不确实环境下目标检测与定位的宽容性最小方差时反波束形成

揭示了时间反转技术的本质,指出时反不仅是一个物理过程,更是一种信号处理方法,进而提出"时反波束形成"的概念.针对时反空时聚焦特性受到环境不确实性限制的问题,研究了用模型探查源(MS)代替实探查源(PS)的发射时反波束形成实现发射聚焦,以及用对角线加载的宽容性MVDR接收时反波束形成实现接收聚焦,并最后用于目标检测.水池实验的结果表明了该发射聚焦和接收聚焦在不确实环境下用于目标检测及其距离估计的有效性.     

一种改善MVDR波束形成性能的方法

最小方差信号无畸变响应(MVDR)波束形成具有最佳的信号保护、干扰消除和噪声降低能力,即信号/(干扰+噪声)比增益最大,它的能量输出作为一种波数谱(方位)估计器,其估计精度或分辨力受着声场信噪比因素的限制.本文提出一种新的改进MVDR波束形成方位分辨力的方法,它可以调节这种波束形成器权向量中的增强因子(等价于改善声场的信噪比条件),从而改进其方位分辨能力,并且不以牺牲信号/(干扰+噪声)比增益为代价。     

波导环境多目标时延-多普勒解卷成像

有源声呐感兴趣的参量是目标距离和径向速度,它们无法直接观测得到,需要通过估计而获得。利用波导多路径环境多目标时延-多普勒模型,可以导出采样互模糊度函数均值是发射信号自模糊度函数与广义目标反射性密度函数的两维卷积,其中广义目标反射性密度函数为信道扩展函数与目标反射性密度函数的两维卷积。依据信息理论最小Csiszar鉴别准则,可导出R-L (Richardson-Lucy)迭代解卷算法,对采样互模糊度函数均值进行两维迭代解卷积,消除发射信号和信道引入的模糊,序贯地实现时延-多普勒两维像的估计,进而获得多目标的时延和多普勒参量估计。仿真结果和海上实验数据分析验证了R-L解卷算法的可行性和有效性,较之常规的匹配滤波和维纳滤波算法,R-L算法有效地提高了时延和多普勒估计的分辨力和精度。      

声呐数据融合的期望最大化(EM)算法

现代舰艇通常装备有多部声呐,对这些声呐的检测信息进行融合,并加以综合利用,以提高整个声呐系统对目标的定位精度具有重要的现实意义．本文利用ＥＭ（Ｅｘｐｅｃｔａｔｉｏｎ Ｍａｘｉｍｉｚａｔｉｏｎ）算法,对多部声呐检测的方位信息进行了数据融合,获得了满意的结果．该算法也可应用于其他水下定位系统     

改进MVDR波束形成性能的计算机模拟

本文补充前一篇文章＂一种改善ＭＶＤＲ波束形成性能的方法＂计算机模拟结果。模拟实验表明：只要适当地设计波束形成器加权向量中的增强因子，就能够提高目标的方位估计精度和分辨力，并且不损失信噪比增益。从统一考虑信号检测和方位估计的观点看来，这种波束形成方法最适用于信号的基阵处理。     

广义指向性信号模型的基阵处理

基阵处理是对空间传播波所载信息的处理。在实际水声环境中,信号波阵面在随机时变介质中传播,常常出现空间解相关,导致波向量谱以真正的信号到达方向(DOA)为中心的角扩展。本文论述了这种带有角扩展的所谓广义指向性信号的基阵处理,并就这种信号模型在能量意义上实现了信号匹配。本文还给出了广义指向性信号模型的计算机模拟方法,同时给出了一些计算机模拟的结果和新安江水库实验数据。     

方位/频率目标运动分析实验研究

研究了两种方位/频率目标运动分析算法:最大似然法和伪线性法,并基于这两种算法构成了一个实时实验系统。实验研究表明充分利用伪线性解的解析性和最大似然解的最佳性可以对辐射噪声中含有窄带分量的匀速直线运动目标进行最佳的无源估距,且无需本艇机动并具有稳定性好、收敛性快的优点。     

声源检测与定位的多分辨处理

实现声源的检测与定位,传统的阵处理方法是常规BF/MFP或基于子空间的BF/MFP,它们都是属于单分辨处理。事实上,阵信号中存在着多分辨结构,值得开发与利用,以提高检测与定位能力,且特别有利于改善BF和MFP的失配宽容性。本文对多路径传播波的时-空多分辨建模及相应的多分辨聚焦处理进行了研究,并对实际海试数据作了分析,结果表明改善了MFP模糊度表面的性能。     

Pi－Sigma网络在水声目标分类中的应用

长期以来，由于受许多因素的影响，使得水声目标的分类已成为一个十分困难的问题。现在，随着人工神经网络技术的发展，众多的研究人员已经致力于基于人工神经网络的水声目标分类的研究．本文介绍了一种高阶神经网络即Pi-Sigma网络，研究了它的两种学习算法（基于梯度下降法和共轭梯度法的学习算法），并将Pi－Sigma网络用于水声目标辐射噪声的分类。和多层感知器（MLP）网相比，Pi-Sigma网络具有结构简单、收敛速度快及存储量少等优点。Pi－Sigma网络分类器的输入为一个常Q带通滤波器组作特征提取形成的特征向量。对不同类别的实际水声数据的分类结果表明取得了令人满意的分类正确率（达到或超过了95％）。