毫米波雷达液位计高精度测距算法研究

本文基于毫米波FMCW雷达液位计测距原理,针对影响测距精度的FFT栅栏效应问题,提出了将Zoom FFT和能量重心校正算法结合的高精度信号处理算法.该算法通过FFT算法锁定感兴趣的差频信号频谱范围,采用Zoom FFT在此范围内进行频谱细化,后利用能量重心校正算法对细化后的频谱进行频率校正,从而获得差频信号的精确频率信息,并通过换算得到雷达到液面的距离.仿真结果表明,该算法能将雷达液位计的测距精度提高到毫米量级,计算量和运算存储空间比较合理.     

一种改进型声线修正算法在超短基线定位系统上的应用

根据声线分层恒速修正原理和超短基线设备测量的水下温度、深度信息,结合系统海上使用的环境特性,提出一种改进型声线修正新算法进行水下精确测距。该算法通过湖上试验和海上验证,较传统平均声速算法大幅提高测距精度,有效解决了声线在水下复杂环境中曲线传播的难题,提高了超短基线定位系统的水下测距及定位精度。     

水下目标回波的块信号稀疏分解方法

基于匹配追踪的稀疏分解方法原理简单,在工程实际中应用广泛,但其计算量大,重构精度也不够理想。针对此问题,利用水下目标回波信号的块稀疏特性,提出了水下目标回波的块信号稀疏分解方法。首先基于水下目标回波和块稀疏信号的基本理论,结合回波信号仿真结果,分析了水下目标回波信号的块稀疏特性;然后,充分考虑回波信号本身的稀疏结构,利用信号分块和原子分块的思想,针对水下目标回波提出了块信号的稀疏分解和块匹配追踪重构算法,并从理论上对其计算复杂度进行了分析;最后,采用仿真实验的方式,与传统方法进行对比。结果表明,该方法大大减少了计算量,提高了重构精度。     

水下网络移动节点分布式定位算法

随着水下网络系统的发展,水下移动节点的分布式定位技术的研究受到关注。提出了一种自组织、可容忍节点失效与测距误差、计算量和通信开销小的分布式水下节点定位算法,该算法利用自适应加权、循环三角组合测量法提高定位精度。对基于TOA测距的循环三角组合算法的定位精度进行了仿真,分析参考节点数对平均定位误差的影响,并与三边测量法的定位精度进行了比较。仿真结果表明,该算法具有较高的定位精度,对节点失效和测距误差的鲁棒性高,并且降低了水下网络对参考节点的密度要求。     

一种基于运动模型的水下目标方位预处理方法

为了改善纯方位目标运动分析方法的性能,提出了一种水下目标方位预处理方法。该方法利用目标运动模型对观测方位序列进行预处理,经仿真验证,与常规的多项式拟合方法相比,能够有效降低水下目标方位观测量的估计误差,提高了目标运动分析的性能,可获得更高的运动参数估计精度。     

汽车防撞雷达多目标识别测量算法研究

针对目前汽车防撞系统中常用的调频连续波测距雷达对多目标识别的不足,基于频移键控雷达的联合作用,提出一种新型的测量方法,该算法采用一种类梯形调频波形,利用调制频率的周期性变化特征分别对单目标和多目标实现有效检测,使雷达不仅可测量单目标在不同运动状态下的距离和速度,同时也可识别多目标,并对其完成测距与测速。利用Matlab对所提出的算法进行了仿真与验证,表明该算法不仅能准确捕捉所探测目标,并且在测量中有着较高的精度,适用于毫米波汽车防撞雷达在行驶中的目标测量。     

基于超宽带的室内测距系统

超宽带是一种新型无线通信技术,它能将脉冲序列在一定频率内进行扩大。室内测距的基本原理是利用移动标签与定位基站之间互相传递信号来测量距离的,测量与计算出时间常数再乘以传播速度就可以测量距离。~([1])该文的超宽带室内测距算法是采用飞行时间法并结合了陈氏算法和泰勒级数,之所以在室内基于超宽带开发测距系统,是因为它在短距离测距方面效果好、准确率高。通过仿真实验我们得到的测量精度平均在0.056 m左右。     

基于局部均值分解的行波故障测距方法

针对当前输电线路行波故障测距存在波速不确定性与行波波头到达时间难以准确测量问题,提出一种基于局部均值分解(local mean decomposition,LMD)的行波故障测距方法,该方法在传统双端测距线路中间增加一个测量点,利用无故障线段的长度和测量点检测波头时间求出输电线路的行波波速,有效消除波速对测距精度的影响;利用LMD算法对行波故障电流线模分量进行分解,根据分解得到第一个分量PF瞬时频率曲线的首个频率突变点准确测量行波波头到达时间。采用Simulink搭建输电线路仿真模型,将该文行波故障测距方法与小波变换测距、HHT变换测距方法(Hilbert-Huang transform,HHT)进行仿真对比,结果表明:该文方法测距精度高于小波变换测距、HHT变换测距方法,对实际输电线路故障测距具有重要应用价值。     

被动定向浮标阵卡尔曼滤波目标跟踪研究

文章研究利用被动定向浮标阵定位跟踪水下机动目标的方法,基于卡尔曼滤波(Kalman Filter, KF)原理提出一种定位跟踪滤波器的具体实现方法。该方法能够整合多枚浮标现在及过去有误差的测量数据,提高定位精度,同时连续输出水下目标运动参数估计从而锁定目标运动轨迹。该方法实现的关键在于建立水下目标与浮标阵的数学迭代运算模型,包括状态空间的动态与观测过程。由于被动定向浮标阵目标跟踪是一个非线性估计问题,而卡尔曼滤波器是线性的,因此文章设计了近似的线性观测方程以利用卡尔曼滤波来解决这个问题。通过计算机仿真研究该滤波器的跟踪效果并与最小二乘法进行比较,估计精度明显高于最小二乘法。同时通过仿真验证该滤波器可以自适应跟踪目标的非稳态运动过程。该方法在工程实践上具有一定应用前景与指导意义。     

同步钟式水下测距技术研究

水下运动体辐射噪声测试必需建立相应的海上测试手段,其诸多手段中,实现不影响水下噪声目标辐射噪声特性研究的水下实时精密测距是极为重要的。本文就此给予了一般性的论述。文中重点对各种同步钟式水下测距技术结合我们多年的工作实践进行了较为详尽的讨论。     

水下运动目标被动测量数据的实时处理

水下运动目标的被动测量和测量的实时性是水声测量设备的难点所在。设计了一套水下运动目标被动测量数据实时处理系统,它综合利用水声技术、计算机技术、电子技术等手段,采用球面内插法实现对水下运动目标被动测量数据的实时处理,并实时显示水下目标运动轨迹。可应用于不同类型水下目标海上试验的定位跟踪测量,具有良好的通用性和海上适应性,并可推广应用于舰船、潜艇等其它水中运动目标的定位跟踪测量,具有明显的军事、经济效益。     

聚焦矩阵在水中宽带目标被动跟踪中的应用

针对水中机动宽带目标,对于设计好的均匀线列阵,采用空间重采样方法计算基阵的恒定束宽阵元权系数,进而利用该阵元权系数产生聚焦矩阵,通过聚焦矩阵将不同频带的子带信号映射到同一参考频率上,然后将所有频率成分的信号功率谱密度矩阵作平均,并结合MUSIC(Multiple Signal Classification)算法,估计出目标的方位信息,从而实现水中宽带目标的被动跟踪。采用该方法进行仿真试验分析,结果表明在小孔径基阵上可实现宽带单目标的稳定测向被动跟踪,且对多目标具有一定的角被动分辨效果。     

双耳低频高分辨快速精确定向算法

小型被动探测节点由于成本低、布放简单等原因在水声领域应用广泛。已有的被动声测向技术在这种条件下存在定向精度低、角度分辨力差等缺点。为了解决小孔径基阵的目标快速精确定向问题及多目标分辨问题,将人类听觉系统对低频声源的定向过程与高精度时延估计算法相结合,提出双耳低频高分辨快速精确定向算法。通过理论分析和仿真与湖试数据的处理,证明算法对小孔径阵在低采样率的情况下可以对多个目标的方位进行快速精确估计,并可获得各目标的频率信息,利用频率的不同可以分辨相同方位入射的不同声源。     

广义边缘CWD-Hough变换在宽带声成像中的应用

提出了一种基于广义边缘CWD—Hough（GMCWD—Hough）变换的宽带声成像方法。分析了基于时间伸缩-时延的宽带相关声成像的基本模型,介绍了广义边缘CWD—Hough变换。根据目标回波的时频分布特点,该方法基于时间一频率联合分析法,提取信号在时频域的分布特性参数进行时间伸缩时延的声成像。通过设计合理的广义边缘核函数,能有效避免常用的WVD方法产生的交叉项影响,检测性能优于常用的Wigner—ville分布方法。实验结果表明该声成像方法的有效性,不仅适合水声宽带成像,而且对于低信噪比条件下的其它成像方式也具有参考价值。     

基于调制统计量的水下高速目标分类算法

针对DEMON谱调制频率的可分性进行研究。利用高速目标与非高速目标在调制频率成分上的差异性,对目标DEMON谱历程矩阵进行梯度差分和量化处理,定义了目标辐射噪声的量化矩阵和调制统计量,提出了一种基于目标辐射噪声调制统计量的水下高速目标分类识别算法,比较了不同门限情况下高速目标与非高速目标随调制统计量的分布情况。大量实测数据分析表明,此算法可以可靠地对高速目标进行分类识别。     

特征相似的舰船噪声模型可信性分析

舰船噪声建模是研究水声信号处理和声纳系统的关键技术。从舰船噪声的时频域特性出发建立适应性广的舰船目标噪声模型,提出基于特征相似的模型可信性评估方法,并对舰船噪声模型进行可信性分析。     

聚焦波束形成声图法误差分析

聚集波束形成声图测量方法可以实现近场目标的被动定位．利用该方法接收数据或进行数据处理的过程中必定会有各种误差产生,本文从聚焦峰尺度、阵元偏差、波长等方面对聚焦波束形成声图测量方法的影响进行了分析,经仿真研究与实验数据分析可以得出聚焦波束形成声图法受距离与波长的影响较大,但对于阵元的位置要求不高,利用该方法可以实现近程目标的高精度定位。     

Bi-directional evolutionary topology optimization for designing a neutrally buoyant underwater glider

An underwater glider is a type of autonomous profiling instrument platform used for gathering data to explore the ocean. Having a neutrally buoyant glider hull is one way to improve the glider's endurance with a passive compensation for buoyancy change. This article applies the bi-directional evolutionary structural optimization (BESO) method to the optimization of an underwater glider hull, based on two materials. Firstly, the method for determining the glider's neutral buoyancy is carried out. Secondly, the optimization problem is defined and the optimization procedure is presented. In the BESO procedure, the original design area elements with low strain energy are iteratively switched from high-value materials to low-value materials until a prescribed fraction is reached. Finally, an optimal underwater glider design is generated and the result demonstrates a reasonable material distribution of the neutrally buoyant glider hull. A 26.4% buoyancy adjustment is achieved and the mass of the glider is decreased by 31%.     

ia-PNCC: Noise Processing Method for Underwater Target Recognition Convolutional Neural Network

Underwater target recognition is a key technology for underwater acoustic countermeasure. How to classify and recognize underwater targets according to the noise information of underwater targets has been a hot topic in the field of underwater acoustic signals. In this paper, the deep learning model is applied to underwater target recognition. Improved anti-noise Power-Normalized Cepstral Coefficients (ia-PNCC) is proposed, based on PNCC applied to underwater noises. Multitaper and normalized Gammatone filter banks are applied to improve the anti-noise capacity. The method is combined with a convolutional neural network in order to recognize the underwater target. Experiment results show that the acoustic feature presented by ia-PNCC has lower noise and are well-suited to underwater target recognition using a convolutional neural network. Compared with the combination of convolutional neural network with single acoustic feature, such as MFCC (Mel-scale Frequency Cepstral Coefficients) or LPCC (Linear Prediction Cepstral Coefficients), the combination of the ia-PNCC with a convolutional neural network offers better accuracy for underwater target recognition.     

基于改进小波阈值去噪的深度学习水下目标分类

由于海洋环境噪声复杂,噪声等级高,水下待识别目标信噪比低,从而造成了特征提取困难,目标识别率低的问题。基于此,文章提出了基于改进小波阈值的深度学习水下目标分类方法。此方法在传统小波阈值去噪的基础上提出了一种新的小波阈值函数,对于所采用的具体阈值将其与分解尺度相联系,从而实现降低背景噪声,提升水下目标分类识别率的目的。此方法对实测舰船辐射噪声信号进行小波分解,提取每一层的高频小波系数并对其进行处理;对处理完的信号再提取时频特征,最后将其输入后续的深度学习网络中。实验结果发现：在利用原有数据集情况下,利用基于改进小波阈值的深度学习进行水下目标的分类识别,采用卷积神经网络算法可达到88.56%的分类识别率。对前述实验结果进一步分析后,采用生成对抗网络的方法扩充数据样本,可达到96.673%的分类识别率。