被动声呐信号处理方式

1 发明概要 本发明为一种新的被动声呐信号处理方式,其特点是:由多个接收器接收船舶航行噪声.接收器的输出经整相处理后变为方位信号,各方位信号进而分别解析为几种频谱成份。在解析求得的特定船舶航行噪声的固有频谱中至少对一种频谱成份按方位进行相加处理,把其中信号强度最大的方位定为峰值方位。     

被动声呐浮标距离比定位

本文介绍了基于接收声强的被动全向声呐浮标距离比定位（ＬＯＦＩＸ）方法的原理及其解析计算方法。当接收虚拟浮标数大于２时,可以利用最小二乘法来提高定位精度和自动化程度。     

被动声呐信号检测技术发展

水声信号检测是被动声呐系统进行目标探测所需的重要支撑技术,信号检测的性能直接影响到被动声呐系统对目标探测的能力。对被动声呐信号检测技术的研究情况进行了梳理,将其归纳为基于时域信息的信号检测技术和基于空域信息的信号检测技术两大类。在分析现有技术不足和应用需求的基础上,指出弱信号、低虚警率和有效利用水声传播信息等是被动声呐信号检测技术可能的发展方向。     

基于遗传算法的神经网络被动声呐目标分类研究

被动声呐目标识别系统中目标分类器的设计和训练是一项重要内容，本文设计了目标分类器的神经网络结构，提出了一种用改进的遗传算法训练神经网络分类器的新方法，最后，对海上实录的Ａ，Ｂ，Ｃ三类目标噪声进行了分类识别，实验结果表明基于遗传算法的神经网络分类器比传统的基于ＢＰ算法的神经网络分类源泛化性能有明显提高。     

双子阵被动跟踪系统

文章介绍一种用于水下机动目标测量的双子阵被动跟踪系统,介绍了双子阵定位原理和系统构成,提出了广义相关时延估计方法、时延值滤波方法和卡尔曼弹道滤波器,该系统能方便地进行水面或水下机动目标的跟踪测量。     

免疫粒子滤波在声呐图像目标跟踪中的应用

基于前视声呐图像序列,研究并实现了经免疫算法优化的粒子滤波水下目标跟踪。声呐图像分割成二值图后,提取目标的区域形状特征以构建观测模型,设计目标模板自适应更新方法;将免疫算法的克隆与变异思想引入到粒子滤波中以解决粒子退化问题。对两组水下运动物体的跟踪实验表明,即使目标存在一定形变与干扰,文中的免疫粒子滤波算法仍能以较高的精度跟踪到目标真实运动轨迹;相比于传统粒子滤波算法,稳定性也更强。     

基于BPSO-KNN算法的被动声呐目标分类识别技术研究

以提取得到的被动声呐目标功率谱特征为基础,采用二进制粒子群(Binary Particle Swarm Optimization, BPSO)优化算法和k最近邻(k-Nearest Neighbor, KNN)分类算法相结合的BPSO-KNN算法进行特征选择和参数优化,分别用KNN分类算法和BPSO-KNN分类算法对实际得到的四类海上被动声呐目标进行分类识别。结果表明,BPSO-KNN算法可对提取的功率谱特征进行特征优化选择,并对KNN分类器进行参数优化,提高了对四类目标的分类精度。该算法在被动声呐目标分类识别方面有参考价值。     

改进的Mean Shift算法在前视声呐运动目标跟踪中的应用

多波束前视声呐具有成像速度快、分辨率高的优点,是进行水下目标探测、跟踪和监控的重要设备。针对多波束前视声呐运动目标的跟踪问题,提出了一种改进的MeanShift算法。该算法利用经典的MeanShift算法实现目标的帧间定位,通过基于图像序列的背景消减法实现运动目标分割,根据分割后目标的位置和大小对Mean Shift跟踪框进行更新,并重新建立跟踪模型来迭代实现目标的准确定位和跟踪。实验结果表明,改进后的算法可实现目标跟踪框随目标大小和形状的更新,对目标的定位更加准确。因此,该算法具有应用于水下目标精确跟踪和定位的潜力。     

干扰存在时被动声呐工作背景建模与分析

在实际应用中,声呐的工作背景除了各向同性背景噪声外,通常还会存在干扰。干扰存在时经典的被动声呐方程存在一定的局限性。在经典被动声呐方程的基础上,讨论了干扰对被动声呐工作背景的影响。提出了一种更加实用的工作背景模型,并详细分析了波束域的工作背景模型,应用此背景模型对经典被动声呐方程进行了修正,修正后的方程可用于干扰存在时被动声呐的性能预报。最后通过不同干噪比条件下的仿真验证了波束域工作背景模型的正确性。提出的工作背景模型可为被动声呐设备在干扰存在条件下的性能预报提供参考。     

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。     

倒谱和复倒谱在被动声纳目标识别中的应用

基于声纳员的感受被动声纳可以认为是一个发声体,这个发声体可以表示为激励噪声源与发声体冲激响应的卷积。在这种情况下,使用倒谱和复倒谱的形式分析被动声纳目标噪声的时域特征,得到的目标特征不够明显,因此提出了利用指数倒谱和指数复倒谱的频谱特性来提取目标噪声的特征,进行分类识别。设计了BP神经网络分类器,利用实测数据对三类目标进行分类。分析比较了两种方法的分类结果,验证了基于倒谱和复倒谱的指数运算的被动声纳目标特征提取方法的可行性。     

目标噪声响度特征提取技术研究

考虑声纳员听音判型过程中,目标噪声的响度变化是其判型的重要依据,计算目标噪声信号的响度,提取其响度特征,基于响度特征对三类目标进行分类识别。设计神经网络分类器,实测数据验证了基于响度的目标特征提取方法是有效的,并分析了响度特征和能量特征的区别,说明了三类目标噪声响度特征较能量特征分布的集中度好,有利于提高分类识别的正确概率。     

基于声呐图像序列SIFT特征的多目标跟踪方法研究

针对高频成像声呐多目标跟踪中声成像的不稳定问题,在基于检测前跟踪的声呐图像序列尺度不变特征变换（Scale Invariant Feature Transform,SIFT）的基础上,提出了一种结合对数变换的声呐图像序列SIFT特征跟踪方法。该方法利用对数变换进行图像预处理,进而利用声呐图像序列SIFT特征进行多目标跟踪。水池试验数据的处理结果表明：与中值滤波和动态亮度分配的方法相比,结合对数变换的声呐图像序列SIFT特征跟踪方法具有更好的多目标跟踪效果。     

基于最小均方无失真响应和支持向量机的被动声纳目标识别

为了有效地进行被动声纳识别,研究了一种运用最小均方无失真响应（Minimum Variance Distortionless Response,MVDR）谱系数作为特征参数,用多分类支持向量机作为分类器,进行被动声纳目标识别的方法。实验表明,在不同数目的训练样本情况下,基于最小均方无失真响应谱系数和多分类支持向量机的被动声纳目标识别方法使系统的性能显著提高,具有很好的识别效果和应用价值.其优于传统的神经网络作为分类器的识别方法,尤其是在训练样本较少情况下,识别率具有很大的提高。     

被动声纳目标识别技术的现状与发展

在现代被动声纳系统中，水下目标的自动识别是关键技术之一。文章对被动声纳目标识别的特征提取、特征选择和分类器设计方面进行了回顾。对LOFAR，DEMON和小波变换等特征提取技术进行了讨论，分析了特征优化的重要性和专家系统和神经网络等分类器的优缺点，并简要分析了该领域的过去、现在和未来。     

一种多目标自动跟踪的逻辑关联方法

目标跟踪是被动声纳系统的主要功能之一,跟踪器为目标运动分析和目标识别等后置处理提供输入数据。声纳操作员利用人脑独特的认知模式、先验知识和视觉的迹迹相关效应,能够很好地在声纳显示方位历程图上发现目标并录取跟踪。但实际应用中由于低信噪比、航迹交叉和转向等复杂多目标情形,声纳系统实现多目标自动跟踪十分困难。给出一种多目标自动跟踪的逻辑关联方法,利用被动声纳宽带波束输出数据,通过点迹与航迹关联、航迹评价管理和交叉处理等过程,可以较好实现多目标自动跟踪。试验数据的处理结果验证了所提方法的有效性,能够在声纳装备中得到工程应用。     

一种基于蝙蝠算法的多目标跟踪数据关联方法

针对多目标跟踪中的数据关联问题,提出了基于蝙蝠算法的数据关联方法。首先将多目标数据关联问题建模成组合优化问题,结合数据关联的特点,对蝙蝠算法的搜索更新规则进行改进,使其可以应用于多目标的数据关联问题,并给出了基于蝙蝠算法的多目标数据关联的详细流程。通过仿真实验和被动声呐实测数据测试表明,基于蝙蝠算法的多目标数据关联方法切实可行并且具有较好的效果。