利用分频带空间谱和波束域的输出直流跳变与起伏比值融合检测未知线谱目标

目标辐射噪声中高强度稳定线谱可以用来提高常规宽带能量积分的检测性能。理论分析了已知线谱检测优于宽带能量积分检测的谱级比条件。给出了线谱频带可检测条件下,线谱谱级与最小可检测信噪比关系。分析分频带空间谱和波束域的输出直流跳变与起伏比值特征。在此基础上提出了一种构造频率、方位滤波矩阵的方法。该矩阵作用类似频带方位滤波器,通过对线谱频带目标方位的信号放大,与其他频带判决结果融合,来提高常规宽带能量积分的性能。最后给出该算法适用条件和性能分析。数据仿真和海试数据处理结果可知,该算法在多干扰源存在下对弱线谱目标提取能力强,且不需多帧统计,在检测效果上更接近于理想的窄带线谱检测方法。      

水下多目标方位的联合检测与跟踪

针对水下多目标方位跟踪及航迹关联问题,提出了一种粒子滤波的联合检测与跟踪方法.该方法在状态滤波过程中不需要方位观测值的输入,直接根据波束能量评估粒子的似然函数;利用交叉和变异算子进化小权值样本,通过低差异性序列的重采样提高子代粒子多样性。实现了多目标的跟踪并避免了方位观测量与多目标航迹关联的问题。仿真结果表明,在航迹断续和航迹交叉的情况下,该方法能够连续准确地跟踪目标方位。利用水下无人平台舷侧线阵的试验数据对算法性能进行了验证,正横方向的跟踪误差在3°以内;在目标运动模型失配时仍可以收敛到正确的方位航迹,没有出现错跟与失跟现象,可提高对交叉、汇聚及分离的多目标方位航迹的连续检测与跟踪能力.      

一种频域-波数域峰值筛选的无源声呐宽带检测方法

在水声信号处理中,传统的无源声呐宽带目标检测在多目标、强干扰的复杂环境中输出信噪比低,使得检测性能急剧下降。针对此问题,提出一种基于均匀线列阵在频域-波数域上宽带信号能量分布特性进行目标检测的方法。该方法首先将阵列信号转换到频域-波数域,利用不同频率下波数主瓣、旁瓣宽度特征以及空间分布特征,设计针对主瓣的判别与分配方法,实现对同一目标不同频率下波数谱主瓣判别,使用主瓣能量累积、主瓣数目累积的方式来形成方位谱,从而进行目标检测。理论分析和仿真结果表明,所提方法只利用对目标检测有突出贡献的波数主瓣,降低了旁瓣的影响,有效提高了无源宽带水声目标的检测能力。海上试验数据处理结果表明,目标输出信噪比相比子带峰值能量检测算法可提高5.58 dB,较传统能量检测可提高8.73 dB,计算时间相比传统能量检测降低46%,验证了所提方法的有效性与实时性。     

量测噪声不确定情况下的水下多目标稳健方位跟踪

提出了使用Sage-Husa算法估计量测噪声的集势化概率假设密度(CPHD)滤波方位跟踪方法,实现了量测噪声不确定情况下多水下声学目标的稳健方位跟踪。首先,将水下目标方位的变化建模为Singer模型,利用传统目标方位估计方法的结果作为量测值,将方位估计误差看作量测噪声,建立了方位量测模型。然后,给出了CPHD滤波水下多目标方位跟踪算法,该算法利用上一时刻的方位跟踪结果和目标方位变化模型预测目标方位,并利用量测值和量测模型对预测值进行更新得到方位跟踪结果。最后,考虑到量测噪声方差为决定跟踪性能的重要参数,利用改进的Sage-Husa算法在跟踪过程中实时自适应地估计不确定量测噪声的方差,从而实现了多目标的稳健方位跟踪。经海试数据验证,所提出算法将目标方位测量的平均最优子模式分配(OSPA)误差从10°以上降低至2°,显著提高了方位测量精度。所提水下多目标稳健方位跟踪方法能够有效提高量测噪声不确定情况下的方位跟踪性能。     

基于主副瓣比加权的未知线谱目标检测方法研究

针对目标辐射线谱信号未知时的目标检测问题,依据水下目标辐射噪声含有高强度稳定线谱这一特征,该文提出了一种基于波束形成主副瓣比加权的宽带波束形成目标检测方法。该方法首先用二阶锥优化各频带波束形成,得到低旁瓣高增益波束形成;其次利用各频率单元波束形成主副瓣差异形成加权因子;然后利用加权因子对各频率单元波束形成进行加权统计,可以抑制背景噪声能量干扰,增强目标检测信噪比增益,克服传统线谱检测四维显示难点。理论分析和实验结果表明：该方法可以较好地增强目标线谱单元能量、抑制噪声、提高信噪比,改善能量累积检测法在远程目标检测方面的性能。     

一种基于频率方差加权的线谱目标检测方法

在复杂的多目标声场中,常规波束形成（CBF）检测器性能显著下降。本文提出一种基于频率方差加权的线谱目标检测方法——CBF频率方差检测器,利用被动目标辐射噪声中含有高强度的稳定线谱这一特征,用每个方位频率域的峰值频率方差对CBF输出的方位谱进行加权。该检测器可在多目标强干扰和同波束强相干干扰背景中检测到弱线谱目标,且只须三维显示,避开了传统的线谱检测四维显示的难点。仿真和海试结果表明,在多目标、强干扰的环境下,可以探测到弱线谱目标。      

基于单个矢量水听器和子空间旋转的宽容宽带双目标分辨与跟踪方法

理论证明线性信号处理可以分辨两个不完全相关的目标。针对宽带双目标问题,根据矢量水听器信号模型,设计了并行的两路结构相同的处理通道,每个通道先将接收信号做子空间旋转,分离出单个目标,然后用空间匹配滤波方法估计该目标方位。仿真研究表明,该方法适用于任意频谱结构的信号,对目标强度差和初值误差的宽容性好,可以全方位跟踪目标而性能不受目标具体方位影响,并具有时间带宽增益,在相关目标或者低信噪比情况下的性能优于宽带聚焦子空间方法。海试数据验证了该方法的可行性。该方法是一种比较实用的水下双目标分辨与跟踪方法。     

采用条件波数谱密度函数的宽带高分辨方位谱估计算法

针对宽带高分辨方位估计存在方位估计偏差大、算法复杂度高等问题,提出了一种基于条件波数谱密度(Conditional Wavenumber Spectral Density based,CWSD-based)的宽带高分辨方位谱估计算法.该算法利用条件波数谱密度将阵列信号转换到频率-波数空间,宽带信号能量在该空间的坐标呈现与入射角相关的线性分布,通过借鉴直线检测原理,实现邻近目标的高分辨方位估计,且无需预估角度和信源数等信息。仿真结果表明,该算法理论分辨率与处理最高频率成反比,估计均方误差约为0.1°,对阵形畸变鲁棒,运算效率高。海上试验数据表明,本文方法在方位分辨率、弱目标检测、非目标向噪声抑制、稳健性等方面都优于宽带常规波束形成和最小方差无畸变算法,在实际海洋中可实现超低旁瓣高分辨波达方向估计。      

峰值能量检测及其在被动声纳显示中的应用

本文介绍子带峰值能量检测方法及其在被动声纳显示和检测中的应用[2-4]，同时提出了波束域宽带峰值能量检测算法。新的波束域算法是在已有波束形成的基础上进行处理，不需对原系统进行较大的修改。通过波束域宽带峰值能量检测处理，可以改善声纳显示效果，更加清晰地显示目标方位。相对于高分辨率波束形成算法，两种峰值能量检测算法的运算量都比较低，具有一定的工程应用前景。通过计算机仿真和实测数据处理，验证了所述两种峰值能量算法在提高显示清晰度，减小测向模糊度方面的优点。     

基于组合线阵的近程运动小目标被动定位跟踪

针对水下运动小目标被动探测与定位问题,提出了分段组合子阵联合处理探测方法,各探测子阵采用相互垂直结构布局,克服了单阵方位模糊及无法定位等问题。研究了分段组合子阵的宽带最小方差无畸变失真响应近场聚焦目标定位方法,实现了近程蛙人等水下小目标被动高精度定位。在此基础上,采用卡尔曼滤波算法对目标运动轨迹进行预测估计,将目标定位信息与跟踪轨迹信息进行匹配,实现高背景噪音下的运动小目标的跟踪处理。理论分析及仿真结果表明,分段子阵联合处理能有效对水下运动小目标进行定位和跟踪,海试试验进一步验证了该方法的有效性。     

时频谱图和数据增强的水声信号深度学习目标识别方法*

水声目标识别一直是水声领域研究的重点问题之一,深度学习方法可以有效地解决目标识别问题,然而,水声样本的稀少限制了该方法的应用。该文 提出一种基于数据增强的水声信号深度学习目标识别方法,该方法以Mel功率谱作为网络的输入特征,通过对原始信号在时域和时频域的拉伸和掩蔽等变换,实现数据扩展和增加泛化性能的目的,最后,利用改进的VGG网络模型实现目标分类。实验结果表明,该文方法得到的水下目标识别准确率(95.2%) 要优于其他4种对比方法,证明了该文提出的网络模型和数据增强方法均有助于提高目标分类性能。     

水下目标多模态深度学习分类识别研究

水下目标的分类识别对于水声探测具有重要意义。提出一种水下目标多模态深度学习分类识别方法。针对水声信号的一维时域模态和二维频域模态特征建立一种多模态特征融合的深度学习结构,结合长短时记忆网络和卷积神经网络的优点,对一维时域信号和二维频谱信号分别进行并行处理,对输出进行典型相关分析,形成特征融合表示,并利用相邻帧的相关性进行参数优化。利用实测水声信号对算法进行了验证。结果表明：提出的算法对于水下目标识别的精度有显著的提高。     

基于核的k-最近邻在水下目标识别中的应用*

针对水中目标特征类型多、非线性强的特点,本文将K-KNN应用于水中目标识别。该方法采用PCA对特征矩阵进行降维,利用Kernel技巧将降维后的特征映射到高维空间进行KNN分类识别,并讨论了邻近点个数K对试验结果的影响。实际试验数据验证结果表明：与传统的KNN和BP神经网络分类器相比,K-KNN分类器的综合性能更优。     

水下连续波有源探测的回波检测算法

研究线性调频连续波在水下探测中的信号模型、回波信号的检测和目标参数估计方法,通过分析回波信号与发射信号间的差拍信号,提出差拍-分数阶傅里叶变换结构的处理算法。为了减少分数阶傅里叶变换二维搜索时的计算量,首先使用Radon-Ambiguity变换估计差拍信号的调频斜率,再做相应阶次的分数阶傅里叶变换。数值仿真说明提出的算法能够有效消除线性调频连续波的距离-速度耦合现象,准确估计目标参数。通过湖上试验比较线性调频脉冲信号和线性调频连续波的处理增益,提出的算法处理的连续波比匹配滤波方法处理的脉冲信号处理增益大13 dB。研究结果表明该算法在连续波水下探测中可行有效,不仅能够准确估计目标参数,还具有良好的检测性能。      

水下爆炸声源辅助声呐系统的目标定位和参数估计

系统阐述了利用水下爆炸声源作为发射声源,辅助声呐系统实现水下目标定位和目标方位、距离参数估计的方法。研究了目标散射信号的窄波束混响模型,以及混响背景下的目标方位参数的估计方法。对目标参数估计误差进行研究,证明方位参数、距离参数的估计误差近似满足高斯分布,并推导了距离参数估计误差方差的表达式。利用仿真实验对目标距离参数估计误差及其标准差进行研究,得出了一系列提高距离参数估计精度的措施。仿真和湖试数据处理结果显示,在存在一定爆炸声源距离误差的条件下,本文方法可实现对远距离水下目标的准确定位。      

Sparse asymptotic minimum variance based bearing estimation algorithm for a single vector hydrophone

For underwater target detection using a single vector hydrophone, sparse asymptotic minimum variance(SAMV) method is used to estimate the target bearing. The SAMV discretizes the entire scanning space and the target bearing is located at the position of the discrete direction. The SAMV algorithm utilizes the sparsity of the spatial signal to improve the estimation performance of the target bearing. Background noise level(BNL) of the bearing estimation of SAMV algorithm is lower than those of the conventional beam forming(CBF)method and minimum variance distortionless response(MVDR) method for different signal noise ratios(SNRs). When the SNR is higher than 0 d B, the direction-finding error of this algorithm is less than 2°. Moreover, the SAMV algorithm has a better dimensional orientation resolution capability. The experimental results show that the SAMV algorithm gives a bearing and time recording map with a lower BNL, which effectively verifies the effectiveness of SAMV algorithm in terms of underwater target detection.     

水下爆炸声源辅助声呐系统的目标定位和参数估计研究（英文）

Underwater target localization and parameters(azimuth and range) estimation by the method of utilizing explosions as underwater sound sources are described in this paper.The narrow beam reverberation model of the target echo signal is researched to estimate the target azimuth in reverberation background.Estimation errors of target azimuth and range are studied and proved to approximately meet Gauss distribution.Then the variance formula of target range error is deduced.Simulation experiments are applied to research the target range error and its standard deviation,and a series of measures to improve the estimation accuracy of target range are proposed.It is confirmed by the data processing results of simulations and lake experiments that the proposed method can accurately locate underwater target at a long distance on the condition of a certain underwater explosion range error.     

圆弧形面阵自适应波束形成快速计算方法

针对圆弧形面阵估计水下目标二维波达方向的问题,提出一种降维处理的自适应波束形成方法。利用圆弧形面阵模型简化阵列内插矩阵的计算,通过垂直和水平两阶段波束加权,降低自适应波束形成维数,从而实现快速估计声源二维波达方向的目的。仿真结果表明,所提改进方法的计算量较传统二维最小方差无失真波束形成方法降低约一个数量级,且在低快拍条件下具有更明显的噪声抑制优势。湖上实验数据处理结果验证,在复杂水声环境下,所提方法具有较好的目标分辨性能。      

The characteristic of sound propagation in deep water and underwater source localization in the direct zone

The multiple-path sound propagation in deep water is conducive to source localization of an underwater target.The transmission losses(TLs) and broadband pulse multiple-path propagation characteristics from a deep receiver is analyzed by using the experimental data from deep water area in the South China Sea(SCS).The results indicate that the width of the direct zone near the bottom of 4300 m water depth is about 30 km.The TLs in the direct zone near the bottom are much less than those in the shadow zone.It is meaningful for underwater sound source detection.Moreover,the time delay between the direct path and the bottomsurface-reflected path for a receiver near the bottom decreases monotonically with the source range.According to the linear relationship between the time delay of multipath and source range,a source localization method is presented to estimate the range of underwater target.The experimental results show that the estimated ranges are consistent with the global position system(GPS) measurements,and the mean square error of the estimation results is less than 0.28 km.     

水下声目标的梅尔倒谱系数智能分类方法

传统水下声目标识别分类方法具有较强的人机交互特性,无法满足未来水下无人平台智能识别分类水声目标的需求。针对这一问题,提出了一种基于梅尔倒谱系数（MFCC）的水下声目标智能识别分类方法,该方法通过提取水下声目标梅尔倒谱系数特征,采用长短时记忆网络（LSTM）构建了智能识别分类模型。使用实际水声信号对该方法进行了验证,结果表明,基于梅尔倒谱系数的水下声目标智能识别分类方法能够在不依赖人工提取特征的情况下,对目标噪声进行识别分类,具备智能化识别分类能力。