CN114818113A - 一种水下目标探测识别仿真系统及方法 - Google Patents
一种水下目标探测识别仿真系统及方法 Download PDFInfo
- Publication number
- CN114818113A CN114818113A CN202210269591.7A CN202210269591A CN114818113A CN 114818113 A CN114818113 A CN 114818113A CN 202210269591 A CN202210269591 A CN 202210269591A CN 114818113 A CN114818113 A CN 114818113A
- Authority
- CN
- China
- Prior art keywords
- detection
- target
- simulation
- model
- underwater
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种水下目标探测识别仿真系统及方法,该系统以探测信息协同处理模块和目标探测结果分类识别模块为核心,结合高分辨模型库中的仿真元件,完成对水下目标协同探测与识别的过程的模拟,实现用于水下目标协同探测与识别的仿真模拟系统。
Description
技术领域
本发明涉及水下探测技术领域,具体涉及一种水下目标探测识别仿真系统及方法。
背景技术
随着信息化海战的发展,水下感知、协同探测技术越来越重要。但海洋环境多变,同时水下空间具有迥异于其它空间的性和特殊性,从真实环境中获得足够的多源探测信息需要较高的成本。
随着计算机技术的发展,可以帮助研究人员、操作人员等进行“超前实践”的仿真分析与应用验证技术已经被世界各国广泛应用,但目前的仿真系统作为通用系统包含了“陆、海、空、天、电、网”等多物理域,对水下探测领域适配性差,模型分辨率低,系统节点不具备协同探测与识别能力。
发明内容
本发明要解决的技术问题为目前仿真系统作为通用系统包含了“陆、海、空、天、电、网”等多物理域,对水下探测领域适配性差,模型分辨率低,系统节点不具备协同探测与识别能力,因此,本发明提供一种水下目标探测识别仿真系统及方法,在现有仿真系统的基础上,考虑水下目标分布式探测与识别的实际处理过程,通过建立用于水下协同探测与识别的高分辨模型库、探测信息协同处理模块、水下目标探测结果分类识别模块,实现可用于水下目标协同探测与识别的仿真模拟,为水下目标分布式协同探测处理仿真模拟提供有效解决方案。
本发明通过下述技术方案实现:
一种水下目标探测识别仿真系统,包括:
模型建立和应用模块,用于根据仿真需求从高分辨模型库中的调用对应仿真元件,生成目标探测模型;在得到目标探测模型后,将仿真需求中的待仿真数据输入到目标探测模型进行处理,输出探测信息;
探测信息协同处理模块,用于对目标探测模型输出的探测信息进行融合处理,生成目标探测结果并发送给仿真探测平台;
目标探测结果分类识别模块,用于对探测信息协同处理模块生成的目标探测结果进行识别处理和分类,得到目标识别信息并发送给仿真探测平台;
仿真探测平台,用于将接收到的探测信息和目标识别信息发送给数据记录模块进行记录。
进一步地,所述模型建立和应用模块包括:
仿真元件获取单元,用于根据仿真需求中需要的仿真元件,从高分辨率模型库中调用对应的仿真元件;
仿真元件组装单元,用于按照仿真需求中的组装关系和关联关系对调用的仿真元件进行组装和关联,得到目标探测模型。
进一步地,所述高分辨率模型库包括探测节点模型、探测目标模型、战场干扰模型、传感器阵列模型和网路模型;
其中,所述探测节点模型包括声纳仿真元件、浮标与潜标仿真元件、无人潜航器仿真元件和水面舰艇仿真元件;
探测目标模型包括舰艇仿真元件、蛙人仿真元件、潜艇仿真元件和无人潜航器仿真元件;
战场干扰模型包括多普勒效应模型、自噪声干扰模型、水声传播模型、混响模型和海洋环境噪声模型;
传感器阵列模型包括传感器线列阵仿真元件、传感器体积阵仿真元件和传感器柱形阵仿真元件;
网络模型包括时隙控制模拟模型、网络管理模拟模型和链路传输模拟模型。
进一步地,所述探测信息包括探测目标的位置信息、速度信息和状态信息;所述探测信息协同处理模块,包括:
探测信息空间对齐单元,用于采用数据对齐函数对获取的位置信息、速度信息和状态信息进行空间对齐,并通过卡尔曼滤波算法对空间对齐后的数据进行滤波,得到滤波后的数据;
探测信息综合处理单元,用于对滤波后的数据进行航迹预处理、航迹关联处理和航迹融合处理,得到目标融合航迹;
水下目标威胁排序单元,用于根据目标融合航迹构建水下目标威胁排序模型,计算得到水下目标威胁度,并对水下目标威胁度进行排序,形成威胁排序结果作为目标探测结果。
进一步地,所述目标探测结果分类识别模块,包括:
数据预处理单元,用于调用预处理函数,从探测信息协同处理模块生成的目标探测结果中提取原始信号,并对提取到的原始信号进行空间对齐预处理,得到预处理数据;
特征提取单元,用于调用特征提取函数,从时域、频域和时频联合域对预处理数据进行特征提取,得到多维特征;
特征选择单元,用于根据仿真需求中的特征选取条件对提取到的多维特征进行特征选择,得到有效特征;
有效特征处理单元,用于对选择的有效特征进行关联分析得到关联特征,并调用目标识别算法对关联特征进行分类,得到目标分类结果。
进一步地,所述特征提取单元包括:
时域特征提取单元,用于对预处理数据的时域数据进行均方值、峰值、方差处理,得到时域特征;
频域特征提取单元,用于采用傅里叶变换函数对预处理数据进行特征提取,得到频域特征;
时频特征提取单元,用于采用短时傅里叶变换函数对预处理数据进行特征提取,得到时频特征。
进一步地,所述一种水下目标探测识别仿真系统还包括综合态势显示模块;
所述综合态势显示模块,用于显示目标探测模型的探测信息、目标探测结果和目标识别信息。
进一步地,所述一种水下目标探测识别仿真系统还包括数据存储模块;
所述数据存储模块,用于存储模型建立和应用模块、探测信息协同处理模块、目标探测结果分类识别模块、仿真探测平台和数据记录模块中的数据。
进一步地,所述一种水下目标探测识别仿真系统中的各模块之间通过接口方式进行调度和数据传输。
一种基于上述水下目标探测识别仿真系统的探测方法,包括:
根据探测节点模型获取水下探测信息,并对得到的水下探测信息进行融合处理,得到融合轨迹;
根据融合航迹构建水下目标威胁排序模型,计算得到水下目标威胁度,并对水下目标威胁度进行排序,形成威胁排序结果作为目标探测结果;
调用预处理函数,从探测信息协同处理模块生成的目标探测结果中提取原始信号,并对提取到的原始信号进行空间对齐预处理,得到预处理数据;
通过特征提取函数,从时域、频域和时频联合域对预处理数据进行特征提取,得到多维特征,并根据仿真需求中的特征选取条件对提取到的多维特征进行特征选择,得到有效特征;
对得到的有效特征进行关联分析得到关联特征,并调用目标识别算法对关联特征进行分类,得到目标分类结果。
本发明提供了一种水下目标探测识别仿真系统及方法,通过设计面向水下目标探测与识别的仿真平台,为水下网络体系的结构组成、模式演示、协同效能分析以及关键技术发展分析等提供有效的论证评估手段和演示分析研究平台,促进水下装备智能化的发展。该系统除具备通用仿真模拟系统支撑功能,还建立了水下领域的高分辨模型库、探测信息协同处理模块、目标探测结果分类识别模块和数据记录模块,解决了通用仿真模拟系统与水下领域适配性差、分辨率低,系统节点不具备协同探测与识别能力的问题,为水下目标分布式协同探测处理仿真模拟提供了有效的解决方案。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为本发明一种水下目标探测识别仿真系统的原理图。
图2为本发明一实施例中高分辨率模型库的示意图。
图3为本发明一种基于水下目标探测识别仿真系统的探测方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例1
如图1所示,本发明提供一种水下目标探测识别仿真系统,包括:
模型建立和应用模块,用于根据仿真需求从高分辨模型库中的调用对应仿真元件,生成目标探测模型;在得到目标探测模型后,将仿真需求中的待仿真数据输入到目标探测模型进行处理,输出探测信息。
探测信息协同处理模块,用于对目标探测模型输出的探测信息进行融合处理,生成目标探测结果并发送给仿真探测平台。
目标探测结果分类识别模块,用于对探测信息协同处理模块生成的目标探测结果进行识别处理和分类,得到目标识别信息并发送给仿真探测平台。
仿真探测平台,用于将接收到的探测信息和目标识别信息发送给数据记录模块进行记录。
本实施例将模型建立和应用模块、探测信息协同处理模块,设置为不直接与数据记录模块进行数据交互,以降低仿真系统的耦合性,有效防止其中一个模块出现问题时造成数据丢失的情况发生。如果设置为各个模块之间直接进行信息交互,会导致各模块之间耦合较高,后续若增加新功能模块时,模块间信息交互的逻辑也会比较,在对系统进行功能升级或者版本迭代更新时也会出现系统臃肿维护困难的情况。另外,还会造成若其中一个模块出问题则直接导致整个系统的数据丢失。
进一步地,如图2所示,本实施例中的高分辨率模型库包括高分辨率模型库包括探测节点模型、探测目标模型、战场干扰模型、传感器阵列模型和网路模型;
其中,探测节点模型包括声纳仿真元件、浮标与潜标仿真元件、无人潜航器仿真元件和水面舰艇仿真元件;探测目标模型包括舰艇仿真元件、蛙人仿真元件、潜艇仿真元件和无人潜航器仿真元件;战场干扰模型包括多普勒效应模型、自噪声干扰模型、水声传播模型、混响模型和海洋环境噪声模型;传感器阵列模型包括传感器线列阵仿真元件、传感器体积阵仿真元件和传感器柱形阵仿真元件;网络模型包括时隙控制模拟模型、网络管理模拟模型和链路传输模拟模型。
进一步地,模型建立和应用模块包括仿真元件获取单元和仿真元件组装单元。
仿真元件获取单元,用于根据仿真需求中需要的仿真元件,从高分辨率模型库中调用对应的仿真元件。
仿真元件组装单元,用于按照仿真需求中的组装关系和关联关系对调用的仿真元件进行组装和关联,得到目标探测模型。
进一步地,探测信息包括探测目标的位置信息、速度信息和状态信息。
探测信息协同处理模块包括:探测信息空间对齐单元、探测信息综合处理单元和水下目标威胁排序单元。
探测信息空间对齐单元,用于采用数据对齐函数对获取的位置信息、速度信息和状态信息进行空间对齐,并通过卡尔曼滤波算法对空间对齐后的数据进行滤波,得到滤波后的数据,以实现特征表达统一性。
其中,本实施例采用的数据对齐函数包括但不限于POSIX的possic_memalign()函数
探测信息综合处理单元,用于对滤波后的数据进行航迹预处理、航迹关联处理和航迹融合处理,得到目标融合航迹。
其中,本实施例中的航迹预处理采用经典的“距离分段”和“时间分段”结合的方式,将时间差大于预设时间差或者距离差大于预设距离差的轨迹点进行分段,将停留点进行去除,将波动点进行过滤。
航迹关联处理采用最近邻关联方法,以几何向量距离作为相似性度量。主要处理过程为:建立关联门,确定关联门限,门限过滤,相似性度量,建立关联矩阵,确定关联方法,形成关联对。
航迹融合处理指将传感器得到的目标位置进行融合处理,形成新的精确度更高的融合航迹的过程,该过程使得目标位置信息更加稳定可靠,本实施例中的航迹融合算法具体采用凸组合融合算法。
水下目标威胁排序单元,用于根据目标融合航迹构建水下目标威胁排序模型,计算得到水下目标威胁度,并对水下目标威胁度进行排序,形成威胁排序结果作为目标探测结果。
其中,水下目标威胁排序模型指根据融合航迹计算得到水下目标威胁度,并对威胁度的大小进行排序的模型。
具体地,在得到目标融合航迹后,从目标融合航迹中提取计算得到目标距离、深度、航向角、速度、机动能力等威胁因素,并采用权重计算法对各项威胁因素进行计算,得到目标威胁度。在得到目标威胁度后,按目标威胁度的大小从大到小依序排列,形成威胁排序结果。
进一步地,目标探测结果分类识别模块包括:数据预处理单元、特征提取单元、特征选择单元和有效特征处理单元。
数据预处理单元,用于调用预处理函数,从探测信息协同处理模块生成的目标探测结果中提取原始信号,并对提取到的原始信号进行空间对齐预处理,得到预处理数据。
本实施例中对提取到的原始信号进行空间对齐预处理的函数采用possic_memalign()函数。
特征提取单元,用于调用特征提取函数,从时域、频域和时频联合域对预处理数据进行特征提取,得到多维特征。
将从时域对预处理数据进行特征提取得到的数据作为时域特征;从频域对预处理数据进行特征提取得到的数据作为频域特征;从时频域对预处理数据进行特征提取得到的数据作为时频特征。其中,时域特征用于表示信号的波形结构特征,频域特征用于表示信号的频谱特征,时频域特征用于表示信号能量随时间变化的特性。
本实施例中的特征提取函数包括傅里叶变换函数和短时傅里叶变换函数。
具体地,在得到预处理数据后,对预处理数据的时域数据进行均方值、峰值、方差处理,得到时域特征,然后采用傅里叶函数将时域特征转换为频域特征,最后采用短时傅里叶变换函数将频域特征转换为时频特征。
特征选择单元,用于根据仿真需求中的特征选取条件对提取到的多维特征进行特征选择,得到有效特征。
本实施例中的特征选取条件指根据特征与目标的映射关系形成的特征选取条件。
有效特征处理单元,用于对选择的有效特征进行关联分析得到关联特征,并调用目标识别算法对关联特征进行分类,得到目标分类结果。
具体地,本实施例采用Apriori算法对选择的有效特征进行关联分析得到关联特征,以从关联特征中挖掘出频繁项集,然后从频繁项集中提取出事物的强关联规则,辅助决策。
本实施例中的目标识别算法采用多分类神经网络模型。其中,多分类神经网络模型指可以进行多种类别识别的神经网络模型。
具体地,收集大量的关联特征以及关联特征对应的标签作为训练样本,并将训练样本划分为训练集、测试集和验证集,对选取的多分类神经网络模型中进行训练、测试、验证,以得到可以进行关联特征分类的模型作为本实施例中的目标识别算法。在得到目标识别算法后,通过目标识别算法对关联特征进行分类,得到目标分类结果。
进一步地,特征提取单元包括:时域特征提取单元、频域特征提取单元和时频特征提取单元。
时域特征提取单元,用于对预处理数据的时域数据进行均方值、峰值、方差处理,得到时域特征;
频域特征提取单元,用于采用傅里叶变换函数对预处理数据进行特征提取,得到频域特征;
时频特征提取单元,用于采用短时傅里叶变换函数对预处理数据进行特征提取,得到时频特征。
进一步地,数据记录模块,用于根据记录控制指令,通过数据存储访问适配器对仿真系统中涉及到的所有数据进行记录
进一步地,该一种水下目标探测识别仿真系统还包括综合态势显示模块。
综合态势显示模块,用于显示目标探测模型的探测信息、目标探测结果和目标识别信息。本实施例中的综合态势显示模块的显示方式包括二维显示方式和三维显示方式。
进一步地,该一种水下目标探测识别仿真系统还包括数据存储模块。
数据存储模块,用于存储模型建立和应用模块、探测信息协同处理模块、目标探测结果分类识别模块、仿真探测平台和数据记录模块中的数据。
进一步地,为降低软件模块耦合度,便于软件维护和更新的角度,上述各模块之间通过接口方式进行调度和数据传输。
以探测目标模型为舰艇、探测节点模型为被动探测声呐、传感器阵列模型为线列阵为例,根据海洋环境与作战任务,模型建立和应用模块分配网络资源和确定模型拓扑。假设敌方舰艇向我方靠近,舰艇目标向外辐射噪声,该信号通过声场传播至我方被动声呐,传感器阵列模型接收该信号后,结合战场干扰模型中的海洋环境噪声模型,水声传播模型,多普勒效应模型对接收信号进行解算得到目标位置信息、速度信息、状态信息等探测信息,这些探测信息通过仿真探测平台数据总线传输至探测信息协同处理模块,该模块接收各个探测节点的探测信息,并利用算法库中的融合算法对多源信息进行融合,然后对探测数据进行综合处理,并对外报送情报。各个探测节点得到的探测信息或经过融合处理的综合信息传输至目标探测结果分类识别模块,该模块调用算法库中的信息预处理函数进行数据预处理工作,接着调用算法库中特征提取相关函数进行特征提取,提取到多维特征后进行特征选择,对选择的多模特征进行关联分析,接下来在算法库中调用目标识别算法进行目标分类,最后将目标分类结果进行报送和显示,并存储在数据库中。数据记录模块根据记录控制指令,通过数据存储访问适配器对仿真系统涉及到的所有数据进行记录。综合态势显示模块接收探测信息协同处理模块报送的目标探测结果、目标探测结果分类识别模块报送的目标识别信息、模型建立和应用模块报送的目标探测模型输出的探测信息。
探测信息协同处理模块采用功能模拟法对分布式水下探测节点探测信息的处理功能和技术特性进行模拟,集成信息融合主要算法,并提供对水下探测信息融合的主要界面及功能。探测信息协同处理模块接收参与探测任务的探测信息,包括位置信息、速度信息、状态信息等,该信息来源于模型库中的探测节点模型,探测节点模型根据仿真推演过程中产生的事件和运行逻辑输出探测信息。探测信息协同处理模块收到各个节点的探测信息后,由于各节点表达信息不对称、不一致,有的探测节点探测得到的是位置信息,有的探测节点探测得到的是速度信息,有些探测节点探测得到的是状态信息,因此,在得到探测节点探测得到的上述信息后,需要采用数据对齐函数对获取的位置信息、速度信息和状态信息进行空间对齐,并通过卡尔曼滤波算法对空间对齐后的数据进行滤波,以进行特征空间对齐,实现特征表达的统一性;然后对滤波后的数据进行探测信息综合处理,包括航迹预处理、航迹关联和航迹融合,得到目标融合航迹;接下来根据目标融合航迹构建水下目标威胁排序模型,计算水下目标威胁度,并对水下目标威胁度进行排序形成水下目标威胁排序结果,并将该目标威胁排序结果作为最终的目标探测结果。根据情报订阅或指定的分发策略,分发水下情报信息,进行各情报源信息、最终的融合航迹和水下目标威胁排序结果的水下情报综合显示。
目标探测结果分类识别模块主要用于对探测信息协同处理模块生成的目标探测结果进行识别处理和分类。当接收到探测节点的信息后,调用算法库中的预处理函数进行数据预处理工作,由于水下目标信号包含了水下目标辐射声场的所有信息,从信号处理的角度来看,它具有时域特征、频域特征以及时频域联合特征,从三个不同的角度反应了水下目标声场的本质特征。接下来,根据特征提取操作指令调用算法库中函数进行特征提取判断,若不需要特征提取操作则直接输出识别结果,否则进行特征提取操作。分布式声呐阵列具备以上时频特征、频域特征、时频域特征,对于非平稳信号采用时频特征进行信号分析,其中,时域特征可通过信号序列直接进行分析。由于声纳采集的信号是由有用信号以及噪声信号叠加起来的混合信号,功率谱分析方法是一种极其有效的在噪声背景下提取有用信息的手段,它真实反映了声信号中各频率成分及其能量大小的分布情况,因此,可采用功率谱分析法得到目标在频域上的特征,本实施例中的功率谱分析法具体采用傅里叶变换函数,将信号由时域变换为频域。时频域特征采用基于短时傅里叶变换的方法进行分析获取。提取到多维特征后进行特征选择,利用特征与目标的映射关系,对选择的多维特征进行选择,得到有效特征;接下来采用Apriori算法对选择的有效特征进行关联分析得到关联特征,最后在算法库中调用目标识别算法进行目标分类,得到目标分类结果。根据情报订阅或指定的分发策略,分发水下识别情报信息,对目标分类结果进行报送和显示,并存储在数据库中。
在仿真结束后,向数据记录模块推送仿真系统中涉及到的所有数据,驱动回放态势数据生成并发送至二三维综合态势显示模块并进行显示。
本实施例提供的一种水下目标探测识别仿真系统,以探测信息协同处理模块和目标探测结果分类识别模块为核心,结合高分辨模型库中的仿真元件,完成对水下目标协同探测与识别的过程的模拟,实现用于水下目标协同探测与识别的仿真模拟系统。
实施例2
如图3所示,本发明提供一种基于上述水下目标探测识别仿真系统的探测方法,具体包括如下步骤:
S10:根据探测节点模型获取水下探测信息,并对得到的水下探测信息进行融合处理,得到融合轨迹。
S20:根据融合航迹构建水下目标威胁排序模型,计算得到水下目标威胁度,并对水下目标威胁度进行排序,形成威胁排序结果作为目标探测结果。
S30:调用预处理函数,从探测信息协同处理模块生成的目标探测结果中提取原始信号,并对提取到的原始信号进行空间对齐预处理,得到预处理数据。
S40:通过特征提取函数,从时域、频域和时频联合域对预处理数据进行特征提取,得到多维特征,并根据仿真需求中的特征选取条件对提取到的多维特征进行特征选择,得到有效特征。
S50:对得到的有效特征进行关联分析得到关联特征,并调用目标识别算法对关联特征进行分类,得到目标分类结果。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种水下目标探测识别仿真系统,其特征在于,包括:
模型建立和应用模块,用于根据仿真需求从高分辨模型库中的调用对应仿真元件,生成目标探测模型;在得到目标探测模型后,将仿真需求中的待仿真数据输入到目标探测模型进行处理,输出探测信息;
探测信息协同处理模块,用于对目标探测模型输出的探测信息进行融合处理,生成目标探测结果并发送给仿真探测平台;
目标探测结果分类识别模块,用于对探测信息协同处理模块生成的目标探测结果进行识别处理和分类,得到目标识别信息并发送给仿真探测平台;
仿真探测平台,用于将接收到的探测信息和目标识别信息发送给数据记录模块进行记录。
2.根据权利要求1所述的一种水下目标探测识别仿真系统,其特征在于,所述模型建立和应用模块包括:
仿真元件获取单元,用于根据仿真需求中需要的仿真元件,从高分辨率模型库中调用对应的仿真元件;
仿真元件组装单元,用于按照仿真需求中的组装关系和关联关系对调用的仿真元件进行组装和关联,得到目标探测模型。
3.根据权利要求2所述的一种水下目标探测识别仿真系统,其特征在于,所述高分辨率模型库包括探测节点模型、探测目标模型、战场干扰模型、传感器阵列模型和网路模型;
其中,所述探测节点模型包括声纳仿真元件、浮标与潜标仿真元件、无人潜航器仿真元件和水面舰艇仿真元件;
探测目标模型包括舰艇仿真元件、蛙人仿真元件、潜艇仿真元件和无人潜航器仿真元件;
战场干扰模型包括多普勒效应模型、自噪声干扰模型、水声传播模型、混响模型和海洋环境噪声模型;
传感器阵列模型包括传感器线列阵仿真元件、传感器体积阵仿真元件和传感器柱形阵仿真元件;
网络模型包括时隙控制模拟模型、网络管理模拟模型和链路传输模拟模型。
4.根据权利要求1所述的一种水下目标探测识别仿真系统,其特征在于,所述探测信息包括探测目标的位置信息、速度信息和状态信息;所述探测信息协同处理模块,包括:
探测信息空间对齐单元,用于采用数据对齐函数对获取的位置信息、速度信息和状态信息进行空间对齐,并通过卡尔曼滤波算法对空间对齐后的数据进行滤波,得到滤波后的数据;
探测信息综合处理单元,用于对滤波后的数据进行航迹预处理、航迹关联处理和航迹融合处理,得到目标融合航迹;
水下目标威胁排序单元,用于根据目标融合航迹构建水下目标威胁排序模型,计算得到水下目标威胁度,并对水下目标威胁度进行排序,形成威胁排序结果作为目标探测结果。
5.根据权利要求1所述的一种水下目标探测识别仿真系统,其特征在于,所述目标探测结果分类识别模块,包括:
数据预处理单元,用于调用预处理函数,从探测信息协同处理模块生成的目标探测结果中提取原始信号,并对提取到的原始信号进行空间对齐预处理,得到预处理数据;
特征提取单元,用于调用特征提取函数,从时域、频域和时频联合域对预处理数据进行特征提取,得到多维特征;
特征选择单元,用于根据仿真需求中的特征选取条件对提取到的多维特征进行特征选择,得到有效特征;
有效特征处理单元,用于对选择的有效特征进行关联分析得到关联特征,并调用目标识别算法对关联特征进行分类,得到目标分类结果。
6.根据权利要求5所述的一种水下目标探测识别仿真系统,其特征在于,所述特征提取单元包括:
时域特征提取单元,用于对预处理数据的时域数据进行均方值、峰值、方差处理,得到时域特征;
频域特征提取单元,用于采用傅里叶变换函数对预处理数据进行特征提取,得到频域特征;
时频特征提取单元,用于采用短时傅里叶变换函数对预处理数据进行特征提取,得到时频特征。
7.根据权利要求1所述的一种水下目标探测识别仿真系统,其特征在于,所述一种水下目标探测识别仿真系统还包括综合态势显示模块;
所述综合态势显示模块,用于显示目标探测模型的探测信息、目标探测结果和目标识别信息。
8.根据权利要求1所述的一种水下目标探测识别仿真系统,其特征在于,所述一种水下目标探测识别仿真系统还包括数据存储模块;
所述数据存储模块,用于存储模型建立和应用模块、探测信息协同处理模块、目标探测结果分类识别模块、仿真探测平台和数据记录模块中的数据。
9.根据权利要求1-8任一项所述的一种水下目标探测识别仿真系统,其特征在于,各模块之间通过接口方式进行调度和数据传输。
10.一种基于权利要求1-9任一项所述的一种水下目标探测识别仿真系统的探测方法,其特征在于,包括:
根据探测节点模型获取水下探测信息,并对得到的水下探测信息进行融合处理,得到融合轨迹;
根据融合航迹构建水下目标威胁排序模型,计算得到水下目标威胁度,并对水下目标威胁度进行排序,形成威胁排序结果作为目标探测结果;
调用预处理函数,从探测信息协同处理模块生成的目标探测结果中提取原始信号,并对提取到的原始信号进行空间对齐预处理,得到预处理数据;
通过特征提取函数,从时域、频域和时频联合域对预处理数据进行特征提取,得到多维特征,并根据仿真需求中的特征选取条件对提取到的多维特征进行特征选择,得到有效特征;
对得到的有效特征进行关联分析得到关联特征,并调用目标识别算法对关联特征进行分类,得到目标分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210269591.7A CN114818113A (zh) | 2022-03-18 | 2022-03-18 | 一种水下目标探测识别仿真系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210269591.7A CN114818113A (zh) | 2022-03-18 | 2022-03-18 | 一种水下目标探测识别仿真系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114818113A true CN114818113A (zh) | 2022-07-29 |
Family
ID=82530463
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210269591.7A Pending CN114818113A (zh) | 2022-03-18 | 2022-03-18 | 一种水下目标探测识别仿真系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114818113A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102640801B1 (ko) * | 2023-10-31 | 2024-02-27 | 한국해양과학기술원 | 수중 무인 표적을 이용한 대잠 훈련 시뮬레이션 시스템 |
-
2022
- 2022-03-18 CN CN202210269591.7A patent/CN114818113A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102640801B1 (ko) * | 2023-10-31 | 2024-02-27 | 한국해양과학기술원 | 수중 무인 표적을 이용한 대잠 훈련 시뮬레이션 시스템 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Vision-based anti-uav detection and tracking | |
Thode et al. | Automated detection and localization of bowhead whale sounds in the presence of seismic airgun surveys | |
CN112465006B (zh) | 一种图神经网络目标跟踪方法及装置 | |
CN107300703B (zh) | 一种雷达数据的组网处理系统 | |
Wu et al. | Research on microseismic source locations based on deep reinforcement learning | |
CN104755962A (zh) | 4d地震数据的处理系统和方法 | |
CN105260524A (zh) | 一种扫描状态下船舶导航雷达二维回波序列像仿真方法 | |
CN114818113A (zh) | 一种水下目标探测识别仿真系统及方法 | |
Reggiannini et al. | Seafloor analysis and understanding for underwater archeology | |
Wang et al. | Multi-person device-free gesture recognition using mmWave signals | |
Van Komen et al. | A CNN for range and seabed estimation on normalized and extracted time-series impulses | |
Ghavidel et al. | Sonar data classification by using few-shot learning and concept extraction | |
CN109283491A (zh) | 一种基于矢量探测单元的无人机定位系统 | |
CN107491853B (zh) | 基于仿真在回路的平行计算试验系统以及试验方法 | |
Zhang et al. | FRS-Net: An efficient ship detection network for thin-cloud and FOG-covered high-resolution optical satellite imagery | |
Coogle et al. | A MIMO radar benchmarking environment | |
CN115130570A (zh) | 一种脉冲星搜索模型的训练方法、应用方法、装置及设备 | |
US11874407B2 (en) | Technologies for dynamic, real-time, four-dimensional volumetric multi-object underwater scene segmentation | |
Ngo | A methodology for validation of a radar simulation for virtual testing of autonomous driving | |
CN114155428A (zh) | 基于Yolo-v3算法的水下声呐侧扫图像小目标检测方法 | |
Gao et al. | Self-Explosion Defect Detection Method of Glass Insulator Based on YOLOv4 | |
Petillot et al. | Target recognition in synthetic aperture and high resolution side-scan sonar | |
Yan et al. | Construction of marine professional virtual simulation experiment platform based on internet-of-things technology | |
Bell et al. | Target recognition in synthetic aperture and high resolution sidescan sonar | |
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 |