CN116973901A - 时频分析在声呐信号处理中的算法应用 - Google Patents
时频分析在声呐信号处理中的算法应用 Download PDFInfo
- Publication number
- CN116973901A CN116973901A CN202311186212.9A CN202311186212A CN116973901A CN 116973901 A CN116973901 A CN 116973901A CN 202311186212 A CN202311186212 A CN 202311186212A CN 116973901 A CN116973901 A CN 116973901A
- Authority
- CN
- China
- Prior art keywords
- time
- signal
- frequency
- sonar
- adjusted
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 46
- 238000001228 spectrum Methods 0.000 claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 230000009466 transformation Effects 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 230000003044 adaptive effect Effects 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000006073 displacement reaction Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims 2
- 230000001131 transforming effect Effects 0.000 claims 1
- 238000003384 imaging method Methods 0.000 abstract description 13
- 238000005516 engineering process Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/22—Source localisation; Inverse modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明涉及声呐信号处理技术领域,具体为时频分析在声呐信号处理中的算法应用,包括以下步骤:数据采集和预处理、短时傅里叶变换、时频分析与特征提取、连续小波变换和自适应波束形成。该时频分析在声呐信号处理中的算法应用,通过短时傅里叶变换和连续小波变换能够提供高分辨率的时频表示,能够更详细地揭示信号的时变特征和频谱信息,声呐系统能够获得更加准确和丰富的目标特征信息,有助于提高目标的检测、定位和跟踪的准确性,且连续小波变换能够适应信号的非平稳性,提供更准确的时频分析结果,更好地捕捉信号的时变特征,使声呐系统能够更有效地处理非平稳信号,提高目标探测和成像的准确性。
Description
技术领域
本发明涉及声呐信号处理技术领域,具体为时频分析在声呐信号处理中的算法应用。
背景技术
声呐信号处理是指对声呐接收到的原始回波信号进行分析和处理的过程,声呐信号处理的目的是从回波信号中提取有用的信息,以实现目标的探测、定位和识别等功能,声呐信号处理的过程涉及到信号处理算法、数字信号处理技术、模式识别和目标跟踪等领域的知识和技术,通过优化声呐信号处理算法和相关参数的选择,可以提高声呐系统的性能和应用效果。
时频分析是一种信号分析方法,通过同时观察信号的时间域和频域特性,以揭示信号在时间和频率上的变化规律,在传统的信号分析方法中,信号在整个时间段上被视为稳态信号,无法提供关于信号随时间变化的信息,时频分析则克服了这一限制,将信号切分成小时间窗口,并对每个时间窗口内的信号进行频谱分析,通过将频谱分析应用于不同的时间窗口,就可以得到信号在时间和频率上的变化情况。
声呐信号在通过传统的信号处理进行处理的过程中,对于声呐信号的目标检测和成像准确性有所不足,可能由于对时变特征和频谱信息的提取不够准确,导致目标的探测和成像结果存在一定的误检和漏检,对目标特征的揭示不够全面,无法满足实时场景下的快速处理需求,故而我们提出了时频分析在声呐信号处理中的算法应用。
发明内容
针对现有技术的不足,本发明提供了时频分析在声呐信号处理中的算法应用,具备能够通过时频分析方法对声呐信号进行准确的时变特征提取,并减小噪声和杂波的影响,通过短时傅里叶变换和连续小波变换等方法,可以获取时频谱图以及目标的频率变化和幅度变化信息,同时,通过自适应波束形成技术,可以优化目标检测和成像结果的优点,解决了声呐信号在通过传统的信号处理进行处理的过程中,对于声呐信号的目标检测和成像准确性有所不足,可能由于对时变特征和频谱信息的提取不够准确,导致目标的探测和成像结果存在一定的误检和漏检,对目标特征的揭示不够全面,无法满足实时场景下的快速处理需求的问题。
为实现上述能够通过时频分析方法对声呐信号进行准确的时变特征提取,并减小噪声和杂波的影响,通过短时傅里叶变换和连续小波变换等方法,可以获取时频谱图以及目标的频率变化和幅度变化信息,同时,通过自适应波束形成技术,可以优化目标检测和成像结果目的,本发明提供如下技术方案:时频分析在声呐信号处理中的算法应用,包括以下步骤:
S1:数据采集和预处理:使用声呐设备对目标区域进行连续扫描,并记录信号数据,使用巴特沃斯滤波器和声呐系统的增益设置,对接收到的原始信号进行预处理,包括滤波和增益调整,以去除噪声和杂波;
S2:短时傅里叶变换:将接收到的信号分为多个重叠的时间窗口,对每个时间窗口上的信号进行傅里叶变换,得到时频域信号;
S3:时频分析与特征提取:对短时傅里叶变换的结果进行时频分析,以分析信号在不同频率和时间上的能量分布,计算时频谱图,并使用伪彩色图像的方式进行可视化展示,根据时频谱图,提取目标的时变特征和频谱信息,包括目标的频率变化和幅度变化;
S4:连续小波变换:选择Morlet小波作为基函数,对接收到的信号进行连续小波变换,得到时频域信号,通过分析连续小波变换的结果,提取目标的时变特征和频谱信息;
S5:自适应波束形成:声呐系统中的多通道接收机通过加权和组合接收信号,实现自适应波束形成。
优选的,假设采集到的原始声呐信号为x(n),其中n表示采样点的索引,巴特沃斯滤波器的传递函数为H(z),满足巴特沃斯检测条件,截止频率为f0,滤波后的信号为x_filtered(n),并根据声呐系统的增益设置,对x_filtered(n)进行增益调整,得到调整后的信号x_adjusted(n),其巴特沃斯滤波器滤波公式为:
x_filtered(n)=H(z)*x(n)
增益调整公式为:
x_adjusted(n)=G*x_filtered(n)
其中“G”表示增益参数,用于调整信号的幅度;
进而,将数据采集和预处理的过程用以下公式表达:
x_adjusted(n)=G*(H(z)*x(n))。
优选的,对接收到的信号—x_adjusted(n),进行短时傅里叶变换(STFT),使用“时窗函数w(n)”,并假设每个窗口的长度为N,则每个时间窗口的信号为:
x_win(n)=x_adjusted(n)*w(n)
其中“*”表示逐点相乘,而短时傅里叶变换用以下公式表达:
X_win(k,m)=FFT(x_win(n,m))
其中“X_win(k,m)”表示第m个时间窗口中第k个频率点的频域信号,FFT表示快速傅里叶变换,“x_win(n,m)”表示第m个时间窗口的信号。
优选的,所述时窗函数w(n)采用汉宁窗函数,用于减小频谱泄漏和频谱分辨率的权衡,且,将对调整后的信号进行短时傅里叶变换的过程用以下公式表达:
X_win(k,m)=FFT(x_adjusted(n)*w(n,m))。
优选的,对每个时间窗口的频域信号X_win(k)进行时频分析,计算时频谱图S(t,f),而时频谱图的能量值通过以下公式表达:
S(t,f)=|X_win(k)|^2
其中,“|X_win(k)|”表示X_win(k)的模,“^2”表示平方。
优选的,对调整后的信号x_adjusted(n)进行连续小波变换,使用小波函数ψ(t),而选择Morlet小波作为基函数,则连续小波变换为:
W(a,b)=∫x_adjusted(t)*ψ*[(t-b)/a]dt
其中,“a”表示尺度参数,“b”表示位移参数,“ψ*”表示小波函数的共轭;
对连续小波变换的结果W(a,b)进行时频分析,得到时频谱图C(a,b),其中“a”表示尺度,“b”表示位移,使用如下公式计算时频谱图的能量值;
C(a,b)=|W(a,b)|^2
进而,将连续小波变换的过程用以下公式表达:
C(a,b)=|∫x_adjusted(t)*ψ*[(t-b)/a]dt|^2
其中“x_adjusted(t)”为调整后的信号,“ψ*[(t-b)/a]”为小波函数的共轭形式,通过连续小波变换得到信号在不同尺度和位移下的时频特性。
优选的,假设声呐系统有N个接收通道,每个接收通道接收到的信号为s[n],则通过加权和组合这些接收信号得到波束形成后的输出信号y[m],其中m表示时间或空间上的索引,则自适应波束形成的公式如下:
y[m]=w[0]*s[m]+w[1]*s[m-1]+w[2]*s[m-2]+...+w[N-1]*s[m-(N-1)]
其中,“y[m]”表示波束形成后的输出信号,“w[i]”表示第i个通道的权重系数,“s[n]”表示每个接收通道接收到的信号。
与现有技术相比,本发明提供了时频分析在声呐信号处理中的算法应用,具备以下有益效果:
1、该时频分析在声呐信号处理中的算法应用,通过短时傅里叶变换和连续小波变换能够提供高分辨率的时频表示,能够更详细地揭示信号的时变特征和频谱信息,声呐系统能够获得更加准确和丰富的目标特征信息,有助于提高目标的检测、定位和跟踪的准确性,且连续小波变换能够适应信号的非平稳性,提供更准确的时频分析结果,更好地捕捉信号的时变特征,使声呐系统能够更有效地处理非平稳信号,提高目标探测和成像的准确性。
2、该时频分析在声呐信号处理中的算法应用,通过自适应波束形成技术通过对每个通道的信号进行适当的权重加权,优化波束形成的效果,提高目标的信噪比,声呐系统可以实现更准确的目标检测和成像效果,短时傅里叶变换和连续小波变换可以通过快速算法进行高效计算,提高了时频分析的效率,也能够实现实时处理声呐信号的需求,减少处理延迟。
附图说明
图1为本发明的声呐信号处理流程图。
具体实施方式
下面将结合本发明的实施例和附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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。
请参阅图1,时频分析在声呐信号处理中的算法应用,包括以下步骤:
S1:数据采集和预处理:使用声呐设备对目标区域进行连续扫描,并记录信号数据,使用巴特沃斯滤波器和声呐系统的增益设置,对接收到的原始信号进行预处理,包括滤波和增益调整,以去除噪声和杂波;
S2:短时傅里叶变换:将接收到的信号分为多个重叠的时间窗口,对每个时间窗口上的信号进行傅里叶变换,得到时频域信号;
S3:时频分析与特征提取:对短时傅里叶变换的结果进行时频分析,以分析信号在不同频率和时间上的能量分布,计算时频谱图,并使用伪彩色图像的方式进行可视化展示,根据时频谱图,提取目标的时变特征和频谱信息,包括目标的频率变化和幅度变化;
S4:连续小波变换:选择Morlet小波作为基函数,对接收到的信号进行连续小波变换,得到时频域信号,通过分析连续小波变换的结果,提取目标的时变特征和频谱信息;
S5:自适应波束形成:声呐系统中的多通道接收机通过加权和组合接收信号,实现自适应波束形成。
具体的,假设采集到的原始声呐信号为x(n),其中n表示采样点的索引,巴特沃斯滤波器的传递函数为H(z),满足巴特沃斯检测条件,截止频率为f0,滤波后的信号为x_filtered(n),并根据声呐系统的增益设置,对x_filtered(n)进行增益调整,得到调整后的信号x_adjusted(n),其巴特沃斯滤波器滤波公式为:
x_filtered(n)=H(z)*x(n)
增益调整公式为:
x_adjusted(n)=G*x_filtered(n)
其中“G”表示增益参数,用于调整信号的幅度;
进而,将数据采集和预处理的过程用以下公式表达:
x_adjusted(n)=G*(H(z)*x(n))。
进一步的,通过巴特沃斯滤波器对声呐信号进行滤波,可以去除噪声和不需要的频率成分,保留需要的信号信息;而增益调整可以根据具体需求对信号的幅度进行调整,使其适应不同的应用场景,滤波和增益调整能够有效地改善信号质量,去除干扰和噪声,使得信号更加清晰准确,并且可以根据需求调整增益,提高信号的可辨识性和可靠性。
具体的,对接收到的信号—x_adjusted(n),进行短时傅里叶变换(STFT),使用“时窗函数w(n)”,并假设每个窗口的长度为N,则每个时间窗口的信号为:
x_win(n)=x_adjusted(n)*w(n)
其中“*”表示逐点相乘,而短时傅里叶变换用以下公式表达:
X_win(k,m)=FFT(x_win(n,m))
其中“X_win(k,m)”表示第m个时间窗口中第k个频率点的频域信号,FFT表示快速傅里叶变换,“x_win(n,m)”表示第m个时间窗口的信号。
进一步的,短时傅里叶变换(STFT)能够将信号从时域转换到频域,并且可以在不同时间窗口内对信号进行分析,得到每个时间窗口内不同频率点的频域表示,这有助于了解信号在不同时间和频率上的特征和变化,通过将信号分解成多个时间窗口,在每个时间窗口内进行频域分析,可以观察到信号在不同时间段内的频谱变化情况,有助于提取信号的时变特性,如频率的变化、振幅的变化等,从而更深入地了解信号的特征。
具体的,所述时窗函数w(n)采用汉宁窗函数,用于减小频谱泄漏和频谱分辨率的权衡,且,将对调整后的信号进行短时傅里叶变换的过程用以下公式表达:
X_win(k,m)=FFT(x_adjusted(n)*w(n,m))。
进一步的,汉宁窗函数在时域上具有平滑的特性,在频域上能够减小频谱泄漏现象,频谱泄漏是由于信号在截断窗口的两端出现不连续导致的,汉宁窗函数通过衰减窗口两端的信号幅度,降低了因此导致的频谱泄漏,频谱分辨率与窗口长度有关,较短的窗口长度会导致频谱分辨率变低,而汉宁窗函数能够通过减小窗口的主瓣宽度,提高频谱分辨率,这意味着在短时傅里叶变换中,通过采用汉宁窗函数,可以在一定程度上平衡频谱泄漏和频谱分辨率之间的权衡。
具体的,对每个时间窗口的频域信号X_win(k)进行时频分析,计算时频谱图S(t,f),而时频谱图的能量值通过以下公式表达:
S(t,f)=|X_win(k)|^2
其中,“|X_win(k)|”表示X_win(k)的模,“^2”表示平方。
进一步的,时频谱图是一种直观的可视化表示,能够以图形的形式直观地展示信号的时频特点,使人们更容易理解、解释和分析信号,时频谱图能够展示信号在时间和频率上的变化,可以精确地反映信号的瞬时特性和频率成分,有助于发现信号的周期性、瞬态特征和频域变化。
具体的,对调整后的信号x_adjusted(n)进行连续小波变换,使用小波函数ψ(t),而选择Morlet小波作为基函数,则连续小波变换为:
W(a,b)=∫x_adjusted(t)*ψ*[(t-b)/a]dt
其中,“a”表示尺度参数,“b”表示位移参数,“ψ*”表示小波函数的共轭;
对连续小波变换的结果W(a,b)进行时频分析,得到时频谱图C(a,b),其中“a”表示尺度,“b”表示位移,使用如下公式计算时频谱图的能量值;
C(a,b)=|W(a,b)|^2
进而,将连续小波变换的过程用以下公式表达:
C(a,b)=|∫x_adjusted(t)*ψ*[(t-b)/a]dt|^2
其中“x_adjusted(t)”为调整后的信号,“ψ*[(t-b)/a]”为小波函数的共轭形式,通过连续小波变换得到信号在不同尺度和位移下的时频特性。
进一步的,连续小波变换能够在不同尺度和位移下对信号进行时频分析,具有更高的时频分辨率,能够更准确地捕捉信号的时域和频域特性,且可以对信号在时间的不同段落上进行局部分析,使得分析结果更准确、可靠,连续小波变换的时频谱图C(a,b)能够提供信号的时频分布,能够有效地定位信号在时频域上的特征,并能够对信号的局部结构进行分析。
具体的,假设声呐系统有N个接收通道,每个接收通道接收到的信号为s[n],则通过加权和组合这些接收信号得到波束形成后的输出信号y[m],其中m表示时间或空间上的索引,则自适应波束形成的公式如下:
y[m]=w[0]*s[m]+w[1]*s[m-1]+w[2]*s[m-2]+...+w[N-1]*s[m-(N-1)]
其中,“y[m]”表示波束形成后的输出信号,“w[i]”表示第i个通道的权重系数,“s[n]”表示每个接收通道接收到的信号。
进一步的,通过自适应波束形成,可以将目标信号在波束方向上进行加强,从而提高信号的强度,有利于提取目标信号并抑制干扰信号,通过对各通道进行适当的权重加权,可以使得干扰信号在波束方向上降低,从而实现对干扰信号的抑制,提高系统的抗干扰性能。
综上所述,该时频分析在声呐信号处理中的算法应用,通过短时傅里叶变换和连续小波变换能够提供高分辨率的时频表示,能够更详细地揭示信号的时变特征和频谱信息,声呐系统能够获得更加准确和丰富的目标特征信息,有助于提高目标的检测、定位和跟踪的准确性,且连续小波变换能够适应信号的非平稳性,提供更准确的时频分析结果,更好地捕捉信号的时变特征,使声呐系统能够更有效地处理非平稳信号,提高目标探测和成像的准确性。
并且,该时频分析在声呐信号处理中的算法应用,通过自适应波束形成技术通过对每个通道的信号进行适当的权重加权,优化波束形成的效果,提高目标的信噪比,声呐系统可以实现更准确的目标检测和成像效果,短时傅里叶变换和连续小波变换可以通过快速算法进行高效计算,提高了时频分析的效率,也能够实现实时处理声呐信号的需求,减少处理延迟,解决了声呐信号在通过传统的信号处理进行处理的过程中,对于声呐信号的目标检测和成像准确性有所不足,可能由于对时变特征和频谱信息的提取不够准确,导致目标的探测和成像结果存在一定的误检和漏检,对目标特征的揭示不够全面,无法满足实时场景下的快速处理需求的问题。
本系统中涉及到的相关模块均为硬件系统模块或者为现有技术中计算机软件程序或协议与硬件相结合的功能模块,该功能模块所涉及到的计算机软件程序或协议的本身均为本领域技术人员公知的技术,其不是本系统的改进之处;本系统的改进为各模块之间的相互作用关系或连接关系,即为对系统的整体的构造进行改进,以解决本系统所要解决的相应技术问题。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.时频分析在声呐信号处理中的算法应用,其特征在于,包括以下步骤:
S1:数据采集和预处理:使用声呐设备对目标区域进行连续扫描,并记录信号数据,使用巴特沃斯滤波器和声呐系统的增益设置,对接收到的原始信号进行预处理,包括滤波和增益调整,以去除噪声和杂波;
S2:短时傅里叶变换:将接收到的信号分为多个重叠的时间窗口,对每个时间窗口上的信号进行傅里叶变换,得到时频域信号;
S3:时频分析与特征提取:对短时傅里叶变换的结果进行时频分析,分析信号在不同频率和时间上的能量分布,计算时频谱图,并使用伪彩色图像的方式进行可视化展示,根据时频谱图,提取目标的时变特征和频谱信息,包括目标的频率变化和幅度变化;
S4:连续小波变换:选择Morlet小波作为基函数,对接收到的信号进行连续小波变换,得到时频域信号,通过分析连续小波变换的结果,提取目标的时变特征和频谱信息;
S5:自适应波束形成:声呐系统中的多通道接收机通过加权和组合接收信号,实现自适应波束形成。
2.根据权利要求1所述的时频分析在声呐信号处理中的算法应用,其特征在于,所述步骤S1中,假设采集到的原始声呐信号为x(n),其中n表示采样点的索引,巴特沃斯滤波器的传递函数为H(z),满足巴特沃斯检测条件,截止频率为f0,滤波后的信号为x_filtered(n),并根据声呐系统的增益设置,对x_filtered(n)进行增益调整,得到调整后的信号x_adjusted(n),其巴特沃斯滤波器滤波公式为:
x_filtered(n)=H(z)*x(n)
增益调整公式为:
x_adjusted(n)=G*x_filtered(n)
其中“G”表示增益参数,用于调整信号的幅度;
进而,将数据采集和预处理的过程用以下公式表达:
x_adjusted(n)=G*(H(z)*x(n))。
3.根据权利要求1所述的时频分析在声呐信号处理中的算法应用,其特征在于,所述步骤S2中,对接收到的信号—x_adjusted(n),进行短时傅里叶变换(STFT),使用“时窗函数w(n)”,并假设每个窗口的长度为N,则每个时间窗口的信号为:
x_win(n)=x_adjusted(n)*w(n)
其中“*”表示逐点相乘,而短时傅里叶变换用以下公式表达:
X_win(k,m)=FFT(x_win(n,m))
其中“X_win(k,m)”表示第m个时间窗口中第k个频率点的频域信号,FFT表示快速傅里叶变换,“x_win(n,m)”表示第m个时间窗口的信号。
4.根据权利要求3所述的时频分析在声呐信号处理中的算法应用,其特征在于,所述时窗函数w(n)采用汉宁窗函数,用于减小频谱泄漏和频谱分辨率的权衡,且,将对调整后的信号进行短时傅里叶变换的过程用以下公式表达:
X_win(k,m)=FFT(x_adjusted(n)*w(n,m))。
5.根据权利要求1所述的时频分析在声呐信号处理中的算法应用,其特征在于,所述步骤S3中,对每个时间窗口的频域信号X_win(k)进行时频分析,计算时频谱图S(t,f),而时频谱图的能量值通过以下公式表达:
S(t,f)=|X_win(k)|^2
其中,“|X_win(k)|”表示X_win(k)的模,“^2”表示平方。
6.根据权利要求1所述的时频分析在声呐信号处理中的算法应用,其特征在于,所述步骤S4中,对调整后的信号x_adjusted(n)进行连续小波变换,使用小波函数ψ(t),而选择Morlet小波作为基函数,则连续小波变换为:
W(a,b)=∫x_adjusted(t)*ψ*[(t-b)/a]dt
其中,“a”表示尺度参数,“b”表示位移参数,“ψ*”表示小波函数的共轭;
对连续小波变换的结果W(a,b)进行时频分析,得到时频谱图C(a,b),其中“a”表示尺度,“b”表示位移,使用如下公式计算时频谱图的能量值;
C(a,b)=|W(a,b)|^2
进而,将连续小波变换的过程用以下公式表达:
C(a,b)=|∫x_adjusted(t)*ψ*[(t-b)/a]dt|^2
其中“x_adjusted(t)”为调整后的信号,“ψ*[(t-b)/a]”为小波函数的共轭形式,通过连续小波变换得到信号在不同尺度和位移下的时频特性。
7.根据权利要求1所述的时频分析在声呐信号处理中的算法应用,其特征在于,所述步骤S5中,假设声呐系统有N个接收通道,每个接收通道接收到的信号为s[n],则通过加权和组合这些接收信号得到波束形成后的输出信号y[m],其中m表示时间或空间上的索引,则自适应波束形成的公式如下:
y[m]=w[0]*s[m]+w[1]*s[m-1]+w[2]*s[m-2]+...+w[N-1]*s[m-(N-1)]
其中,“y[m]”表示波束形成后的输出信号,“w[i]”表示第i个通道的权重系数,“s[n]”表示每个接收通道接收到的信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311186212.9A CN116973901A (zh) | 2023-09-14 | 2023-09-14 | 时频分析在声呐信号处理中的算法应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311186212.9A CN116973901A (zh) | 2023-09-14 | 2023-09-14 | 时频分析在声呐信号处理中的算法应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116973901A true CN116973901A (zh) | 2023-10-31 |
Family
ID=88485254
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311186212.9A Pending CN116973901A (zh) | 2023-09-14 | 2023-09-14 | 时频分析在声呐信号处理中的算法应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116973901A (zh) |
Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020479A (zh) * | 2012-12-28 | 2013-04-03 | 上海交通大学 | 基于非线性调频小波变换的信号瞬时频率估计方法 |
CN103487794A (zh) * | 2012-06-13 | 2014-01-01 | 中国科学院声学研究所 | 一种基于小波包变换的水底混响抑制方法 |
CN103630887A (zh) * | 2013-11-11 | 2014-03-12 | 南京航空航天大学 | 一种多波束形成方法及使用该方法的多波束声纳 |
CN103675819A (zh) * | 2012-09-06 | 2014-03-26 | 中国科学院声学研究所 | 一种可用于被动合成孔径阵列偏航的目标检测方法及系统 |
CN106249224A (zh) * | 2016-08-27 | 2016-12-21 | 天津大学 | 多波束前视声呐系统和探测方法 |
CN110245608A (zh) * | 2019-06-14 | 2019-09-17 | 西北工业大学 | 一种基于半张量积神经网络的水下目标识别方法 |
CN110658514A (zh) * | 2018-06-28 | 2020-01-07 | 中国科学院声学研究所 | 一种水下静态目标的分类识别方法 |
CN110929694A (zh) * | 2019-12-13 | 2020-03-27 | 电子科技大学 | 一种用于分类识别的线谱增强及特征提取方法 |
CN111289985A (zh) * | 2020-03-19 | 2020-06-16 | 云南保利天同仪器有限公司 | 一种低功耗水下目标探测系统及其探测方法 |
CN111722232A (zh) * | 2020-05-12 | 2020-09-29 | 浙江大学 | 一种具备三维定位能力的多波束成像声纳实时信号处理装置 |
CN112528775A (zh) * | 2020-11-28 | 2021-03-19 | 西北工业大学 | 一种水下目标的分类方法 |
CN112987003A (zh) * | 2021-02-05 | 2021-06-18 | 中国科学院声学研究所 | 主动声纳中的hfm信号分离方法及系统 |
CN112990082A (zh) * | 2021-04-06 | 2021-06-18 | 舟山精卫智能科技有限公司 | 一种水声脉冲信号的检测识别方法 |
CN113049080A (zh) * | 2021-03-08 | 2021-06-29 | 中国电子科技集团公司第三十六研究所 | 一种舰船辐射噪声的gdwc听觉特征提取方法 |
CN113095113A (zh) * | 2019-12-23 | 2021-07-09 | 中国科学院声学研究所 | 一种用于水下目标识别的小波线谱特征提取方法及系统 |
CN113780242A (zh) * | 2021-09-30 | 2021-12-10 | 中国电子科技集团公司第五十四研究所 | 一种基于模型迁移学习的跨场景水声目标分类方法 |
CN114004982A (zh) * | 2021-10-27 | 2022-02-01 | 中国科学院声学研究所 | 一种面向水中目标识别的声学Haar特征提取方法及系统 |
CN114692687A (zh) * | 2022-03-31 | 2022-07-01 | 中国人民解放军军事科学院国防科技创新研究院 | 水声信号的识别方法与水声信号识别模型的训练方法 |
CN115015942A (zh) * | 2022-08-09 | 2022-09-06 | 中国人民解放军军事科学院国防科技创新研究院 | 一种自适应水下目标声学测速装置及方法 |
CN115470446A (zh) * | 2022-08-30 | 2022-12-13 | 中国科学院声学研究所 | 一种适用于多波束测深系统的任意角度快速波束形成方法 |
CN116400335A (zh) * | 2022-12-02 | 2023-07-07 | 中国科学院声学研究所 | 一种水平阵主动声纳目标回波检测方法及系统 |
CN116449350A (zh) * | 2023-03-27 | 2023-07-18 | 清华大学 | 一种基于自监督学习的混响抑制方法、系统及存储介质 |
CN116740387A (zh) * | 2023-05-20 | 2023-09-12 | 西北工业大学 | 基于连续小波变换及改进残差神经网络的水下噪声识别方法 |
-
2023
- 2023-09-14 CN CN202311186212.9A patent/CN116973901A/zh active Pending
Patent Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103487794A (zh) * | 2012-06-13 | 2014-01-01 | 中国科学院声学研究所 | 一种基于小波包变换的水底混响抑制方法 |
CN103675819A (zh) * | 2012-09-06 | 2014-03-26 | 中国科学院声学研究所 | 一种可用于被动合成孔径阵列偏航的目标检测方法及系统 |
CN103020479A (zh) * | 2012-12-28 | 2013-04-03 | 上海交通大学 | 基于非线性调频小波变换的信号瞬时频率估计方法 |
CN103630887A (zh) * | 2013-11-11 | 2014-03-12 | 南京航空航天大学 | 一种多波束形成方法及使用该方法的多波束声纳 |
CN106249224A (zh) * | 2016-08-27 | 2016-12-21 | 天津大学 | 多波束前视声呐系统和探测方法 |
CN110658514A (zh) * | 2018-06-28 | 2020-01-07 | 中国科学院声学研究所 | 一种水下静态目标的分类识别方法 |
CN110245608A (zh) * | 2019-06-14 | 2019-09-17 | 西北工业大学 | 一种基于半张量积神经网络的水下目标识别方法 |
CN110929694A (zh) * | 2019-12-13 | 2020-03-27 | 电子科技大学 | 一种用于分类识别的线谱增强及特征提取方法 |
CN113095113A (zh) * | 2019-12-23 | 2021-07-09 | 中国科学院声学研究所 | 一种用于水下目标识别的小波线谱特征提取方法及系统 |
CN111289985A (zh) * | 2020-03-19 | 2020-06-16 | 云南保利天同仪器有限公司 | 一种低功耗水下目标探测系统及其探测方法 |
CN111722232A (zh) * | 2020-05-12 | 2020-09-29 | 浙江大学 | 一种具备三维定位能力的多波束成像声纳实时信号处理装置 |
CN112528775A (zh) * | 2020-11-28 | 2021-03-19 | 西北工业大学 | 一种水下目标的分类方法 |
CN112987003A (zh) * | 2021-02-05 | 2021-06-18 | 中国科学院声学研究所 | 主动声纳中的hfm信号分离方法及系统 |
CN113049080A (zh) * | 2021-03-08 | 2021-06-29 | 中国电子科技集团公司第三十六研究所 | 一种舰船辐射噪声的gdwc听觉特征提取方法 |
CN112990082A (zh) * | 2021-04-06 | 2021-06-18 | 舟山精卫智能科技有限公司 | 一种水声脉冲信号的检测识别方法 |
CN113780242A (zh) * | 2021-09-30 | 2021-12-10 | 中国电子科技集团公司第五十四研究所 | 一种基于模型迁移学习的跨场景水声目标分类方法 |
CN114004982A (zh) * | 2021-10-27 | 2022-02-01 | 中国科学院声学研究所 | 一种面向水中目标识别的声学Haar特征提取方法及系统 |
CN114692687A (zh) * | 2022-03-31 | 2022-07-01 | 中国人民解放军军事科学院国防科技创新研究院 | 水声信号的识别方法与水声信号识别模型的训练方法 |
CN115015942A (zh) * | 2022-08-09 | 2022-09-06 | 中国人民解放军军事科学院国防科技创新研究院 | 一种自适应水下目标声学测速装置及方法 |
CN115470446A (zh) * | 2022-08-30 | 2022-12-13 | 中国科学院声学研究所 | 一种适用于多波束测深系统的任意角度快速波束形成方法 |
CN116400335A (zh) * | 2022-12-02 | 2023-07-07 | 中国科学院声学研究所 | 一种水平阵主动声纳目标回波检测方法及系统 |
CN116449350A (zh) * | 2023-03-27 | 2023-07-18 | 清华大学 | 一种基于自监督学习的混响抑制方法、系统及存储介质 |
CN116740387A (zh) * | 2023-05-20 | 2023-09-12 | 西北工业大学 | 基于连续小波变换及改进残差神经网络的水下噪声识别方法 |
Non-Patent Citations (4)
Title |
---|
任炳旭;惠新成;: "基于CWT模极大均值法的主动声呐回波展宽提取", 指挥信息系统与技术, no. 02, pages 66 - 70 * |
李霞, 李志舜: "基于空间-频率的DOA估计研究", 电子与信息学报, no. 08, pages 1232 - 1236 * |
杨路飞;章新华;吴秉坤;: "基于长短时记忆网络的被动声纳目标信号LOFAR谱增强研究", 电声技术, no. 06, pages 106 - 108 * |
陈阳;赵安邦;王自娟;惠俊英;: "瞬时频率方差加权导向最小方差波束形成检测器", 哈尔滨工程大学学报, no. 06, pages 730 - 735 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107644650B (zh) | 一种基于渐进串行正交化盲源分离算法的改进声源定位方法及其实现系统 | |
KR101294681B1 (ko) | 기상 신호 처리장치 및 그 처리방법 | |
CN110852201A (zh) | 一种基于多脉冲包络谱匹配的脉冲信号检测方法 | |
CN109448389B (zh) | 一种汽车鸣笛智能检测方法 | |
CN108828566A (zh) | 基于拖曳线列阵的水下脉冲信号识别方法 | |
CN111024209B (zh) | 一种适用于矢量水听器的线谱检测方法 | |
CN106707258A (zh) | 一种非高斯背景下微动目标多参数估计方法 | |
CN109100687B (zh) | 一种雷达设备lfm脉冲信号pslr参数确定方法 | |
CN101762806A (zh) | 声源定位方法和装置 | |
CN114089279A (zh) | 一种基于均匀同心圆麦克风阵列的声目标定位方法 | |
CN112394324A (zh) | 一种基于麦克风阵列的远距离声源定位的方法及系统 | |
CN108919241A (zh) | 一种基于恒虚警检测的水下信号时频端点参数估计方法 | |
CN113192518A (zh) | 毫米波侦听方法及系统 | |
CN111198355B (zh) | 基于fpga的pcr回波信号处理系统及方法 | |
CN113095113B (zh) | 一种用于水下目标识别的小波线谱特征提取方法及系统 | |
CN116973901A (zh) | 时频分析在声呐信号处理中的算法应用 | |
CN113189570B (zh) | 一种基于复域压缩感知的阵列信号处理方法及系统 | |
CN113281729B (zh) | 一种基于多帧空间谱联合处理的目标自动检测方法及系统 | |
CN214796752U (zh) | 一种基于声纹识别和声源定位的工程车辆识别定位装置 | |
CN115064182A (zh) | 自适应梅尔滤波器在强噪声环境下风机故障特征识别方法 | |
Ni et al. | Polyphase-modulated radar signal recognition based on time-frequency amplitude and phase features | |
CN103487794B (zh) | 一种基于小波包变换的水底混响抑制方法 | |
CN111623986A (zh) | 基于同步压缩变换与时频匹配的信号特征提取方法及系统 | |
CN111427035A (zh) | 一种基于子带微多普勒差异的雷达实测数据集扩充方法 | |
CN113238206B (zh) | 一种基于判决统计量设计的信号检测方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20231031 |