点云投影结合轻量化卷积神经网络实现三维成像声呐快速目标分类*

三维成像声呐的成像结果是三维点云，基于点云的三维成像声呐目标分类方法具有网络结构复杂，计算量大的特点，针对这一问题本文提出了一种将三维成像声呐成像结果从三维点云投影至二维图像的方法，并且使用轻量化卷积神经网络实现了三维成像声呐快速目标分类。该方法首先对三维成像声呐波束形成后的波束域数据进行最大值滤波和阈值滤波，降低点云数据维度；接着，依据三维成像声呐的波束方向，将点云投影为深度图和强度图，分别保存点云的位置信息和强度信息；然后，利用深度图和强度图分别作为第一个通道和第二个通道构建混合通道图，将混合通道图作为目标分类网络的输入，从而将三维点云的目标分类问题转换为二维图像的目标分类问题；最后使用MobileNetV2网络实现了三维成像声呐快速目标分类。实验结果表明，通过本文提出的投影方法可以用二维图像分类网络完成三维成像声呐点云的目标分类任务；而且混合通道图比单独的强度图和深度图收敛速度更快，结合目标识别网络可以25fps实时的进行目标分类，在真实数据集上分类精度达到了91.13%。     

Ultrasonic vehicle guidance transducer

A vehicle guidance system has been developed using ultrasonic sensing. The ultrasonic technology is presented in this paper with reference to how it links in with the complete system. The ultrasonic unit is based on electrostatic transducer technology and comprises a separate linear array and curved divergent transmitter which gives it an effective field of view of 60° and a range of more than 5 m. The unit has been designed primarily for use on an unmanned vehicle travelling over rough, unknown terrain.     

高分辨侧扫及合成孔径声纳图像与回波中类似水雷目标计算机检测与分类

计算机辅助目标识别与分类技术有可能可靠地在海底发现水雷及其它感兴趣的目标,高效省时,一致性强,不受操作员个体因素影响。自90年代以来,是多个研究部门的热点课题。近年来,合成孔径侧扫声纳技术日趋成熟,能提供更高分辨率的声图,更是促进了自动识别与分类的发展。 本文综合评述了高分辨侧扫及合成孔径声纳图像与回波中类似水雷目标- MLO (Mine Like Object)-计算机检测与分类-CAD/CAC（Computer Aided Detection/ Computer Aided Classification）-研究的发展,现状及趋向。     

基于舷侧阵声纳的鱼雷远程自导性能研究

针对鱼雷的远程自导问题,研究了恶劣水文条件下浅海波导中鱼雷舷侧阵声纳对主动声纳信号的探测能力和测向精度,计算结果表明:在潜艇反舰作战中,通过利用水面舰艇发射的主动声纳信号,可实现潜射鱼雷对目标的远程被动探测,其被动测向精度一般可满足自导精度要求。     

Precise bearing and automatic target tracking in digital sonar

I.IntroductionItiswellknownthatthepreciseestimationofDOA(DirectionOfArrival)oftargetisanimportantthesisinpassivesonardesign.TheoptimumestimationaccuracyexpressionforlinearrayispresentedbyLewisalldothersll-3].Basedonthepointofviewoftime-delayestimation,Carteretal.showthattheaccuracyoftime-delayestimationofreceivedsignalbetweentwodifferentchannelscanreachtheoptimumCramer-RaolowboundI4-6].Forthedigitalsonarthebearingbeamdirectionisusuallyequal-spaceddistributedwithino-36o".Inordertofindthep…     

卷积神经网络主动目标方位估计

复杂海洋环境中信道的传输特性、时空变化、频散效应等一定程度上制约了主动声呐目标方位估计的性能。该文引入卷积神经网络(CNN),提出了适用于主动声呐中目标方位的高精度估计方法。仿真声场环境为浅海负梯度,主动发射信号为具有多普勒不变性质的双曲调频信号,水平线列阵作为接收装置,目标按仿真路线运动。该文利用Kraken进行声场数据仿真,并对接收的信号在频域做均匀加权常规波束形成,进而进行卷积神经网络的模型训练和测试。数值仿真研究表明,该文所用方法可以有效估计目标波达方向,对信噪比具有一定的鲁棒性。     

Burst模式在多波束声呐高帧率测深方法中的应用

在常规多波束测深声呐系统中,需要等待远距离目标信号到达接收基阵后才能再次发射探测信号,这将导致测深帧率下降。针对该问题,本文提出了一种基于Burst模式的多波束声呐高帧率测深方法。由于各角度的海底回波持续时间远小于远距离目标信号到达接收基阵的所需时间,根据这一特性我们采用Burst模式,通过等间隔地发射多帧信号并接收,同时保证发射的间隔大于最大波束持续时间,实现多帧信号在时间角度域中的分离,提高测深系统帧率。由于相邻帧的隧道效应会与部分波束发生重叠,针对该问题采用改进的线性约束最小方差算法,实现了低副瓣宽零陷的波束形成,从而削弱隧道效应的影响。最后通过仿真数据验证了本文所提方法的有效性,表明该方法在特定条件下能够将测深帧率提高3.3倍。     

浅海动态环境下蛙人探测声呐布放深度优化技术

蛙人探测声呐的探测性能及作用距离不仅与目标海区的声速剖面和自身性能参数有关,还与其布放深度有关,其布放深度的选择对于水下目标探测具有重要意义。以射线跟踪理论为基础,建立了基于探测概率感知的声呐性能评估模型;提出了一种声呐布放深度自适应优化算法,该算法以不同准则进行两次筛选优化后可得到声呐最佳布放深度。仿真结果表明：在不同水文情况下,所提优化算法可以有效选择最优布放深度,进而提高声呐对目标的探测性能。     

扩展拖曳阵宽带频域逆波束形成技术研究

为了提高扩展拖曳阵在低信噪比下对目标的探测性能,本文将基于扩展拖曳阵方法的被动合成孔径技术与宽带频域逆波束形成技术进行了结合,形成了一种新的被动合成孔径测向技术,有效地提高了扩展拖曳阵技术的探测性能,改善了传统基于被动合成孔径测向技术在低信噪比下性能急剧下降的问题,在低信噪比下获得了更高的方位分辨率,同时对于多目标及弱目标检测能力也更为优异。计算机仿真和海试数据的处理都证明了这一算法的良好性能。     

低信噪比条件下多节点声呐目标跟踪算法*

低信噪比条件下,单个主动或单个被动声呐节点难以实现目标跟踪。多节点声呐系统希望通过增加探测节点提高系统探测能力,但其性能提高与否取决于选择合适的数据融合算法。本文利用双节点声呐试验数据研究低信噪比条件下的目标跟踪方法,采用“结合置信度水平的表决融合”算法对多个探测节点得到的数据进行融合,既考虑了目标回波信号的信噪比特性,又考虑了目标运动的连续性特征,还考虑了各节点探测结果的决策优化,最终实现较高精度的目标跟踪。算法实现了数据级、特征级和决策级的统一、融合,通过对判决依据进行量化、分层,简化判决的复杂性。试验数据处理结果表明,该方法能较好地解决低信噪比条件下多节点声呐目标跟踪问题,目标跟踪精度较高。