RU2730048C1 - Adaptive dichotomous classification method of marine objects - Google Patents
Adaptive dichotomous classification method of marine objects Download PDFInfo
- Publication number
- RU2730048C1 RU2730048C1 RU2019140316A RU2019140316A RU2730048C1 RU 2730048 C1 RU2730048 C1 RU 2730048C1 RU 2019140316 A RU2019140316 A RU 2019140316A RU 2019140316 A RU2019140316 A RU 2019140316A RU 2730048 C1 RU2730048 C1 RU 2730048C1
- Authority
- RU
- Russia
- Prior art keywords
- classification
- objects
- class
- threshold
- decision
- Prior art date
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
- G01S3/00—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received
- G01S3/80—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received using ultrasonic, sonic or infrasonic waves
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
Description
Изобретение относится к области гидроакустики, может быть использовано при решении задач обработки сигнала морских объектов пассивными и активными гидроакустическими средствами и предназначено для разделения обнаруженных объектов на два альтернативных класса.The invention relates to the field of hydroacoustics, can be used in solving problems of signal processing of marine objects by passive and active hydroacoustic means and is intended to divide the detected objects into two alternative classes.
Известны способы [1-3] распознавания морских объектов, обнаруженных по их первичному или вторичному гидроакустическому полю, на два альтернативных класса. Недостаток этих способов заключается в использовании порога, не учитывающего все особенности гидролого-акустической и помехо-сигнальной обстановки, что приводит к недостаточной эффективности классификации в натурных условиях.Known methods [1-3] for the recognition of marine objects detected by their primary or secondary hydroacoustic field into two alternative classes. The disadvantage of these methods lies in the use of a threshold that does not take into account all the features of the hydrological-acoustic and noise-signaling environment, which leads to insufficient efficiency of the classification in natural conditions.
Наиболее близким аналогом предлагаемого изобретения является способ классификации морских объектов в типовой шумопеленгаторной станции [4].The closest analogue of the proposed invention is a method for classifying marine objects in a typical sound direction-finding station [4].
В способе-прототипе выполняют следующие операции:In the prototype method, the following operations are performed:
задают вид классификационной характеристики как отношение мощности принятого сигнала к угловой скорости объекта,set the type of the classification characteristic as the ratio of the received signal power to the angular velocity of the object,
формируют теоретический порог классификации объектов на два класса относительно заданной классификационной характеристики в заданных гидролого-акустических условиях,form a theoretical threshold for classifying objects into two classes with respect to a given classification characteristic in given hydrological and acoustic conditions,
принимают сигнал объекта гидроакустической антенной,receive the signal of the object with a hydroacoustic antenna,
определяют значение классификационной характеристики объекта,determine the value of the classification characteristics of the object,
принимают решение о классе объекта на основании сравнения его классификационной характеристики с порогом.make a decision about the class of the object based on the comparison of its classification characteristics with the threshold.
Способ позволяет при использовании одной классификационной характеристики, определяемой как отношение мощности принятого сигнала к угловой скорости объекта, разделять объекты на классы малошумных и сильношумящих в двумерном признаковом пространстве «шумность»-«скорость».The method allows using one classification characteristic, defined as the ratio of the received signal power to the angular velocity of an object, to divide objects into classes of low-noise and high-noise in a two-dimensional feature space "noise" - "speed".
Недостаток способа заключается в сложности формирования порога при переходе от пространства «шумность»-«скорость», в котором порог С фиксирован на основании статистического описания классов объектов [5], к пространству «мощность принятого сигнала» - «угловая скорость объекта». В способе-прототипе предлагается при этом переходе использовать порог СА, представляющий собой произведение порога С на коэффициент А, характеризующий затухание сигнала при распространении в среде, и определяемый в предполагаемых гидролого-акустических условиях по теоретической методике [6]. Несмотря на то, что теоретически указанная методика позволяет учесть и вертикальное распределение скорости звука по глубине и отражающие и поглощающие свойства дна и поверхности, в реальных натурных условиях указанные параметры могут отличаться от среднестатистических или быть известны не полностью. Кроме того, методика не позволяет учесть помехо-сигнальную обстановку в районе, то есть наличие и структуру шумов мешающего судоходства или помех биологического происхождения. Все эти факторы приводят к тому, что порог СА, рассчитываемый теоретически, не позволяет эффективно разделять объекты в реальных натурных условиях.The disadvantage of this method lies in the complexity of the formation of the threshold in the transition from the space "noise" - "speed", in which the threshold C is fixed on the basis of the statistical description of classes of objects [5], to the space "received signal power" - "angular velocity of the object". In the prototype method, it is proposed to use the SA threshold for this transition, which is the product of the C threshold by the coefficient A, which characterizes the signal attenuation during propagation in the medium, and determined in the assumed hydrological-acoustic conditions according to the theoretical method [6]. Despite the fact that, theoretically, the indicated technique allows one to take into account the vertical distribution of the speed of sound along the depth and the reflecting and absorbing properties of the bottom and surface, in real field conditions, these parameters may differ from the average statistical ones or may not be fully known. In addition, the methodology does not allow taking into account the noise-signaling situation in the area, that is, the presence and structure of noise interfering with navigation or interference of biological origin. All these factors lead to the fact that the SA threshold, calculated theoretically, does not allow effectively separating objects in real field conditions.
Задачей изобретения является повышение эффективности классификации объектов, обнаруживаемых гидроакустическими средствами, в натурных гидролого-акустических условиях.The objective of the invention is to improve the efficiency of classification of objects detected by hydroacoustic means in natural hydrological and acoustic conditions.
Для решения поставленной задачи в способ адаптивной дихотомической классификации морских объектов, в котором задают вид классификационной характеристики, формируют теоретический порог классификации объектов на два класса X и Y относительно заданной классификационной характеристики в заданных гидролого-акустических условиях и принимают его в качестве текущего порога, принимают сигнал первого объекта гидроакустической антенной, определяют значение классификационной характеристики первого объекта, принимают решение о классе первого объекта на основании сравнения его классификационной характеристики с текущим порогом,To solve the set problem in the method of adaptive dichotomous classification of sea objects, in which the type of classification characteristic is set, a theoretical threshold for classifying objects into two classes X and Y is formed with respect to a given classification characteristic under given hydrological-acoustic conditions and it is taken as the current threshold, a signal is received the first object with a hydroacoustic antenna, determine the value of the classification characteristic of the first object, make a decision on the class of the first object based on comparing its classification characteristic with the current threshold,
введены новые признаки, а именноintroduced new features, namely
создают два пустых массива измерений фиксированной длины по одному для каждого класса X и Y,create two empty arrays of fixed length measurements, one for each class X and Y,
записывают в массив, соответствующий принятому решению о классе первого объекта, значение его классификационной характеристики,write in the array corresponding to the adopted decision on the class of the first object, the value of its classification characteristic,
принимают сигнал второго и последующих объектов,receive the signal of the second and subsequent objects,
определяют значения классификационных характеристик принятых объектов, принимают решение о классе принятых объектов на основании сравнения ихdetermine the values of the classification characteristics of the accepted objects, make a decision on the class of the accepted objects based on their comparison
классификационных характеристик с текущим порогом,classification characteristics with the current threshold,
дополняют массивы, соответствующие принятому решению о классе, значениями классификационных характеристик принятых объектов, используя для этого скользящие окна,complement the arrays corresponding to the adopted decision on the class with the values of the classification characteristics of the accepted objects, using sliding windows for this,
когда массивы заполнены полностью, формируют новый адаптивный порог классификации где μX и μY - математические ожидания, a wX и wY - величины, обратные дисперсиям, для совокупности классификационных характеристик в массиве класса X и массиве класса Y, соответственно,when the arrays are full, form a new adaptive classification threshold where μ X and μ Y are mathematical expectations, aw X and w Y are the inverse of variances for a set of classification characteristics in an array of class X and an array of class Y, respectively,
принимают полученный адаптивный порог в качестве нового текущего порога и обновляют его после каждого следующего заполнения массивов.take the received adaptive threshold as the new current threshold and update it after each next filling of the arrays.
Техническим результатом изобретения является обеспечение возможности классификации объектов в реальных натурных условиях, когда гидролого-акустические условия и помехо-сигнальная обстановка в морской среде не известны или известны частично.The technical result of the invention is to provide the possibility of classifying objects in real natural conditions, when the hydrological-acoustic conditions and noise-signal conditions in the marine environment are not known or are known in part.
Покажем возможность достижения указанного технического результата предложенным способом.Let us show the possibility of achieving the specified technical result by the proposed method.
Гидроакустические средства, для которых применяется и способ-прототип и предлагаемый способ, никогда не используются для обнаружения одного единственного объекта. В акватории, в которой они применяются, всегда находятся несколько объектов, которые обнаруживаются и классифицируются гидроакустическими средствами последовательно. Это позволяет предложить использовать статистику, накопленную при классификации n-первых объектов, для классификации n+1 объекта, и так далее.Hydroacoustic means for which both the prototype method and the proposed method are used are never used to detect a single object. In the water area in which they are used, there are always several objects that are detected and classified by hydroacoustic means sequentially. This allows us to propose to use the statistics accumulated during the classification of the first n objects for the classification of n + 1 objects, and so on.
Физическая сущность заявляемого способа заключается в формировании порога классификации объектов для заданного вида классификационной характеристики на основании динамически обновляемого непосредственно в процессе работы статистического описания классов объектов. Например, для классификационной характеристики способа-прототипа [4], определяемой как отношение мощности принятого сигнала к угловой скорости объекта, теоретического описания классов объектов не существует, поскольку такое описание будет различно для разных гидролого-акустических и помехо-сигнальных условий. Для способов [2, 3], применяемых в пассивной и активной гидролокации, и использующих в качестве классификационной характеристики угол прихода сигнала в вертикальной плоскости, теоретическое описание классов объектов возможно, но оно не учитывает натурные помехо-сигнальные условия. А новые процедуры заявляемого способа позволяют создавать статистическое описание классов объектов, и, следовательно, формировать актуальный порог, в динамике своей работы, используя для этого классификационную характеристику первого, второго, и последующих объектов.The physical essence of the proposed method lies in the formation of a threshold for the classification of objects for a given type of classification characteristics based on a dynamically updated statistical description of classes of objects directly in the process of operation. For example, for the classification characteristic of the prototype method [4], defined as the ratio of the received signal power to the angular velocity of an object, there is no theoretical description of object classes, since such a description will be different for different hydrological-acoustic and noise-signal conditions. For the methods [2, 3], used in passive and active sonar, and using the angle of arrival of the signal in the vertical plane as a classification characteristic, a theoretical description of object classes is possible, but it does not take into account the full-scale noise-signal conditions. And the new procedures of the proposed method allow you to create a statistical description of the classes of objects, and, therefore, to form the actual threshold, in the dynamics of its work, using for this the classification characteristics of the first, second, and subsequent objects.
При использовании принципа максимального правдоподобия для формирования порога, разделяющего альтернативные классы, достаточно получить по два статистических параметра для каждого из классов: математическое ожидание и дисперсию [7] распределения классификационной характеристики. Для этого создают два массива измерений по одному для каждого класса X и Y, в которых динамически, в процессе выработки, сохраняются значения измеренных классификационных характеристик. В массиве статистики класса X сохраняются значения классификационных характеристик тех объектов, для которых на предыдущем шаге принято решение о классе X, а в массиве статистики класса Y сохраняются значения классификационных характеристик других объектов, для которых принято решение о классе Y. При заполнении массивов используются скользящие окна: наиболее старая информация стирается, весь массив сдвигается вниз, и текущая информация записывается как наиболее актуальная. Это позволяет постоянно обновлять статистику классов, адаптируя ее к текущей гидролого-акустической и помехо-сигнальной обстановке и вырабатывать обновленный порог.When using the principle of maximum likelihood to form a threshold separating alternative classes, it is enough to obtain two statistical parameters for each of the classes: the mathematical expectation and variance [7] of the distribution of the classification characteristic. To do this, create two arrays of measurements, one for each class X and Y, in which the values of the measured classification characteristics are dynamically stored during the production process. The array of statistics of class X stores the values of the classification characteristics of those objects for which the decision about class X was made in the previous step, and the array of statistics of class Y stores the values of the classification characteristics of other objects for which the decision about class Y was made. When filling the arrays, sliding windows are used : the oldest information is erased, the entire array is shifted down, and the current information is recorded as the most current. This allows you to constantly update the statistics of classes, adapting it to the current hydrological-acoustic and noise-signaling environment and generate an updated threshold.
На основании информации заполненных массивов динамически вычисляются основные статистические параметры для каждого из классов - математическое ожидание и дисперсия распределения значений классификационной характеристики. Тогда порог для классификации формируется на основании принципа максимального правдоподобия [7].Based on the information of the filled arrays, the main statistical parameters for each of the classes are dynamically calculated - the mathematical expectation and the variance of the distribution of the values of the classification characteristic. Then the classification threshold is formed based on the maximum likelihood principle [7].
В процессе работы способа постоянно происходит обновление статистики классификационной характеристики для альтернативных классов, то есть динамически уточняется описание классов объектов для текущих гидролого-акустических и помехо-сигнальных условий, на основании чего формируется актуальный порог для классификации.During the operation of the method, the statistics of the classification characteristics for alternative classes are constantly updated, that is, the description of the classes of objects for the current hydrological-acoustic and noise-signal conditions is dynamically refined, on the basis of which the actual threshold for classification is formed.
Таким образом, эффективность классификации в заявленном способе увеличивается относительно прототипа и других дихотомических способов классификации, использующих фиксированный порог, аналитически рассчитанный на основе теоретической модели распространения звука.Thus, the efficiency of the classification in the claimed method is increased relative to the prototype and other dichotomous classification methods using a fixed threshold, analytically calculated on the basis of a theoretical model of sound propagation.
Сущность изобретения поясняется фиг. 1, на которой приведена блок-схема устройства, реализующего предлагаемый способ.The essence of the invention is illustrated in FIG. 1, which shows a block diagram of a device that implements the proposed method.
Устройство (фиг. 1) содержит последовательно соединенные блоки: гидроакустическая антенна 1, блок 2 пространственной и частотно-временной обработки сигнала (ПЧВО), блок 3 принятия решения о классе объекта, индикатор 4 (ИНД), блок 5 постоянного запоминающего устройства (ПЗУ), блок 6 формирования адаптивного порога (ФАП), причем выход последнего в цепочке блока 6 соединен обратной связью со вторым входом блока 3. Также устройство содержит блок 7 формирования теоретического порога (ФТП), выход которого соединен с третьим входом блока 3.The device (Fig. 1) contains series-connected blocks: hydroacoustic antenna 1, block 2 of spatial and time-frequency signal processing (PSHP), block 3 for deciding on the class of the object, indicator 4 (IND),
Гидроакустическая антенна 1 известна из [8], при этом антенные модули могут быть выполнены согласно [9]. Процедуры блока 2 пространственной и частотно-временной обработки известны из [10] и могут быть выполнены в модулях программируемых процессоров сигналов и в модулях универсальной части цифрового вычислительного комплекса [11]. Блок 3 принятия решения о классе объекта, блок 6 формирования адаптивного порога и блок 7 формирования теоретического порога могут быть выполнены в модулях универсальной части цифрового вычислительного комплекса [11]. Индикатор 4 и блок 5 постоянного запоминающего устройства реализуются, например, в пультовом приборе и накопителе на оптическом диске согласно [11].Hydroacoustic antenna 1 is known from [8], while antenna modules can be made according to [9]. The procedures of block 2 of spatial and frequency-time processing are known from [10] and can be performed in modules of programmable signal processors and in modules of the universal part of a digital computing complex [11]. Block 3 for making a decision on the class of the object, block 6 for forming an adaptive threshold and
Реализация способа осуществляется следующим образом.The method is implemented as follows.
При включении устройства в блоке 7 формируется теоретический порог классификации по методике для заданной классификационной характеристики. Например, по методике [4] для классификационной характеристики отношение мощности принятого сигнала к угловой скорости объекта, или по методике [2] для классификационной характеристики угол прихода сигнала в вертикальной плоскости, или по любой другой методике для заданной классификационной характеристики.When the device is turned on in
В динамике работы устройства шумовой сигнал первого, второго и последующих объектов, принятый антенной 1, поступает в блок 2, где выполняются типовые процедуры шумопеленгования [10]: пространственная обработка и частотно-временная обработка сигнала. На выходе блока 2 формируется значение заданной классификационной характеристики Z каждого объекта, например, согласно [4] - отношение мощности принятого сигнала к угловой скорости объекта. Классификационная характеристика поступает в блок 3. Одновременно в блок 3 из блока 7 поступает теоретический порог классификации, который на данном этапе работы устройства принимается в качестве текущего порога. В блоке 3 реализуется пороговая схема классификации [10], в результате чего объект относят к одному из двух альтернативных классов X или Y. Классификационная характеристика и принятое решение о классе объекта поступают в блок 4, где они индицируются оператору, и в блок 5 постоянного запоминающего устройства.In the dynamics of the device operation, the noise signal of the first, second and subsequent objects, received by antenna 1, enters block 2, where typical noise direction finding procedures are performed [10]: spatial processing and time-frequency processing of the signal. At the output of block 2, the value of the given classification characteristic Z of each object is formed, for example, according to [4], the ratio of the received signal power to the angular velocity of the object. The classification characteristic enters block 3. At the same time, the theoretical classification threshold comes to block 3 from
В блоке 5 осуществляется запись текущего значения классификационной характеристики в один из двух массивов в зависимости от принятого решения о классе объекта: в массив статистики объектов X (Xi=Z) или в массив статистки объектов Y (Yi=Z). Запись осуществляется последовательно, по мере обнаружения и выработки классификационной характеристики, для первого, второго и последующих объектов. При этом, при заполнении массивов используются скользящие окна: наиболее старая информация стирается, весь массив сдвигается вниз, и текущая информация записывается как наиболее актуальная. Массивы статистик классификационных характеристик для двух классов объектов поступают в блок 6 формирования адаптивного порога классификации.In
В блоке 6 анализируется количество заполненных элементов в массивах X и Y. Пока массивы заполнены не полностью, что будет на первых циклах работы устройства, адаптивный порог для классификации не формируется, и продолжает использоваться теоретический порог классификации. Когда массивы заполнены полностью, то в блоке 6 сначала получают статистические параметры для каждого из классов, а затем формируют порог для классификации методом наименьших квадратов, который обеспечивает максимальное правдоподобие при дальнейшем принятии решения [7]:In block 6, the number of filled elements in arrays X and Y is analyzed. While the arrays are not completely filled, which will be in the first cycles of the device operation, the adaptive threshold for classification is not formed, and the theoretical classification threshold is still used. When the arrays are completely filled, then in block 6, first, statistical parameters for each of the classes are obtained, and then a threshold for classification by the least squares method is formed, which provides the maximum likelihood for further decision making [7]:
- математическое ожидание классификационной характеристики для класса X, - mathematical expectation of the classification characteristic for class X,
- математическое ожидание классификационной характеристики для класса Y, - mathematical expectation of the classification characteristic for class Y,
- дисперсия классификационной характеристики класса X, - variance of the classification characteristic of class X,
- дисперсия классификационной характеристики класса Y, - variance of the classification characteristic of class Y,
- адаптивный порог для классификации, - adaptive threshold for classification,
где wX=1/DX, wY=1/DY -значения, обратные дисперсиям.where w X = 1 / D X , w Y = 1 / D Y are the inverse of variances.
Полученный адаптивный порог для классификации поступает в блок 3, где будет использован для принятия решения о классе на следующем цикле работы устройства при классификации следующего объекта. При этом, после классификации следующего объекта, его классификационная характеристика опять будет записана в один из массивов статистики класса X или класса Y в зависимости от принятого решения, и порог для классификации будет опять обновлен на основании новых статистических параметров для каждого из классов.The resulting adaptive threshold for classification goes to block 3, where it will be used to make a decision about the class at the next cycle of the device when classifying the next object. In this case, after the classification of the next object, its classification characteristic will again be written into one of the arrays of statistics of class X or class Y, depending on the decision made, and the classification threshold will again be updated based on new statistical parameters for each of the classes.
Все изложенное позволяет считать задачу изобретения решенной. Предложен способ адаптивной дихотомической классификации морских объектов, обеспечивающий классификацию объектов в реальных натурных условиях, когда гидролого-акустические условия и помехо-сигнальная обстановка в морской среде не известны или известны частично.All of the above allows us to consider the problem of the invention solved. A method for adaptive dichotomous classification of marine objects is proposed, which provides the classification of objects in real natural conditions, when the hydrological-acoustic conditions and noise-signal conditions in the marine environment are not known or are known in part.
ИСТОЧНИКИ ИНФОРМАЦИИSOURCES OF INFORMATION
1. Величкин С.М., Миронов Д.Д., Антипов В.А., Зеленкова И.Д., Перельмутер Ю.С. Патент РФ №2156984 от 27.09.2000. Способ получения информации о шумящем в море объекте и способ получения цветовых шкал для него. МПК G01S 3/84.1. Velichkin S.M., Mironov D.D., Antipov V.A., Zelenkova I.D., Perelmuter Yu.S. RF patent No. 2156984 dated 09/27/2000. A method for obtaining information about an object noisy in the sea and a method for obtaining color scales for it. IPC G01S 3/84.
2. Волкова А.А., Консон А.Д. Патент РФ №2703804 от 22.10.2019, приоритет от 22.10.2018. Способ классификации морских объектов пассивными гидроакустическими средствами. МПК G01S 3/80.2. Volkova A.A., Konson A.D. RF patent No. 2703804 dated 10.22.2019, priority dated 10.22.2018. Method of classification of marine objects by passive hydroacoustic means. IPC G01S 3/80.
3. Либенсон Е.Б., Стреленко Т.Б. Патент РФ №2528114 от 10.09.2014, приоритет от 11.04.2013. Активный гидролокатор с классификацией объекта. МПК G01S 15/00.3. Libenson EB, Strelenko TB RF patent No. 2528114 dated 09/10/2014, priority dated 04/11/2013. Active sonar with object classification. IPC G01S 15/00.
4. Волкова А.А., Консон А.Д. Патент РФ №2689968 от 29.05.2019, приоритет от 29.03.2018. Способ классификации морских объектов в типовой шумопеленгаторной станции. МПК G01S 3/80.4. Volkova A.A., Konson A.D. RF patent No. 2689968 from 05/29/2019, priority from 03/29/2018. Method of classification of offshore objects in a typical sound direction-finding station. IPC G01S 3/80.
5. Кобылянский В.В. Разработка алгоритмов классификации шумовых гидроакустических сигналов на основе использования акустико-конструктивных характеристик объектов излучения и моделей среды. Диссертация на соискание ученой степени к.т.н. Л.: ЦНИИ «Морфизприбор». 1982.5. Kobylyansky V.V. Development of algorithms for the classification of noise hydroacoustic signals based on the use of acoustic-structural characteristics of radiation objects and environmental models. Dissertation for the degree of Ph.D. L .: Central Research Institute "Morfizpribor". 1982.
6. Евтютов А.П., Митько В.Б. Примеры инженерных расчетов в гидроакустике. -Л.: Судостроение. 1981. 265 с.6. Evtyutov A.P., Mitko V.B. Examples of engineering calculations in hydroacoustics. -L .: Shipbuilding. 1981.265 p.
7. Тейлор Дж. Введение в теорию ошибок / Пер. с англ. - М.: Мир. 1985. 272 с.7. Taylor J. Introduction to the theory of errors / Per. from English. - M .: Mir. 1985.272 p.
8. Литвиненко С.Л. Патент РФ №2515133 от 10.05.2014 Сферическая гидроакустическая антенна. МПК G01S 15/00.8. Litvinenko S.L. RF patent No. 2515133 dated 05/10/2014 Spherical hydroacoustic antenna. IPC G01S 15/00.
9. Смарышев М.Д., Черняховский А.Е., Иванов A.M., Шатохин А.В., Селезнев И.А., Никандров В.А., Маляров К.В., Барсуков Ю.В. Патент РФ №2539819 от 27.01.2015. Антенный модуль с цифровым выходом. МПК H04R 1/44.9. Smaryshev M.D., Chernyakhovsky A.E., Ivanov A.M., Shatokhin A.V., Seleznev I.A., Nikandrov V.A., Malyarov K.V., Barsukov Yu.V. RF patent No. 2539819 from 27.01.2015. Antenna module with digital output. IPC H04R 1/44.
10. Ю.Корякин Ю.А., Смирнов С.А., Яковлев Г.В. Корабельная гидроакустическая техника: состояние и актуальные проблемы. СПб.: Наука. 2004.10. Yu.Koryakin Yu.A., Smirnov S.A., Yakovlev G.V. Ship sonar technology: state of the art and current problems. SPb .: Science. 2004.
11. Бетелин В.Б., Капустин Г.И., Кокурин В.А., Корякин Ю.А., Лисе А.Р., Немытов А.И., Першин А.С., Рыжиков А.В., Челпанов А.В., Шалин СА. Патент РФ №2207620 от 10.03.2003. Цифровой вычислительный комплекс для обработки сигналов в гидроакустических системах. МПК G06F 15/16, G01S 15/88.11. Betelin V.B., Kapustin G.I., Kokurin V.A., Koryakin Yu.A., Lise A.R., Nemytov A.I., Pershin A.S., Ryzhikov A.V., Chelpanov A.V., Shalin SA. RF patent No. 2207620 dated 03/10/2003. Digital computing complex for signal processing in hydroacoustic systems. IPC G06F 15/16, G01S 15/88.
Claims (1)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2019140316A RU2730048C1 (en) | 2019-12-06 | 2019-12-06 | Adaptive dichotomous classification method of marine objects |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2019140316A RU2730048C1 (en) | 2019-12-06 | 2019-12-06 | Adaptive dichotomous classification method of marine objects |
Publications (1)
Publication Number | Publication Date |
---|---|
RU2730048C1 true RU2730048C1 (en) | 2020-08-14 |
Family
ID=72086115
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2019140316A RU2730048C1 (en) | 2019-12-06 | 2019-12-06 | Adaptive dichotomous classification method of marine objects |
Country Status (1)
Country | Link |
---|---|
RU (1) | RU2730048C1 (en) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2760912C1 (en) * | 2021-04-27 | 2021-12-01 | Акционерное общество "Концерн "Центральный научно-исследовательский институт "Электроприбор" | Method for determining the class of a noisy marine object |
RU2809016C1 (en) * | 2023-04-03 | 2023-12-05 | Акционерное Общество "Концерн "Океанприбор" | Method for adaptive detection of sea noise object |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2300118C1 (en) * | 2005-08-29 | 2007-05-27 | Федеральное государственное унитарное предприятие "Центральный научно-исследовательский институт "Морфизприбор" | Mode of detection noisy objects in the sea |
RU2626295C1 (en) * | 2016-09-08 | 2017-07-25 | Акционерное Общество "Концерн "Океанприбор" | Automatic detection and classification system of short-range sonar |
RU2681242C1 (en) * | 2018-05-21 | 2019-03-05 | Федеральное Государственное Казенное Военное Образовательное Учреждение Высшего Образования "Тихоокеанское Высшее Военно-Морское Училище Имени С.О. Макарова" Министерства Обороны Российской Федерации (Г. Владивосток) | Intellectual system for detection and classification of marine targets |
RU2681432C1 (en) * | 2018-04-12 | 2019-03-06 | Акционерное общество "Концерн "Центральный научно-исследовательский институт "Электроприбор" | Noisy target class and distance thereto determining method |
RU2681526C1 (en) * | 2018-02-22 | 2019-03-07 | Акционерное общество "Концерн "Центральный научно-исследовательский институт "Электроприбор" | Method for determining noisy target class and distance thereto |
RU2682088C1 (en) * | 2018-06-05 | 2019-03-14 | Федеральное Государственное Казенное Военное Образовательное Учреждение Высшего Образования "Тихоокеанское Высшее Военно-Морское Училище Имени С.О. Макарова" Министерства Обороны Российской Федерации (Г. Владивосток) | Method of detection and neural network recognition of the signs of the fields of different physical nature generated by marine purposes |
RU2684440C1 (en) * | 2017-12-07 | 2019-04-09 | Акционерное Общество "Концерн "Океанприбор" | Method of obtaining objects detected by several systems |
RU2687994C1 (en) * | 2018-05-08 | 2019-05-17 | Федеральное государственное казенное военное образовательное учреждение высшего образования "Военный учебно-научный центр Военно-Морского Флота "Военно-морская академия им. Адмирала Флота Советского Союза Н.Г. Кузнецова" | Method of classification of marine objects based on weight coefficients of their classification features |
RU2689968C1 (en) * | 2018-03-29 | 2019-05-29 | Акционерное Общество "Концерн "Океанприбор" | Method of classification of marine objects in a typical sound locating station |
RU2694271C2 (en) * | 2017-10-25 | 2019-07-11 | Акционерное Общество "Концерн "Океанприбор" | Device for classifying noisy objects |
-
2019
- 2019-12-06 RU RU2019140316A patent/RU2730048C1/en active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2300118C1 (en) * | 2005-08-29 | 2007-05-27 | Федеральное государственное унитарное предприятие "Центральный научно-исследовательский институт "Морфизприбор" | Mode of detection noisy objects in the sea |
RU2626295C1 (en) * | 2016-09-08 | 2017-07-25 | Акционерное Общество "Концерн "Океанприбор" | Automatic detection and classification system of short-range sonar |
RU2694271C2 (en) * | 2017-10-25 | 2019-07-11 | Акционерное Общество "Концерн "Океанприбор" | Device for classifying noisy objects |
RU2684440C1 (en) * | 2017-12-07 | 2019-04-09 | Акционерное Общество "Концерн "Океанприбор" | Method of obtaining objects detected by several systems |
RU2681526C1 (en) * | 2018-02-22 | 2019-03-07 | Акционерное общество "Концерн "Центральный научно-исследовательский институт "Электроприбор" | Method for determining noisy target class and distance thereto |
RU2689968C1 (en) * | 2018-03-29 | 2019-05-29 | Акционерное Общество "Концерн "Океанприбор" | Method of classification of marine objects in a typical sound locating station |
RU2681432C1 (en) * | 2018-04-12 | 2019-03-06 | Акционерное общество "Концерн "Центральный научно-исследовательский институт "Электроприбор" | Noisy target class and distance thereto determining method |
RU2687994C1 (en) * | 2018-05-08 | 2019-05-17 | Федеральное государственное казенное военное образовательное учреждение высшего образования "Военный учебно-научный центр Военно-Морского Флота "Военно-морская академия им. Адмирала Флота Советского Союза Н.Г. Кузнецова" | Method of classification of marine objects based on weight coefficients of their classification features |
RU2681242C1 (en) * | 2018-05-21 | 2019-03-05 | Федеральное Государственное Казенное Военное Образовательное Учреждение Высшего Образования "Тихоокеанское Высшее Военно-Морское Училище Имени С.О. Макарова" Министерства Обороны Российской Федерации (Г. Владивосток) | Intellectual system for detection and classification of marine targets |
RU2682088C1 (en) * | 2018-06-05 | 2019-03-14 | Федеральное Государственное Казенное Военное Образовательное Учреждение Высшего Образования "Тихоокеанское Высшее Военно-Морское Училище Имени С.О. Макарова" Министерства Обороны Российской Федерации (Г. Владивосток) | Method of detection and neural network recognition of the signs of the fields of different physical nature generated by marine purposes |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2760912C1 (en) * | 2021-04-27 | 2021-12-01 | Акционерное общество "Концерн "Центральный научно-исследовательский институт "Электроприбор" | Method for determining the class of a noisy marine object |
RU2809016C1 (en) * | 2023-04-03 | 2023-12-05 | Акционерное Общество "Концерн "Океанприбор" | Method for adaptive detection of sea noise object |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Neupane et al. | A review on deep learning-based approaches for automatic sonar target recognition | |
Abraham et al. | Novel physical interpretations of K-distributed reverberation | |
CN103033817B (en) | Obstruction automatic recognition system for collision preventing of large-scale autonomous underwater vehicle (AUV) | |
US11346942B2 (en) | Target positioning device and method based on plecotus auritus double-pinna bionic sonar | |
KR20110031310A (en) | Method and apparatus for detection and classification of a swimming object | |
RU2529441C1 (en) | Method of processing sonar information | |
Nosal et al. | Sperm whale three-dimensional track, swim orientation, beam pattern, and click levels observed on bottom-mounted hydrophones | |
RU2711406C1 (en) | Method of classification of hydro acoustic signals of marine objects noise emission | |
Cotter et al. | Classification of broadband target spectra in the mesopelagic using physics-informed machine learning | |
LeFeuvre et al. | Acoustic species identification in the Northwest Atlantic using digital image processing | |
CN117198330B (en) | Sound source identification method and system and electronic equipment | |
CN108398690B (en) | Submarine backscattering intensity measuring method | |
RU2730048C1 (en) | Adaptive dichotomous classification method of marine objects | |
KR101817011B1 (en) | Clutter reduction Method and Apparatus for active sonar based on clustering characteristics | |
Baralli et al. | GPU-based real-time synthetic aperture sonar processing on-board autonomous underwater vehicles | |
Rao et al. | Underwater mine detection using symbolic pattern analysis of sidescan sonar images | |
Gu et al. | Using McDaniel's model to represent non-Rayleigh reverberation | |
KR101483513B1 (en) | Apparatus for sound source localizatioin and method for the same | |
RU2689968C1 (en) | Method of classification of marine objects in a typical sound locating station | |
RU114169U1 (en) | ACTIVE HYDROLOCATOR | |
CN110109087B (en) | Sonar irregular detection range display method and system | |
Lu et al. | Automatic outlier detection in multibeam bathymetric data using robust LTS estimation | |
US11874407B2 (en) | Technologies for dynamic, real-time, four-dimensional volumetric multi-object underwater scene segmentation | |
CN114137546A (en) | AUV (autonomous underwater vehicle) submarine target identification and path planning method based on data driving | |
Hjelmervik et al. | Synthesizing active anti-submarine warfare sonar data |