稀疏贝叶斯学习用于噪声互相关提取格林函数

在较窄频带条件下,传统的噪声互相关提取时域格林函数(Time Domain Green’ s Function, TDGF)方法分辨率低,影响了海洋被动声层析的应用。针对这一问题,提出了一种基于稀疏贝叶斯学习(Sparse Bayesian Learning,SBL)的噪声互相关提取 TDGF的方法。首先,构造了 TDGF的稀疏表示模型,其中字典矩阵由傅里叶变换算子构成,观测矩阵由频域噪声互相关函数组成。然后,使用预累积处理来折中 SBL估计 TDGF的分辨率与稳定性。仿真与海试实验数据表明,联合预累积处理的 SBL方法有效地从较窄频带的海洋环境噪声中提取了传统方法无法分辨的TDGF到达时间,从而为自适应选取噪声频段、实现快速海洋被动声层析提供了一种可行思路。     

利用字典学习的浅海被动声层析

针对被动海洋声层析,提出了一种利用字典学习从海洋环境噪声反演浅海声速剖面的方法。首先,通过海洋噪声互相关函数提取出两个水平阵列间的经验格林函数;其次,通过字典学习从数据生成字典矩阵来稀疏表征声速剖面;最后通过搜索稀疏的系数来实现对浅海声速剖面的反演。通过南海实验数据对本方法进行了验证,相对于传统被动海洋声层析方法实际反演结果的均方根误差降低为0.53 m·s^-1。而且搜索参数更少,同时具有较高的准确性。     

浅海大孔径水平阵列差频匹配场定位研究

随着阵列孔径的增大,常规匹配场在获得更高增益的同时也面临着对失配更加敏感的风险。文章通过对接收信号和拷贝声压同时进行差频自积处理,运用差频匹配场降低了匹配场对失配的敏感度,从而提高定位的稳健性。从简正波理论出发对比了差频匹配场和常规匹配场对阵形失配、环境失配的敏感性,分析差频匹配场应用于浅海大孔径水平阵列定位的优势。仿真和实验结果表明,差频匹配场方法有更好的定位稳健性。