用相干累加算法改进ALE的性能

众所周知,自适应线谱增强器(ALE)可以在噪声背景中有效地检测未知频率的窄带信号或CW脉冲信号。然而,利用LMS迭代算法的自适应线谱增强器,由于迭代噪声和权噪声的影响,系统的处理增益不够理想。本文提出了ALE的相干累加算法,证明了该算法的自适应滤波器具有ARMA结构。实验表明,改进的ALE较传统的ALE的处理增益高出约14dB。     

被动线谱检测的子带分解和分方位区间融合算法

目标辐射噪声中低频线谱丰富,而且谱级比高、强度稳定,相比调制谱检测具有优越性。基于子带分解处理的现有融合方法适用在信噪比相对较高情况下,而当干扰是相干的或强宽带信号时,对线谱目标有效检测仍没很好解决。本文从子带空间谱统计特性出发,利用线谱谱级高出连续谱10-25dB;线谱频带所在方位区间的输出方位波动小,而其他分区间的输出方位波动大特点,提出了一种在信噪比低,多目标并存情况下更有效的弱线谱提取融合方法。理论仿真和海试实验数据处理结果验证该方法具有创新性、较常规方位稳定算法适用范围更广、检测效果更好,适合工程应用。     

基于二级自适应滤波的水下目标动态谱线增强算法研究

为了从非高斯噪声环境中有效提取水下目标辐射的线谱信号,以提高水下探测系统检测水下目标的能力,提出了基于二级自适应滤波的水下目标动态谱线增强算法,该算法用基于高阶累积量能量幂函数变步长极性迭代的自适应谱线增强器作为第一级,用传统的自适应谱线增强器(ALE)作为第二级,实行串级联接。用输入信号的峭度定义了峭度信噪比,并用此分析了该算法的性能。用水下某目标辐射线谱的实测数据,对该算法的性能进行了仿真研究。结果表明:当环境噪声为瑞利噪声或混合噪声(包含均匀分布、瑞利分布和拉普拉斯分布的噪声成分)时,该算法与ALE算法相比,有良好的抑制抑高斯噪声或非高斯噪声、提高信噪比和跟踪时变信号的性能。     

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。      

环境扰动约束下的稀疏贝叶斯定位方法

针对匹配场被动定位技术对海洋环境扰动敏感的问题,提出了一种基于稀疏贝叶斯学习的稳健匹配场处理方法。该方法通过分析环境扰动情况下的声场构成,建立了海洋环境扰动模型,同时结合水下定位问题的稀疏性,将匹配场被动定位问题表述为稀疏信号重构问题。然后,使用稀疏贝叶斯学习方法迭代更新目标位置及模型失配权向量,收敛至最优稀疏解作为目标定位结果。最后使用仿真数据和北厄尔巴岛的海试数据对算法进行了验证,仿真和实验结果表明:该算法在海洋环境模型失配情况下也能够准确定位,且能分辨水平间距为100 m的两个目标。因此,基于稀疏贝叶斯学习的稳健匹配场处理方法能够有效利用海洋环境扰动声场结构和水下定位稀疏特性,以增强匹配场处理的稳健性和定位精度,并且具有应对多源定位问题的能力。      

一种基于广义Duffing振子的水中弱目标检测方法

海洋环境中,在水下目标的线谱频率未知或者目标辐射噪声的连续谱很弱时,很难实现水中弱目标的准确检测,本文提出基于广义Duffing振子检测系统的水下目标辐射噪声检测方法.通过对传统周期扰动的Duffing振子信号检测系统的分析和推广,提出了一种可输入非周期、非平稳信号的广义Duffing振子检测系统,可检测输入的无先验信息目标信号.为实现广义Duffing振子系统运动状态的精确、有效判断,提出了一种相空间图形的离散分布列计算方法,通过类网格函数实现了利用统计复杂度对系统输出的嵌入式表征,从而实现了无先验信息时的水中弱目标的嵌入式检测.相同条件下与传统检测方法仿真对比可知,本文提出的方法可以检测到更低信噪比下的目标,并能满足水中检测实时性要求.     

水下水平阵对空中运动声源的线谱探测

由于空气、海水介质声阻抗差异巨大,空中声源辐射的噪声透射入水的能量损失很大,加之水中声源目标的干扰,从水下探测空中声源相对困难。海试数据分析表明,空中高速运动声源噪声透射入水后信号较弱,在频繁存在干扰的水下声场环境中,常规宽带波束形成方法难以生效.针对空中声源普遍存在线谱的特点,首先利用线谱识别、提取与跟踪以及线谱加密技术对水下水平阵接收信号进行线谱分析,再通过剔除强干扰目标的线谱,成功分离出包含空中声源的线谱信号,实现对空中运动声源的探测,最远距离达16.8 km。通过理论和实验数据分析,验证了探测结果的正确性.      

利用深层卷积网络自适应增强学习的水声目标线谱提取方法

提出了一种使用自适应增强学习的深层卷积神经网络方法对水声目标线谱进行提取。该方法利用构造的多尺度ConvNeXt算子建立滑动窗深层卷积神经网络模型(SwDCNN),设计涵盖损失函数、学习率更新和模型迭代优化的自适应增强学习准则并用于模型训练。仿真和海试数据验证结果表明,所提方法有以下优点:(1)卷积算子和模型结构参数按线谱提取需求配置,可以增强LOFAR谱图特征高性能多分辨力挖掘能力;(2)大规模数据下的模型训练可实现渐进式精确拟合,有助于提升模型收敛效果;(3)模型可有效提取低信噪比、中断、弯曲漂移、粗细不均、邻近成簇、密集分布等复杂情况下的线谱,在查全率、查准率、虚警率、线谱位置精度(LLA)和线谱幅值精度(LAA)等指标上均优于文中其他深度神经网络方法;(4)和传统及其他文中所用的深度神经网络方法相比,线谱最小可检测信噪比分别降低超过5 dB和2 dB,实际复杂场景线谱提取能力更强,综合效果更好。     

基于矢量线阵的目标低频线谱提取方法

主动声呐系统常采用线性调频信号探测水下目标。利用分数阶傅里叶变换处理线性调频回波时,可在低信噪比和强混响背景下获得目标参数的有效估计。主动声呐系统常通过增大发射信号的时间带宽积来提升系统的距离分辨力和速度分辨力,但却带来了计算复杂度的显著增加,尤其是奈奎斯特采样下基于分数阶傅里叶变换的回波处理方法,导致数据处理时间难以满足功耗和体积受限的无人水下航行器平台的实时性要求。针对此问题,该文提出分数阶傅里叶变换的带通采样实现方法,通过对线性调频信号时频特性直线在分数阶域的投影进行修正,使利用分数阶傅里叶变换方法处理带通采样的回波数据时,可获得正确的目标参数估计。计算机仿真数据和无人水下航行器湖试数据处理结果验证了分数阶傅里叶变换的带通采样实现方法的正确性,数据处理时间能够满足无人水下航行器平台处理的实时性要求。     

基于变分模态分解和对称相关的目标舰船线谱检测

线谱检测是水下目标识别中的一个重要研究方向。针对舰船辐射噪声线谱信号检测与提取的需求,该文改进提出了一种基于变分模态分解和对称相关的降噪处理方法,研究了与目标线谱信号不相关的加性高斯噪声消除办法。假设舰船辐射噪声除线谱成分外均为高斯噪声,对舰船辐射噪声中线谱成分进行检测。理论推导、仿真计算与实验数据处理结果均表明,该文提出的方法能较好地检测加性高斯噪声背景下的线谱成分,较传统的相关方法更为有效。     

Detection of multi-frequency weak signals with adaptive stochastic resonance system

Aiming at the poor detection rate of multi-frequency weak signals under a strong background of noise, a novel method based on adaptive stochastic resonance (SR) theory is proposed in this paper. The optimal parameters can be obtained automatically via measurement by establishing an adaptive SR system model and using the reverse location method. After passing through the adaptive SR system, the spectrum values of all eight signals greatly improve, the largest spectrum value gain increases from 12.41 to 2033 when the frequency is 0.01?Hz, which is an improvement of a factor of 162.8, and the signal-to-noise ratio (SNR) gain of the whole system is 10.3134?dB. Under the condition of different input noise intensities and signal amplitudes, the mean SNR of the system increases from –13.1136 to –2.7614?dB, which is a 78.9% increase, and the largest SNR gain is 13.4702?dB when the noise intensity D?=?1.2 and signal amplitude A?=?0.11. Compared to the single optimal spectrum value, when defining multiple optimum spectrum values as the SNR criterion, the detection sensitivity is less than 0.35 when the input noise intensity is between 0.5 and 2.5, and the sensitivity value is 6.29 times higher when D?=?2.5. The system successfully realizes the adaptive detection of twelve weak signals, and the SNR gain is 7.9743?dB, which improves the channel capacity of signal detection. The experimental results demonstrate the high efficiency and strong applicability of the system, improving the signal processing efficiency and speed of signal transmission.     

一种基于新型间歇混沌振子的舰船线谱检测方法

为了实现低信噪比下未知频率的舰船辐射线谱的检测,对常规型间歇混沌振子列检测方法进行了改进,提出了一种基于适应步长型间歇混沌振子的信号检测方法.该方法可以只用一个Duffing振子,通过设定一组能够覆盖待测信号所在频段的求解步长序列,实现对未知频率、具有任意初相位的微弱周期信号的搜索检测.为进一步提高系统的弱信号检测性能,分析了Holmes型Duffing方程在不同频率内置策动力下对弱信号灵敏度的差异.综合理论分析和仿真研究结果给出了Duffing振子在内置策动力角频率为0.4 rad/s时对弱信号检测性能最佳,并据此对所采用的Duffing振子进行了优化;仿真结果表明,改进后的Duffing振子的弱信号检测性能提高了12 dB.最后将此方法应用于一组含有舰船辐射线谱的实船数据,结果表明此方法可以实现低信噪比下的未知频率微弱线谱检测.     

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。      

水声时变线谱建模与双稳态随机共振分析

建立了水声时变线谱的模型,将双稳态随机共振系统应用于水声时变线谱信号的检测,考查了随机共振系统对水声环境的适应能力,提出了设计水声线谱检测系统可以利用的外在参数。在信噪比变化、声压起伏、线谱漂移等情况下,仿真结果表明双稳态随机共振系统都能较好地工作。为水声领域新型线谱检测系统的设计提供了依据。     

A detecting method for line-spectrum target by fusing output DC jump to fluctuations ratio of sub-band spatial spectrum and beam space

The low frequency line components of the radiated noise from an underwater target usually have both high spectrum level and sustained stability.This feature could be used to increase the detection performance of conventional broadband energy integration method.The required spectrum level is theoretically discussed when the detection performance of the known line detection is better than that of broadband energy integration method.Under the condition of the target can be detected in line spectrum band,the relationship between the line spectrum level and signal to noise ratio(SNR)is also discussed.This paper proposes a line spectrum target detection method that a matrix using DC jump to fluctuations ratios of sub-band spatial spectrum and beam space output is constructed.This matrix acts as a filter that the line spectrum target with certain frequency and azimuth is passed at most.By fusing with the other sub band results,the conventional detection performance can be improved.At the same time,the applicable condition and detection performance are analyzed in the paper.The simulation and the sea trial data processing results show that the algorithm can effectively extract weak goal line spectrum target under the condition of multi-interference.The algorithm doesn't need multi-frame statistics and the detection performance is closer to the optimal line spectrum method.     

基于线谱特征的三元组拖线阵左右舷分辨

传统的三元组拖线阵在分辨目标左右舷时利用左、右两侧的宽带能量之比,该技术在通常情况下能够较好地完成使命,但在实际应用中可能会遇到一些困难。本文针对两种影响其左右舷分辨结果的情况做了分析:一种是弱信噪比情况,另一种是另一舷侧存在强干扰目标的情况。针对这两种情况,通过对左、右舷频谱特征的分析,提出了利用线谱特征提取结果分辨目标左、右舷的新技术,显著降低了左右舷分辨功能对输入信噪比的要求。仿真和对海上实验数据的处理结果验证了该方法的稳健性和有效性,可望应用于工程实践中。为了使该技术能够适用于更低的信噪比条件,本文还提出了一种简单实用的线谱增强技术。      

脉冲声信号影响锥特征的自适应选取EI北大核心CSCD

为了解决低信噪比下脉冲声信号影响锥特征的自适应选取和检测问题,提出了一种改进的整体嵌套边缘检测方法。利用脉冲信号小波域的时间-尺度分析谱图中明显的边缘效应特征,构造自适应影响锥(A-COI)模型。该模型可自适应输出最适影响锥部分,在减弱噪声干扰的同时最大程度的包含了脉冲信号的主要特征。进而将最适影响锥部分对应的小波系数用于脉冲信号检测,有效提升了低信噪比下的检测性能。对典型直升机桨-涡干扰脉冲信号的仿真和实验数据进行分析,结果表明在0 dB,2 dB,5 dB信噪比的复杂环境下,使用基于A-COI模型的检测率分别达到了65.13%,82.33%,95.27%,相对于传统固定大小影响锥的检测算法提升了42.42%,22.99%和2.36%。     

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。     

Spectrum Sensing Implemented with Improved Fluctuation-Based Dispersion Entropy and Machine Learning

Spectrum sensing is an important function in radio frequency spectrum management and cognitive radio networks. Spectrum sensing is used by one wireless system (e.g., a secondary user) to detect the presence of a wireless service with higher priority (e.g., a primary user) with which it has to coexist in the radio frequency spectrum. If the wireless signal is detected, the second user system releases the given frequency to maintain the principle of not interfering. This paper proposes a machine learning implementation of spectrum sensing using the entropy measure as a feature vector. In the training phase, the information about the activity of the wireless service with higher priority is gathered, and the model is formed. In the classification phase, the wireless system compares the current sensing report to the created model to calculate the posterior probability and classify the sensing report into either the presence or absence of wireless service with higher priority. This paper proposes the novel application of the Fluctuation Dispersion Entropy (FDE) measure recently introduced in the research community as a feature vector to build the model and implement the classification. An improved implementation of the FDE (IFDE) is used to enhance the robustness to noise. IFDE is further enhanced with an adaptive method (AIFDE) to automatically select the hyper-parameter introduced in IFDE. Then, this paper combines the machine learning approach with the entropy measure approach, which are both recent developments in spectrum sensing research. The approach is compared to similar approaches in literature and the classical energy detection method using a generated radar signal data set with different conditions of SNR(dB) and fading conditions. The results show that the proposed approach is able to outperform the approaches from literature based on other entropy measures or the Energy Detector (ED) in a consistent way across different levels of SNR and fading conditions.