CN116520333A - 一种基于复杂干扰下的多基浮标融合检测方法和系统 - Google Patents
一种基于复杂干扰下的多基浮标融合检测方法和系统 Download PDFInfo
- Publication number
- CN116520333A CN116520333A CN202310405583.5A CN202310405583A CN116520333A CN 116520333 A CN116520333 A CN 116520333A CN 202310405583 A CN202310405583 A CN 202310405583A CN 116520333 A CN116520333 A CN 116520333A
- Authority
- CN
- China
- Prior art keywords
- signal
- detection
- noise
- noise ratio
- fusion
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 107
- 230000004927 fusion Effects 0.000 title claims abstract description 73
- 238000001228 spectrum Methods 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 23
- 230000009467 reduction Effects 0.000 claims abstract description 16
- 238000001914 filtration Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 230000001629 suppression Effects 0.000 claims description 12
- 238000009432 framing Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 4
- 101000802640 Homo sapiens Lactosylceramide 4-alpha-galactosyltransferase Proteins 0.000 claims description 3
- 102100035838 Lactosylceramide 4-alpha-galactosyltransferase Human genes 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical group [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000035945 sensitivity Effects 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
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/66—Sonar tracking systems
-
- 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
- G01S15/87—Combinations of sonar systems
-
- 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
- G01S7/52001—Auxiliary means for detecting or identifying sonar signals or the like, e.g. sonar jamming signals
-
- Y—GENERAL 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于复杂干扰下的多基浮标融合检测方法和系统,所述方法包括:对接收信号进行预处理,得到目标检测的门限值;结合所述门限值,基于信噪比加权的软判决进行融合检测;所述预处理包括:MMSE谱估计降噪、基于多普勒模板匹配的频域匹配滤波、时反卷积处理和目标单元平均恒虚警率检测。本发明提高了检测性能,以及在复杂海洋噪声背景下的泛化性和鲁棒性。
Description
技术领域
本发明涉及目标技术领域,特别是一种基于复杂干扰下的多基浮标融合检测方法和系统。
背景技术
在当前复杂海战环境下,由于潜艇等水下目标隐蔽性能的提高、机动性能的增强、水文环境的复杂性以及声纳武器对抗性能的日益完善,使得基于单平台、单基地的水下检测跟踪性能不足,且单基地声纳作为收发合置的主动声纳时容易暴露自身位置,这就促使多基地探测成为反潜探测新体制,多基地声纳探测系统中各探测节点收发分置,隐蔽性优于合置节点,且多节点协同探测相比单节点探测,通过合理的基站配置,可扩大探测范围,通过融合多节点获得的目标状态信息,可提高水下目标的检测概率和定位精度,因此利用多基地声纳系统进行目标检测跟踪是当前水下目标检测跟踪技术的发展趋势。
常规的分布式多基地声纳系统在各单基站检测时采用匹配滤波技术,但由于多基地声纳收发分置容易导致直达波干扰,再加上复杂海洋环境中的多途干扰等使得匹配滤波检测不准,再进行多基融合检测时更容易产生漏检或虚警的情况,从而导致系统的检测性能下降,并且传统的融合未考虑各基站局部判决对融合中心判决的贡献大小。
发明内容
鉴于此,本发明提供一种基于复杂干扰下的多基浮标融合检测方法和系统,以解决上述技术问题。
本发明公开了一种基于复杂干扰下的多基浮标融合检测方法,其包括:
对接收信号进行预处理,得到目标检测的门限值;
结合所述门限值,基于信噪比加权的软判决进行融合检测;
所述预处理包括:MMSE谱估计降噪、基于多普勒模板匹配的频域匹配滤波、时反卷积处理和目标单元平均恒虚警率检测。
进一步地,对接收信号进行MMSE谱估计降噪,包括:
将接收信号经过预加重、分帧、加窗处理;
将时域分帧信号经过短时傅里叶变换后得到能量频谱:
估计背景噪声功率谱、后验信噪比及先验信噪比;
计算增益函数,并估计信号频谱;
相位恢复及反傅里叶变换,得到时域信号估计;
将各段时域信号进行组合,输出降噪处理后的信号及等效信噪比。
进一步地,所述能量频谱为:
P(k)=|X(k)|=|FFT(x(n))|
其中,x(n)=s(n)+d(n)为接收信号,其属于时域分帧信号,s(n)为待检测纯净信号,d(n)为噪声;
所述估计背景噪声功率谱、后验信噪比及先验信噪比,包括:
选取无信号到达的前几帧为背景噪声,估计其功率谱λd(k)=E{|D(k)|},并估计后验信噪比γk和先验信噪比ξk:
其中,λd(k)为若干段无信号到达时的噪声方差均值,m是信号分段序列,a为系数。
进一步地,所述计算增益函数,并估计信号频谱,包括:
增益函数表达式为:
其中,Gk为增益函数,Γ(·)是Gamma函数,I0(·)和I1(·)分别表示零阶和一阶贝叶斯函数;
每段信号的频谱估计由下式获得:
其中,为每段信号的频谱估计;
所述时域信号估计为:
其中,θk是从带噪信号中获得;
所述降噪处理后的信号的等效信噪比为:
其中,M是信号分段数。
进一步地,对降噪处理后的信号进行基于多普勒模板匹配的频域匹配滤波,包括:
分别在频域对降噪处理后的信号作匹配滤波处理,输出为:
其中,ξi对应不同多普勒频偏。
进一步地,对匹配滤波器的输出进行时反卷积处理,包括:
将匹配滤波器的输出进行时反转卷积处理,即
TY(ω)=Y(-ω)*Y(ω)
将TY(ω)通过干扰抑制门,以剔除主要的噪声干扰:
Y(ω)=TY(ω)·I(ω)
其中,
将Y(ω)经过傅里叶逆变换,最终输出时域信号为:
y(n)=IFFT(Y(ω))
对y(n)进行目标单元平均恒虚警率检测,包括:
设置M个参考单元,估计参考窗内的干扰噪声功率水平,并乘以门限系数λ=Pfa -1/M-1获得门限值T。
进一步地,所述结合所述门限值,基于信噪比加权的软判决进行融合检测,包括:
各单基站采用三级判决门限,T2<T<T1,即将观测空间和/>分别继续划分为2部分,其中/>满足/> 满足软判决规则为:
融合中心接收到各基站的判决数据后,通过估计检测统计量与检测门限,实现最终的判决。
进一步地,所述结合所述门限值,基于信噪比加权的软判决进行融合检测,具体包括:
根据各基站的虚警概率、接收信号处理信噪比、参考单元,求得三级门限系数;
各单基站依据软判决规则对目标进行判决;
计算融合中心检测统计量及门限值;
融合中心利用计算出的检测统计量与检测门限做出最终判决。
进一步地,所述三级门限系数分别为:
λ=Pfa -1/M-1
λ1=2-1/M(η+Pfa -1/M)-(1+η),η=100.1·SNR
λ2=((1+Pfa)/2)-1/M-1
各基地将单元平均恒虚警率估计出的干扰噪声功率水平分别乘以系数λ、λ1、λ2,获得三级门限值;
所述各单基站依据软判决规则对目标进行判决,即
并将对应判决数据及接收信号处理信噪比信息传输至融合中心。
进一步地,所述计算融合中心检测统计量及门限值,包括:
融合中心的检测统计量是各基站判决值的加权,通过引入门限系数λ3、λ4对各基站判决值对应的数据进行估计,即λ3=αλ1、λ4=αλ2,α是给定的参数,则判决值对应的数据可估计为:
融合中心的检测统计量可估计为其中,N为基站个数,βi(k)为第i个基站第k次判决的权值;
在每次融合判决时,融合中心均会更新各基站的权值,即:
其中,ηi(k)表示第i个基站第k次判决的信噪比,βi(0)=1,并且
融合中心的判决门限可估计为:其中,Ti为各基站CFAR检测获得的门限。
本发明还公开了一种适用于上述所述的基于复杂干扰下的多基浮标融合检测方法的系统,所述系统包括:
预处理模块,用于对接收信号进行预处理,得到目标检测的门限值;所述预处理包括:MMSE谱估计降噪、基于多普勒模板匹配的频域匹配滤波、时反卷积处理和目标单元平均恒虚警率检测;
融合检测模块,用于结合所述门限值,基于信噪比加权的软判决进行融合检测。
由于采用了上述技术方案,本发明具有如下的优点:本发明基于分布式多基浮标,对目标进行收发分置的主动探测,通过在各单基站采用MMSE信号增强技术、多普勒模板匹配技术、时反卷积干扰抑制技术等预处理,实现单基站在复杂干扰下的目标局部软判决检测,再通过信噪比加权融合检测大大提高检测性能,以及在复杂海洋噪声背景下的泛化性和鲁棒性,可广泛应用于浮标、UUV、舰船等基站平台的分布式多基系统,为作战及民用应用提供精确的目标探测信息。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明实施例中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本发明实施例的多基浮标布局示意图;
图2为本发明实施例的多基探测范围分布示意图;
图3为本发明实施例的基于复杂干扰下的多基浮标融合检测流程示意图;
图4为本发明实施例的MMSE降噪算法处理结果示意图;
图5为本发明实施例的多普勒模板匹配前后对比示意图;
图6为本发明实施例的时反卷积干扰抑制算法处理结果示意图;
图7为本发明实施例的融合检测中心与单站检测曲线对比示意图。
具体实施方式
结合附图和实施例对本发明作进一步说明,显然,所描述的实施例仅是本发明实施例一部分实施例,而不是全部的实施例。本领域普通技术人员所获得的所有其他实施例,都应当属于本发明实施例保护的范围。
参见图1,本发明提供了一种基于复杂干扰下的多基浮标融合检测方法的实施例,
1、分布式多基浮标系统
多基浮标布局为如图1所示的一发三收系统。多基声纳可以看作是多个双基声纳的组合,在考虑噪声抑制条件下的双基地声纳方程为:
SL-TL1-TL2+TS-NL+DI=DT
能够检测到目标的条件为等式左边不小于右边,若传播损失为球面波损失且不考虑介质的声吸收,则:
r1·r2≤10(SL+TS-NL+DI-DT)/10
其中,r1,r2分别为发射端和接收端到目标的距离,可见双基地声纳的作用范围为卡西尼卵曲线,因此可得多基浮标系统探测范围如图2所示。另外本发明的多基系统采用Gold序列编码信号作为发射信号,因其具有优良的正交性能和信号处理增益,适合用于多基探测。
2、基于复杂干扰下的多基融合检测方法
在实际海洋环境中,水声信道复杂多变,信噪比低,而对收发分置的多基声纳而言还存在严重的直达波干扰以及多途干扰等,因此本发明包括各单基站在复杂干扰下的预处理检测以及基于信噪比加权的软判决融合检测,流程如图3所示。
具体步骤如下:
步骤一:MMSE谱估计降噪
对海洋声传播中的噪声干扰采用信号增强技术,能够有效地抑制噪声成分而保留信号的信息,提升检测能力。水下声信号是随时间变化的非平稳随机过程,当信号按照较小时间间隔划分时,可以近似认为每段时间内信号是短时平稳的。针对平稳信号,本发明采用基于最小均方误差谱估计法(MMSE)的信号增强技术,其估计准则是基于估计幅度和实际幅度均方误差最小的准则,具体流程包括:
(1)信号预处理
将接收信号经过预加重、分帧、加窗处理。
(2)求短时能量谱
将时域分帧信号x(n)=s(n)+d(n)经过N点的短时傅里叶变换后得到能量频谱:
P(k)=|X(k)|=|FFT(x(n))|
(3)估计背景噪声功率谱、后验信噪比及先验信噪比
选取无信号到达的前几帧为背景噪声,估计其功率谱λd(k)=E{|D(k)|},并估计后验信噪比γk和先验信噪比ξk:
其中λd(k)为若干段无信号到达时的噪声方差均值,m是信号分段序列,系数a可取为0.98。
(4)计算增益函数Gk,并估计信号频谱
增益函数表达式为:
其中,Γ(·)是Gamma函数,I0(·)和I1(·)分别表示零阶和一阶贝叶斯函数。
每段信号的频谱估计由下式获得:
(5)相位恢复及反傅里叶变换,得到时域信号估计
其中,θk是从带噪信号中获得。
(6)将各段时域信号进行组合,输出降噪后的完整时域信号及等效信
图4给出了经过MMSE降噪处理后的信号,可以看出信号质量得到了大大提升。
步骤二:基于多普勒模板匹配的频域匹配滤波
针对Gold发射信号,其多普勒敏感性决定了直达波干扰在通过目标回波频偏的匹配滤波器时,输出大幅下降,这是直达波干扰抑制的核心。
具体实施步骤为:在对目标速度变化范围有一定先验的情况下,估计目标频偏变化范围,设计一组不同多普勒频偏的匹配滤波器,分别在频域对经过步骤一降噪处理的信号作匹配滤波处理,输出为:
输出峰值最大的就是与目标多普勒最匹配的滤波器,图5给出了经过多普勒模板匹配处理前后的对比,可以看出直达波干扰被抑制为较低水平的旁瓣。
步骤三:时反卷积处理抑制多径干扰
浅海环境中具有强烈的多途效应,使得声源发出的声波可能沿着几条不同的路径先后到达水听器,接收信号不但会产生衰减而且还会严重畸变,这将直接影响水下目标探测的性能,而时反卷积技术可以在没有任何环境先验信息的情况下重组多径信号,自适应的对信道进行匹配,具有时间压缩和空间聚焦性能,使其具有一定的抗多途干扰性能。
时反卷积干扰抑制具体步骤如下:
(1)时反卷积
将步骤二处理后的信号经过时反转卷积处理,即
TY(ω)=Y(-ω)*Y(ω)
(2)干扰抑制
将TY(ω)通过干扰抑制门,可以剔除主要的噪声干扰:
y(n)=TY(ω)·I(ω)
其中,
(3)傅里叶逆变换,输出时域信号
将上述信号经过傅里叶逆变换,最终输出时域信号为:
y(n)=IFFT(Y(ω))
图6给出了经过时反卷积干扰抑制处理后的检测结果。
步骤四:目标CA-CFAR检测
将步骤三中输出结果进行单元平均恒虚警率(CA-CFAR)检测。设置M个参考单元,估计参考窗内的干扰噪声功率水平,并乘以门限系数λ=Pfa -1/M-1获得门限值T。
步骤五:基于信噪比加权的软判决融合检测
软判决通过多个门限值对观测空间再划分,可充分利用检测统计量与门限的距离关系,提高判决可信度。本发明各单基站采用三级判决门限(T2<T<T1),即将观测空间和分别继续划分为2部分(按照系统要求的虚警概率及检测概率进行划分),其中/>满足 满足/>软判决规则为:
融合中心接收到各基站的判决数据后,通过估计检测统计量与检测门限,实现最终的判决。因此,本发明的融合检测算法主要包括单基站的局部判决和融合中心的融合判决两部分,具体步骤如下:
(1)计算三级门限值
根据各基站的虚警概率、接收信号处理信噪比、参考单元,求得三级门限系数,即:
λ=Pfa -1/M-1
λ1=2-1/M(η+Pfa -1/M)-(1+η),η=100.1·SNR
λ2=((1+Pfa)/2)-1/M-1
其中信噪比SNR由步骤一MMSE算法求得,各基地将CA-CFAR估计出的背景噪声功率谱值乘以系数λ、λ1、λ2获得三级门限值。
(2)单基站局部判决
各单基站依据软判决规则对目标进行判决,即
并将对应判决数据及接收信号处理信噪比信息传输至融合中心。
(3)计算融合中心检测统计量及门限值
融合中心的检测统计量是各基站判决值的加权,通过引入门限系数λ3、λ4来对各基站判决值对应的数据进行估计,即λ3=αλ1、λ4=αλ2,α是一个给定的参数,可取为0.1。则判决值对应的数据可估计为:
融合中心的检测统计量可估计为其中N为基站个数,βi(k)为第i个基站第k次判决的权值。
在每次融合判决时,融合中心都会更新各基站的权值,即:
其中ηi(k)表示第i个基站第k次判决的信噪比,βi(0)=1,并且这样使得融合中心的最终输出值中信噪比高的基站用户贡献值大,所占权值重,而信噪比低的基站用户的判决作用变弱,在融合过程中所起作用小。
融合中心的判决门限可估计为:其中Ti为各基站CFAR检测获得的门限。
(4)融合中心检测判决
融合中心利用计算出的检测统计量与检测门限做出最终判决。
图7给出软判决融合检测曲线,其中各基站及融合中心要求的虚警概率均设为0.001,从图中可看出相比单基站,融合中心软判决的检测性能有了很大提高。
本发明还提供了一种适用于上述基于复杂干扰下的多基浮标融合检测方法的系统的实施例,所述系统包括:
预处理模块,用于对接收信号进行预处理,得到目标检测的门限值;所述预处理包括:MMSE谱估计降噪、基于多普勒模板匹配的频域匹配滤波、时反卷积处理和目标单元平均恒虚警率检测;
融合检测模块,用于结合所述门限值,基于信噪比加权的软判决进行融合检测。
本发明的各单基站通过MMSE谱估计算法,有效地抑制噪声成分而保留信号的信息,提升检测时的输入信噪比;
本发明的各单基站采用多普勒模板匹配技术,通过设计一组不同多普勒频偏的匹配滤波器实现对直达波干扰信号的有效抑制;
本发明的各单基站采用时反卷积干扰抑制技术,对信号进行压缩和空间聚焦,实现对多途干扰信号的有效抑制;
本发明的各单基站利用三级判决门限对观测空间再划分为互不相交的四部分,充分利用检测统计量与门限的距离关系实现软判决检测;
本发明的融合中心采用基于信噪比加权的软判决融合检测技术,通过对各基站判决对应的数据进行非量化估计,并利用信噪比加权的方法表示各基站用户在融合判决的贡献值,实现检测性能的提高。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (11)
1.一种基于复杂干扰下的多基浮标融合检测方法,其特征在于,包括:
对接收信号进行预处理,得到目标检测的门限值;
结合所述门限值,基于信噪比加权的软判决进行融合检测;
所述预处理包括:MMSE谱估计降噪、基于多普勒模板匹配的频域匹配滤波、时反卷积处理和目标单元平均恒虚警率检测。
2.根据权利要求1所述的方法,其特征在于,对接收信号进行MMSE谱估计降噪,包括:
将接收信号经过预加重、分帧、加窗处理;
将时域分帧信号经过短时傅里叶变换后得到能量频谱:
估计背景噪声功率谱、后验信噪比及先验信噪比;
计算增益函数,并估计信号频谱;
相位恢复及反傅里叶变换,得到时域信号估计;
将各段时域信号进行组合,输出降噪处理后的信号及等效信噪比。
3.根据权利要求2所述的方法,其特征在于,所述能量频谱为:
P(k)=|X(k)|=|FFT(x(n))|
其中,x(n)=s(n)+d(n)为接收信号,其属于时域分帧信号,s(n)为待检测纯净信号,d(n)为噪声;
所述估计背景噪声功率谱、后验信噪比及先验信噪比,包括:
选取无信号到达的前几帧为背景噪声,估计其功率谱λd(k)=E{|D(k)|},并估计后验信噪比γk和先验信噪比ξk:
其中,λd(k)为若干段无信号到达时的噪声方差均值,m是信号分段序列,a为系数。
4.根据权利要求3所述的方法,其特征在于,所述计算增益函数,并估计信号频谱,包括:
增益函数表达式为:
其中,Gk为增益函数,Γ(·)是Gamma函数,I0(·)和I1(·)分别表示零阶和一阶贝叶斯函数;
每段信号的频谱估计由下式获得:
其中,为每段信号的频谱估计;
所述时域信号估计为:
其中,θk是从带噪信号中获得;
所述降噪处理后的信号的等效信噪比为:
其中,M是信号分段数。
5.根据权利要求4所述的方法,其特征在于,对降噪处理后的信号进行基于多普勒模板匹配的频域匹配滤波,包括:
分别在频域对降噪处理后的信号作匹配滤波处理,输出为:
其中,ξi对应不同多普勒频偏。
6.根据权利要求5所述的方法,其特征在于,对匹配滤波器的输出进行时反卷积处理,包括:
将匹配滤波器的输出进行时反转卷积处理,即
TY(ω)=Y(-ω)*Y(ω)
将TY(ω)通过干扰抑制门,以剔除主要的噪声干扰:
Y(ω)=TY(ω)·I(ω)
其中,
将Y(ω)经过傅里叶逆变换,最终输出时域信号为:
y(n)=IFFT(Y(ω))
对y(n)进行目标单元平均恒虚警率检测,包括:
设置M个参考单元,估计参考窗内的干扰噪声功率水平,并乘以门限系数λ=Pfa -1/M-1获得门限值T。
7.根据权利要求1所述的方法,其特征在于,所述结合所述门限值,基于信噪比加权的软判决进行融合检测,包括:
各单基站采用三级判决门限,T2<T<T1,即将观测空间和/>分别继续划分为2部分,其中/>满足/> 满足软判决规则为:
融合中心接收到各基站的判决数据后,通过估计检测统计量与检测门限,实现最终的判决。
8.根据权利要求7所述的方法,其特征在于,所述结合所述门限值,基于信噪比加权的软判决进行融合检测,具体包括:
根据各基站的虚警概率、接收信号处理信噪比、参考单元,求得三级门限系数;
各单基站依据软判决规则对目标进行判决;
计算融合中心检测统计量及门限值;
融合中心利用计算出的检测统计量与检测门限做出最终判决。
9.根据权利要求8所述的方法,其特征在于,所述三级门限系数分别为:
λ=Pfa -1/M-1
λ1=2-1/M(η+Pfa -1/M)-(1+η),η=100.1·SNR
λ2=((1+Pfa)/2)-1/M-1
各基地将单元平均恒虚警率估计出的干扰噪声功率水平分别乘以系数λ、λ1、λ2,获得三级门限值;
所述各单基站依据软判决规则对目标进行判决,即
并将对应判决数据及接收信号处理信噪比信息传输至融合中心。
10.根据权利要求8所述的方法,其特征在于,所述计算融合中心检测统计量及门限值,包括:
融合中心的检测统计量是各基站判决值的加权,通过引入门限系数λ3、λ4对各基站判决值对应的数据进行估计,即λ3=αλ1、λ4=αλ2,α是给定的参数,则判决值对应的数据可估计为:
融合中心的检测统计量可估计为其中,N为基站个数,βi(k)为第i个基站第k次判决的权值;
在每次融合判决时,融合中心均会更新各基站的权值,即:
其中,ηi(k)表示第i个基站第k次判决的信噪比,βi(0)=1,并且
融合中心的判决门限可估计为:其中,Ti为各基站CFAR检测获得的门限。
11.一种适用于权利要求1-10任一项所述的基于复杂干扰下的多基浮标融合检测方法的系统,其特征在于,所述系统包括:
预处理模块,用于对接收信号进行预处理,得到目标检测的门限值;所述预处理包括:MMSE谱估计降噪、基于多普勒模板匹配的频域匹配滤波、时反卷积处理和目标单元平均恒虚警率检测;
融合检测模块,用于结合所述门限值,基于信噪比加权的软判决进行融合检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310405583.5A CN116520333A (zh) | 2023-04-17 | 2023-04-17 | 一种基于复杂干扰下的多基浮标融合检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310405583.5A CN116520333A (zh) | 2023-04-17 | 2023-04-17 | 一种基于复杂干扰下的多基浮标融合检测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116520333A true CN116520333A (zh) | 2023-08-01 |
Family
ID=87396762
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310405583.5A Pending CN116520333A (zh) | 2023-04-17 | 2023-04-17 | 一种基于复杂干扰下的多基浮标融合检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116520333A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116990773A (zh) * | 2023-09-27 | 2023-11-03 | 广州辰创科技发展有限公司 | 基于自适应门限的低慢小目标检测方法、装置和存储介质 |
-
2023
- 2023-04-17 CN CN202310405583.5A patent/CN116520333A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116990773A (zh) * | 2023-09-27 | 2023-11-03 | 广州辰创科技发展有限公司 | 基于自适应门限的低慢小目标检测方法、装置和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108122563A (zh) | 提高语音唤醒率及修正doa的方法 | |
CN111681667A (zh) | 基于自适应窗口滤波和小波阈值优化的水声信号去噪方法 | |
CN110085247B (zh) | 一种针对复杂噪声环境的双麦克风降噪方法 | |
CN108768543B (zh) | 多特征融合认知型水声通信空快时自适应处理算法 | |
CN111024209B (zh) | 一种适用于矢量水听器的线谱检测方法 | |
CN109817234A (zh) | 基于连续噪声跟踪的目标语音信号增强方法、系统及存储介质 | |
CN116520333A (zh) | 一种基于复杂干扰下的多基浮标融合检测方法和系统 | |
CN101876715A (zh) | 一种拖曳声学阵列的拖船噪声抑制方法 | |
CN112528775A (zh) | 一种水下目标的分类方法 | |
CN111090089B (zh) | 一种基于两类辅助数据的空时自适应检测方法 | |
Lu et al. | Fundamental frequency detection of underwater acoustic target using DEMON spectrum and CNN network | |
Peyvandi et al. | SONAR systems and underwater signal processing: classic and modern approaches | |
CN112505665B (zh) | 适用于部分均匀混响环境的空时自适应检测方法及系统 | |
CN110441761B (zh) | 基于分布式浮标探测的多源信息融合方法 | |
Vahidpour et al. | An automated approach to passive sonar classification using binary image features | |
CN110673118A (zh) | 一种主动声纳单频脉冲串波形设计及检测算法 | |
CN110838303A (zh) | 一种利用传声器阵列的语音声源定位方法 | |
CN116047488A (zh) | 一种针对压制式干扰源的主动声纳干扰抑制方法 | |
CN115828552A (zh) | 一种基于岸基被动声纳线谱提纯方法及最优路径跟踪算法 | |
CN114884780A (zh) | 基于被动时间反转镜的水声通信信号调制识别方法及装置 | |
Guo et al. | Underwater target detection and localization with feature map and CNN-based classification | |
Zhang et al. | Impulsive noise excision using robust smoothing | |
CN106707249A (zh) | 一种雷达同频异步干扰视频信号层抑制方法 | |
Carbone et al. | A novel normalization algorithm based on the three-dimensional minimum variance spectral estimator | |
CN112924926A (zh) | 一种多途信道下的doa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 |