CN116466334A - 一种基于天牛须搜索算法的二维声呐阵列稀疏化方法 - Google Patents
一种基于天牛须搜索算法的二维声呐阵列稀疏化方法 Download PDFInfo
- Publication number
- CN116466334A CN116466334A CN202310723528.0A CN202310723528A CN116466334A CN 116466334 A CN116466334 A CN 116466334A CN 202310723528 A CN202310723528 A CN 202310723528A CN 116466334 A CN116466334 A CN 116466334A
- Authority
- CN
- China
- Prior art keywords
- array
- sparsification
- dimensional
- search algorithm
- longhorn beetle
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 241000254173 Coleoptera Species 0.000 title claims abstract description 39
- 238000010845 search algorithm Methods 0.000 title claims abstract description 32
- 238000005457 optimization Methods 0.000 claims abstract description 31
- 239000011159 matrix material Substances 0.000 claims abstract description 24
- 238000005070 sampling Methods 0.000 claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 108010076504 Protein Sorting Signals Proteins 0.000 claims abstract description 4
- 241001481710 Cerambycidae Species 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000003491 array Methods 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000002922 simulated annealing Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 244000309464 bull Species 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
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
- 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
-
- 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
- G01S15/89—Sonar systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于天牛须搜索算法的二维声呐阵列稀疏化方法，属于声呐信号处理技术领域，包括以下步骤，S1：接收换能器声呐阵列每个传感阵元接收到的回波信号进行预处理，S2：对每个传感阵元获取的数字信号序列进行等时间间隔的分割，每个时间段具有L个采样点，S3：对每个时间段的L个采样点进行基于二维阵列波束形成算法计算，获取波束b，S4：对波束b乘以阵元开关状态矩阵，构建优化模型，S5：利用群体天牛须搜索算法求解S4中的优化模型问题，S6：根据S5中的最优化解，调整S4中的状态矩阵元素值，S7：对L采样点后每个时间段中的L个采样点，进行稀疏化后的信号波束计算，实现二维阵列的稀疏化从而平衡成像分辨率和实时性。
Description
技术领域
本发明属于声呐信号处理技术领域，更具体地说，涉及一种基于天牛须搜索算法的二维声呐阵列稀疏化方法。
背景技术
随着水下资源探索的需求日益增长，水下探测技术越来越重要。其中，水下三维声呐系统可以在短时间内生成超出光学可见范围的水下环境图像，因此该项技术也被广泛应用于海洋勘测、海底地形地貌构建以及失事沉船飞机打捞等场合, 更被应用在水雷探测等军事任务中。一个三维成像的水下声呐系统不仅需要具有较高成像分辨率，还需要具有较高的实时性。目前，波束成形是三维水下成像技术中非常重要的一种算法。然而，这种算法的高分辨率依赖于对信号的宽波段及多阵列传感器信号的叠加，计算量大，对硬件的要求较高。因此需要探索一种方法用于平衡成像分辨率和实时性，使得水下声呐成像系统可以做到两者兼备。目前，有研究通过诸如接收换能器阵列的稀疏化和快速波束形成技术，来减少计算负荷，降低硬件需求。然而目前的稀疏化还是基于一定间距的阵列排布，有研究表明，当采用任意分布的传感器，相较于等间距阵列排布可以获得更高的精度和传感器数量，使波束的性能达到更好的效果。因此本申请旨在通过一种基于天牛须搜索算法的二维声呐阵列稀疏化方法，在传感器数量值一定的情况下，根据最小化波束成形最大旁瓣和主瓣比值，实现二维阵列的稀疏化。
发明内容
本发明要解决的技术问题在于提供一种基于天牛须搜索算法的二维声呐阵列稀疏化方法，它可以在传感器数量值一定的情况下，实现二维阵列的稀疏化从而平衡成像分辨率和实时性。
本发明的一种基于天牛须搜索算法的二维声呐阵列稀疏化方法，包括包括以下步骤：
S1：接收换能器声呐阵列每个传感阵元接收到的回波信号进行预处理得到数字信号；
S2：对每个传感阵元获取的数字信号序列进行等时间间隔的分割，每个时间段具有L个采样点，以阵列中心点为原点，以阵列平面为x-y平面，信号源发射方向为z轴设定三维坐标系，
S3：对每个时间段的L个采样点进行基于二维阵列波束形成算法计算，获取波束b；
S4：对波束b乘以阵元开关状态矩阵，并以最小化旁瓣电平作为稀疏阵列的优化目标，以及阵列边界为约束条件，构建优化模型；
S5：通过将传统的单个天牛个体寻优改成群体寻优，利用群体天牛须搜索算法求解S4中的优化模型问题；
S6：根据S5中的最优化解，调整S4中的状态矩阵元素值，从而实现阵列的稀疏化；
S7：对L采样点后每个时间段中的L个采样点，进行稀疏化后的信号波束计算。
作为本发明的进一步改进，接收换能器声呐为一个二维阵列，由M×N个传感阵元组成，各传感阵元相互间距为d。
作为本发明的进一步改进，所述步骤S1中的预处理依次经过带通滤波、信号放大及信号采样，获取模数转换后的数字信号。
作为本发明的进一步改进，所述步骤S3中的基于二维阵列波束形成算法计算公式为：,其中，W为所
有换能器权重系数组成的矩阵变量，,，为阵列导向矢量在x-y平面投影与x轴的夹角，为阵列导向矢量与z轴的夹角，(m,n)
为阵列中任意一个阵元位置，m≤M，n≤N, b为波束形成的输出最大值。
作为本发明的进一步改进，所述步骤S4中稀疏阵列函数为：：
,其中为开关阵列的值，为1或者0，当值为1时，表示这个传感阵元开启，当值为0时，
表示该传感阵元关闭，定义在整个搜索平面内，非主瓣区域内搜索的最大旁瓣定义为PSLL：，稀疏化以最小化旁瓣电平作为稀疏阵列的优化目标，
以及阵列边界为约束条件，假设需要将换能器传感阵列中开启的阵元个数精简到K个，则构
建优化模型，即：s.t.1≤m≤M，1≤n≤N, 。
作为本发明的进一步改进，所述步骤S5中天牛群体中有M个天牛，群体可以用矩阵表示,且为换能器权重与阵元开关状态矩阵的哈达玛积：。
作为本发明的进一步改进，每个天牛左右两个触角的位置，用表示左触角坐
标，即，用表示右触角坐标，即其
中表示天牛质心与触角的距离，为单位化的随机向量合集，其每个分量为单位向
量，,。
作为本发明的进一步改进，根据天牛的两个触角所能感知到的浓度差（即函数值），确
定天牛下一时刻的位置，
其中，为搜索步进，可以通过算法迭代次数进行修改，表述符号函数。
作为本发明的进一步改进，基于天牛搜索算法不断更新二维阵列中感知阵元的排
布，并进行优化，当迭代达到一定次数，即或者达到设定的停止条件，停止条件设置
例如达到已设置的边界条件或者天牛的位置连续多次没有更新，可判定当前的解为全局最
优或者局部最优解。
作为本发明的进一步改进，根据最优化解，调整所述步骤S4中的状态矩阵元素值，从而实现阵列的稀疏化，对L采样点后每个时间段中的L个采样点，进行稀疏化后的信号波束计算。
相比于现有技术，本发明的有益效果在于：
采用天牛须搜索算法可以实现接收换能器阵列的稀疏化，从而减少所用的传感器数量，继而减少后续数据处理带来的计算负荷，降低整体电路的硬件需求，使波束的性能达到更好的效果；
采用天牛须搜索算法进行解空间中的寻优，同时将传统的单个天牛个体寻优改成群体寻优，用来提高算法的寻优能力和效率。
附图说明
图1为本发明的流程图；
图2为本发明的接收换能器阵列坐标系示意图；
图3为本发明的不同角度指向情况下阵列的方向图；
图4为本发明的天牛须搜索算法搜索策略流程图。
具体实施方式
具体实施例一：请参阅图1至图4，一种基于天牛须搜索算法的二维声呐阵列稀疏
化方法，以M=8行×N=8列共64个传感阵元的接收换能器传感器阵列稀疏化为例。且本发明
实施例中，以声波在水中传播速度1500米/秒计算，375KHz声波在水中波长为4mm，8行×8
列的声呐通道传感阵元间距d等于一个波长即4mm，本发明实施例以连续L=1024个样点作为
一个时间间隔计算波束形成。
包括以下步骤：
S1：接收换能器声呐阵列每个传感阵元接收到的回波信号依次经过带通滤波、信号放大及信号采样，获取模数转换后的数字信号，接收换能器声呐为一个二维阵列，由M×N个传感阵元组成，各传感阵元相互间距为4mm。
S2：如图2所示，对每个传感阵元获取的数字信号序列进行等时间间隔
的分割，每个时间段具有1024个采样点，以阵列中心点为原点，以阵列平面为x-y平
面，信号源发射方向为z轴设定三维坐标系，设定方位角为阵列导向矢量在x-y
平面投影与x轴的夹角，为阵列导向矢量与z轴的夹角，因此波束的单位导向矢量：。
S3：如图3所示,图3为b的波形图，横坐标为，纵坐标为，Z轴代表
振幅，对每个时间段的1024个采样点进行基于二维阵列波束形成算法计算，即获取波束
b，，其中W为
所有换能器权重系数组成的矩阵变量，,，
(m,n)为阵列中任意一个阵元位置，m≤8，n≤8, b为波束形成的输出最大值。
S4：对波束b的换能器权重稀疏矩阵变量乘以阵元开关状态矩阵S，开关阵列的值为0或者1，当值为1时，表示这个传感阵元开启，当值为0时，表示该传感阵元
关闭。阵列的稀疏化即为需要开启的换能器阵列排布。因此稀疏阵列函数可以表示为：,定义在整个
搜索平面内，非主瓣区域内搜索的最大旁瓣定义为PSLL：,稀疏化
以最小化旁瓣电平作为稀疏阵列的优化目标，以及阵列边界为约束条件，假设需要将换能
器传感阵列中开启的阵元个数精简到K个，则构建优化模型，即：s.t.1
≤m≤M，1≤n≤N, 。
如图4所示，S5.1：通过天牛须搜索算法求解S3中的优化模型问题。天牛须搜索算法对应的生物原理为：当天牛觅食时，天牛并不知道实物在哪里，而是根据食物气味的强弱来觅食。天牛有两只触角(也称为天牛须)，如果左边触角收到的气味强度比右边大，那下一步天牛就往左飞，否则就往右飞，通过该方法可以有效找到食物。本申请采用天牛须搜索算法进行解空间中的寻优，同时将传统的单个天牛个体寻优改成群体寻优，用来提高算法的寻优能力和效率。
S5.2：假设天牛群体中有M个天牛，则群体可以用矩阵表示, 且为换能器权重与阵元开关状态矩阵的哈达玛积：。
S5.3：定义天牛群体中，每个天牛左右两个触角的位置，用表示左触角坐标，
即，用表示右触角坐标，即
其中表示天牛质心与触角的距离，为单位化的随机向量合集，其中每个分量为单位
向量，,。
S5.4：根据天牛的两个触角所能感知到的浓度差（即函数值），确定天牛下一时刻
的位置其中为
搜索步进，可以通过算法迭代次数进行修改，用于兼顾算法的收敛速度和全局解精度；表述符号函数。
S5.5：基于天牛搜索算法不断更新二维阵列中感知阵元的排布，并进行优化,具体
的，设置天牛质心与触角的距离为,当迭代达到一定次数，即或者达到设定的停
止条件，停止条件设置例如达到已设置的边界条件或者天牛的位置连续多次没有更新，可
判定当前的解为全局最优或者局部最优解。
S6：根据S5中的最优化解，调整S4中的状态矩阵元素值，从而实现阵列的稀疏化。
S7：对L采样点后每个时间段中的L个采样点，进行稀疏化后的信号波束计算。
具体操作如下：
首先随机设置步骤S5.3中的初始值：,，并设置天牛质心与触角的距离
为1，通过采样点的数值计算步骤S4中的PSLL函数；然后利用天牛搜索算法对步骤S5.2中的
X的值进行迭代；天牛须搜索算法的迭代最大次数为1000次，期中当迭代次数小于200时，搜
索步进为0.1，当迭代次数大于200时，搜索步进调整为0.05；迭代的约束条件为即当X（步骤
S5.2）中非零个数在K（步骤S4）个，且M和N都不超过8（原始规定值）；每次迭代的获取PSLL
（步骤S4）的值，判断PSLL（步骤S4）连续多次没有更新，可判定当前的解为全局最优或者局
部最优解；同时如果在迭代过程中迭代次数达到1000次或者已经达到约束条件边界，就停
止迭代；最终获取的最后解的符号函数值为稀疏化后的开关状态矩阵S（步骤S4）的值，当S
（步骤S4）中的值为1时表明该阵元将用于后续的波束形成计算，当S（步骤S4）中的值为0时
表明该阵元将不再用于后续的波束形成计算。
下表为分别使用遗传算法、模拟退火算法和天牛须算法进行计算的时间（秒），测试当K=10、20、30、40、50时，不同的算法的寻优时间：
| 开启的阵元个数 | 遗传算法 | 模拟退火算法 | 天牛须算法 |
| 10 | 826 | 302 | 287 |
| 20 | 865 | 316 | 291 |
| 30 | 902 | 355 | 316 |
| 40 | 1007 | 389 | 328 |
| 50 | 1143 | 420 | 387 |
可见，天牛须算法在寻优效率上优于其他两种算法，比较适合在实战现场进行阵列稀疏化，以减少计算的复杂度，提高计算效率。
Claims (10)
1.一种基于天牛须搜索算法的二维声呐阵列稀疏化方法，其特征在于：包括以下步骤：
S1：接收换能器声呐阵列每个传感阵元接收到的回波信号进行预处理得到数字信号；
S2：对每个传感阵元获取的数字信号序列进行等时间间隔的分割，每个时间段具有L个采样点，以阵列中心点为原点，以阵列平面为x-y平面，信号源发射方向为z轴设定三维坐标系；
S3：对每个时间段的L个采样点进行基于二维阵列波束形成算法计算，获取波束b；
S4：对波束b乘以阵元开关状态矩阵，并以最小化旁瓣电平作为稀疏阵列的优化目标，以及阵列边界为约束条件，构建优化模型；
S5：通过将传统的单个天牛个体寻优改成群体寻优，利用群体天牛须搜索算法求解S4中的优化模型问题；
S6：根据S5中的最优化解，调整S4中的状态矩阵元素值，从而实现阵列的稀疏化；
S7：对L采样点后每个时间段中的L个采样点，进行稀疏化后的信号波束计算。
2.根据权利要求1所述的一种基于天牛须搜索算法的二维声呐阵列稀疏化方法，其特征在于：接收换能器声呐为一个二维阵列，由M×N个传感阵元组成，各传感阵元相互间距为d。
3.根据权利要求2所述的一种基于天牛须搜索算法的二维声呐阵列稀疏化方法，其特征在于：所述步骤S1中的预处理依次经过带通滤波、信号放大及信号采样，获取模数转换后的数字信号。
4.根据权利要求3所述的一种基于天牛须搜索算法的二维声呐阵列稀疏化方法，其特征在于：所述步骤S3中的基于二维阵列波束形成算法计算公式为：
，其
中，W为所有换能器权重系数组成的矩阵变量，,，为阵列导向矢量在x-y平面投影与x轴的夹角，为阵列导向
矢量与z轴的夹角，(m,n)为阵列中任意一个阵元位置，m≤M，n≤N, b为波束形成的输出最
大值。
5.根据权利要求4所述的一种基于天牛须搜索算法的二维声呐阵列稀疏化方法，其特征在于：所述步骤S4中稀疏阵列函数为：
，其
中，为开关阵列的值，为1或者0，当值为1时，表示这个传感阵元开启，当值为0时，表
示该传感阵元关闭，定义在整个搜索平面内，非主瓣区域内搜索的最大旁瓣定义为PSLL：，稀疏化以最小化旁瓣电平作为稀疏阵列的优化目标，
以及阵列边界为约束条件，假设需要将换能器传感阵列中开启的阵元个数精简到K个，则构
建优化模型，即：s.t.1≤m≤M，1≤n≤N, 。
6.根据权利要求5所述的一种基于天牛须搜索算法的二维声呐阵列稀疏化方法，其特征在于：所述步骤S5中天牛群体中有M个天牛，群体可以用矩阵表示, 且为换能器权重与阵元开关状态矩阵的哈达玛积：。
7.根据权利要求6所述的一种基于天牛须搜索算法的二维声呐阵列稀疏化方法，其特征在于：
每个天牛左右两个触角的位置，用表示左触角坐标，即，用表示右触角坐标，即，其中，表示天牛质心与触角的距
离，为单位化的随机向量合集，其中每个分量为单位向量，,。
8.根据权利要求7所述的一种基于天牛须搜索算法的二维声呐阵列稀疏化方
法，其特征在于：根据天牛的两个触角所能感知到的浓度差，确定天牛下一时刻的位置 ，其中，为搜索
步进，可以通过算法迭代次数进行修改，表述符号函数。
9.根据权利要求8所述的一种基于天牛须搜索算法的二维声呐阵列稀疏化方法，其特
征在于：基于天牛搜索算法不断更新二维阵列中感知阵元的排布，并进行优化，当迭代达到
一定次数，即或者达到设定的停止条件，停止条件设置例如达到已设置的边界条件
或者天牛的位置连续多次没有更新，可判定当前的解为全局最优或者局部最优解。
10.根据权利要求9所述的一种基于天牛须搜索算法的二维声呐阵列稀疏化方法，其特征在于：根据最优化解，调整所述步骤S4中的状态矩阵元素值，从而实现阵列的稀疏化，对L采样点后每个时间段中的L个采样点，进行稀疏化后的信号波束计算。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310723528.0A CN116466334B (zh) | 2023-06-19 | 2023-06-19 | 一种基于天牛须搜索算法的二维声呐阵列稀疏化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310723528.0A CN116466334B (zh) | 2023-06-19 | 2023-06-19 | 一种基于天牛须搜索算法的二维声呐阵列稀疏化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116466334A true CN116466334A (zh) | 2023-07-21 |
| CN116466334B CN116466334B (zh) | 2023-09-05 |
Family
ID=87181104
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310723528.0A Active CN116466334B (zh) | 2023-06-19 | 2023-06-19 | 一种基于天牛须搜索算法的二维声呐阵列稀疏化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116466334B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140111372A1 (en) * | 2012-10-22 | 2014-04-24 | Saab-Sensis Corporation | Sensor system and method for determining target location using sparsity-based processing |
| CN108344968A (zh) * | 2018-01-08 | 2018-07-31 | 哈尔滨工程大学 | 一种基于多峰量子布谷鸟搜索机制的正交传播算子测向方法 |
| CN108563611A (zh) * | 2018-03-27 | 2018-09-21 | 天津大学 | 基于天牛须搜索算法的认知雷达波形优化方法 |
| US20180275272A1 (en) * | 2015-09-24 | 2018-09-27 | Esaote Spa | Method for the optimization of the process decoding coded ultrasound signals and ultrasound system obtained by said method |
| CN108919199A (zh) * | 2018-07-12 | 2018-11-30 | 南京航空航天大学 | 多波束成像声纳稀疏阵列的旁瓣抑制方法、阵列稀疏方法 |
| EP3690483A1 (en) * | 2019-02-04 | 2020-08-05 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | A method for synthesis of antenna array layouts or selection of waveform in a set of mutually incoherent apertures for radar and radio-frequency applications |
| WO2022073376A1 (zh) * | 2020-10-10 | 2022-04-14 | 东南大学 | 一种基于多渐消因子自适应动机座旋转调制精对准方法 |
| CN114527744A (zh) * | 2022-01-11 | 2022-05-24 | 燕山大学 | 基于天牛须搜索优化的无人帆船路径跟踪制导方法 |
| CN114578287A (zh) * | 2022-02-28 | 2022-06-03 | 哈尔滨工程大学 | 一种基于多基地浮标阵改进模拟退火的融合定位方法 |
| CN115081595A (zh) * | 2022-07-12 | 2022-09-20 | 盐城工学院 | 基于改进天牛须算法和蝙蝠算法融合的神经网络优化方法 |
| CN115792873A (zh) * | 2023-02-14 | 2023-03-14 | 杭州聆巡科技有限公司 | 声呐系统和基于声呐系统的故障监测方法 |
-
2023
- 2023-06-19 CN CN202310723528.0A patent/CN116466334B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140111372A1 (en) * | 2012-10-22 | 2014-04-24 | Saab-Sensis Corporation | Sensor system and method for determining target location using sparsity-based processing |
| US20180275272A1 (en) * | 2015-09-24 | 2018-09-27 | Esaote Spa | Method for the optimization of the process decoding coded ultrasound signals and ultrasound system obtained by said method |
| CN108344968A (zh) * | 2018-01-08 | 2018-07-31 | 哈尔滨工程大学 | 一种基于多峰量子布谷鸟搜索机制的正交传播算子测向方法 |
| CN108563611A (zh) * | 2018-03-27 | 2018-09-21 | 天津大学 | 基于天牛须搜索算法的认知雷达波形优化方法 |
| CN108919199A (zh) * | 2018-07-12 | 2018-11-30 | 南京航空航天大学 | 多波束成像声纳稀疏阵列的旁瓣抑制方法、阵列稀疏方法 |
| EP3690483A1 (en) * | 2019-02-04 | 2020-08-05 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | A method for synthesis of antenna array layouts or selection of waveform in a set of mutually incoherent apertures for radar and radio-frequency applications |
| WO2022073376A1 (zh) * | 2020-10-10 | 2022-04-14 | 东南大学 | 一种基于多渐消因子自适应动机座旋转调制精对准方法 |
| CN114527744A (zh) * | 2022-01-11 | 2022-05-24 | 燕山大学 | 基于天牛须搜索优化的无人帆船路径跟踪制导方法 |
| CN114578287A (zh) * | 2022-02-28 | 2022-06-03 | 哈尔滨工程大学 | 一种基于多基地浮标阵改进模拟退火的融合定位方法 |
| CN115081595A (zh) * | 2022-07-12 | 2022-09-20 | 盐城工学院 | 基于改进天牛须算法和蝙蝠算法融合的神经网络优化方法 |
| CN115792873A (zh) * | 2023-02-14 | 2023-03-14 | 杭州聆巡科技有限公司 | 声呐系统和基于声呐系统的故障监测方法 |
Non-Patent Citations (4)
| Title |
|---|
| JUN YUAN ET AL.: "Spatial Spectrum Sparse Reconstruction for Maneuvering Towed Array", 《PROCEDIA COMPUTER SCIENCE》, vol. 107, pages 291 - 295, XP029971661, DOI: 10.1016/j.procs.2017.03.107 * |
| 曹华松等: "基于迭代加权l_q范数最小化的稀疏阵列综合方法", 《科学技术与工程》, vol. 15, no. 26, pages 66 - 69 * |
| 诸洁琪等: "一 种大孔径直线阵非等间距稀疏布阵方法", 《声学技术》, vol. 38, no. 2, pages 18 - 21 * |
| 魏法等: "基于改进粒子群算法的平面阵同时多波束赋形方法", 《系统工程与电子技术》, vol. 44, no. 6, pages 1789 - 1797 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116466334B (zh) | 2023-09-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108828603B (zh) | 一种基于十字型的三维成像声纳阵列的稀疏优化方法 | |
| CN110007266B (zh) | 一种冲击噪声下的任意阵列相干源测向方法 | |
| CN110927661A (zh) | 基于music算法的单基地展开互质阵列mimo雷达doa估计方法 | |
| CN110197112B (zh) | 一种基于协方差修正的波束域Root-MUSIC方法 | |
| CN112162266B (zh) | 一种基于凸优化理论的共形阵二维波束优化方法 | |
| CN113126087B (zh) | 一种星载干涉成像高度计天线 | |
| CN111736118B (zh) | 一种线列阵阵列扩展方法 | |
| CN109557526B (zh) | 一种基于压缩感知理论的矢量水听器稀疏布阵方法 | |
| CN109884627B (zh) | 任意线阵构型的近程毫米波快速三维成像方法 | |
| CN114325584B (zh) | 基于合成孔径的多阵元超声波声源三维成像方法及系统 | |
| CN112083432A (zh) | 基于声学轨道角动量的超精细三维成像方法 | |
| Zhao et al. | Design of low-complexity 3-D underwater imaging system with sparse planar arrays | |
| CN110646765B (zh) | 一种基于黎曼距离的广义旁瓣对消算法 | |
| CN110736976B (zh) | 一种任意阵形的声纳波束形成器性能估计方法 | |
| CN116466334B (zh) | 一种基于天牛须搜索算法的二维声呐阵列稀疏化方法 | |
| CN109506763B (zh) | 一种基于教与学优化的矢量水听器稀疏布阵方法 | |
| CN111830495A (zh) | 一种基于凸优化学习的机载雷达自适应波束形成算法 | |
| CN109597034B (zh) | 一种基于欧几里得距离的空时自适应处理方法 | |
| CN111381212A (zh) | 基于子阵划分的虚拟超短基线定位方法 | |
| CN108761433B (zh) | 一种使用mimo声纳差合阵处理的高分辨成像方法 | |
| CN109001690B (zh) | 基于馈电网络的时域空间域结合的雷达目标检测方法 | |
| Kerstens et al. | An optimized planar MIMO array approach to in-air synthetic aperture sonar | |
| CN112083423B (zh) | 一种多基地声源高精度定位方法 | |
| Wang et al. | Maximum likelihood DOA estimation based on improved invasive weed optimization algorithm and application of MEMS vector hydrophone array | |
| CN110058247B (zh) | 一种合成孔径声呐实时成像的方法 |
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 |