking
Cui et al. A modifled subspace tracking algorithm based on the constrained projection approximation for space-time adaptive processing
CN111965594B (zh) 一种基于特征值搜索的轻量级直接跟踪方法
Liu et al. A direction of arrival estimation method based on deep learning

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