CN103185881B - 基于波导不变量的混响抑制方法 - Google Patents

Abstract

本发明提供了一种基于波导不变量的混响抑制方法，充分利用波导不变量的特性，可以实现稳健的检测器设计的目的，由此解决主动声纳混响的抑制问题，提高主动声纳脉冲状混响的抑制效果。采用本方法对脉冲状混响具有很好的抑制效果，降低虚警概率，提高检测概率。与现有技术相比，相关性损失很小，有效的忽略对匹配滤波增益的影响。不但可以剔除脉冲状混响的干扰，还对背景进行了归一化。该方法基于非线性滤波处理，在主动声纳脉冲状混响的抑制中是一种有效的选择方法。

Description

基于波导不变量的混响抑制方法

技术领域

本发明涉及声纳信号处理技术领域，具体涉及一种基于波导不变量的混响抑制方法。

背景技术

浅海环境下，由于声波传播经多途和海底/海面的散射，混响是影响主动声纳检测性能的严重干扰。混响的存在，不仅造成主动声纳常规匹配滤波器检测性能的下降，还造成“满天星斗”的虚警现象。虽然目标回波与混响存在结构上的差异，但由于我们缺乏精确的环境知识参数，模基处理不能得到期望的效果，因此，如何利用对海洋环境变化不敏感的特定参数来表征目标回波与混响的差异性，从而基于这种差异性，实现对混响的抑制，提高检测性能、得到稳健的检测器是势在必行的。

由波导不变量定义的方程用于估计声源和接收器之间的距离，这个关系不受声速剖面或信道几何特性扰动的影响。波导不变量可以看作恒定的能量条纹，它是距离和频率的函数。波导不变量的值作为条纹的斜率，在很多浅海环境下存在近似等于1的关系。可见，波导不变量是一个对环境变化不敏感的参数。

发明内容

本发明所要解决的技术问题是提供了一种基于波导不变量的混响抑制方法，充分利用波导不变量的特性，可以实现稳健的检测器设计的目的，由此解决主动声纳混响的抑制问题，提高主动声纳脉冲状混响的抑制效果。

本发明是通过以下技术方案实现发明目的：

一种基于波导不变量的混响抑制方法，其特征在于：

包括以下步骤：

步骤一：对阵元接收的阵列数据进行复带移、低通滤波、降采样，基带常规/自适应波束形成处理，常规匹配滤波处理后，输出时域时间波形x(n)＝[x₀(n),x₁(n),…,x_M-1(n)]^T，M为波束数目；

步骤二：对待检测的一段数据进行时频分析，得到：

X＝[X(f₁,τ₀,T),…X(f_N,τ₀,T)]^T

其中，τ₀为假设目标延迟，T为快拍长度；

步骤三：对待检测数据的前后各I/2段数据进行时频分析，I取决于用于估计混响功率谱的数据量的数目；

步骤四：对混响功率谱估计：

${\widehat{\mathrm{\σ}}}_{\mathrm{WI}}^2(f,\mathrm{\τ},T)=\frac{1}{\left|I\right|}\underset{\mathrm{\Δ}{\mathrm{\τ}}_i\∈I}{\mathrm{\Σ}}{|X\left(f{(1+\mathrm{\Δ}{\mathrm{\τ}}_i/\mathrm{\τ})}^{\mathrm{\β}}\right),\mathrm{\τ}+{\mathrm{\Δ\τ}}_i,T(1+\mathrm{\Δ}{\mathrm{\τ}}_i)/\mathrm{\τ}|}^2$

其中，β的值作为条纹的斜率，I是用于估计功率谱的数据量的总数目；

步骤五：为取得恒虚警效果进行混响归一化处理：

$Y=X/{\widehat{\mathrm{\σ}}}_{\mathrm{WI}}^2;$

步骤六：将进行归一化处理后的待检测数据进行逆傅里叶变换(IFFT)处理，恢复时域波形：

y(n)＝[y₀(n),y₁(n),…,y_M-1(n)]^T。

本发明能带来以下有益效果：

基于波导不变量的混响抑制算法对浅海混响具有很好的抑制效果，降低虚警概率，提高检测概率。

基于波导不变量的混响抑制算法具有恒虚警的性能，不但可以消除混响的影响，还对背景进行了归一化。

该算法利用波导不变量这个相对比较宽容的波导参量，既利用了传播信道模型知识，又排除了模型参量对环境变化敏感的问题，是相对宽容稳健的检测器，发射信号的带宽越宽，本检测器的效果越好。

附图说明

图1***原理框图；

图2基于波导不变量的混响抑制算法结构框图；

图3匹配滤波及其时频分析输出图；

图4基于波导不变量恒虚警处理及其时频分析输出图；

图5常规恒虚警处理与基于波导不变量恒虚警处理输出图；

图6降低信混比后匹配滤波及时频分析输出图；

图7降低信混比后基于波导不变量恒虚警处理及其时频分析输出图；

图8降低信混比后常规恒虚警处理与基于波导不变量恒虚警处理输出图。

具体实施方式

下面结合附图和具体实施实例对本发明进一步的描述。

图1是采用本方法实现的***原理框图，由图可示，对接收阵接收的阵数据，首先进行放大、滤波，然后进行A/D转换，将接收的模拟信号进行数字采样。为了减小运算量，对A/D转换后的数据进行降基带和降采样处理，然后送入信号处理器，对阵数据进行空间预成常规/自适应波束形成和时域匹配滤波处理，然后对每个波束的时域波形进行基于波导不变量的混响抑制处理，得到的检验统计量与门限比较，判断回波信号的有无，并进行方位/距离/速度的估计。

图2是基于波导不变量的混响抑制算法的结构框图，其中D是待检测单元，它的输入是图1中阵元接收的阵列数据进行复带移、低通滤波、降采样，基带常规/自适应波束形成处理，常规匹配滤波处理后得到的时域时间波形，表示为x(n)＝[x₀(n),x₁(n),…,x_M-1(n)]^T，M为波束数目。对D的输入的待检测的数据(1024点)进行时频分析，得到：X＝[X(f₁,τ₀,T),…X(f_N,τ₀,T)]^T，τ₀为假设目标延迟，T为快拍长度。D₁,D₂,…,D_n/2,D_n/2+1,…,D_n-1,D_n是待检测数据的前后各I/2段数据进行时频分析的结果，I取决于用于估计混响功率谱的数据量的数目，利用这些累积的数据进行混响功率谱估计。基于波导不变量的混响功率估计： ${\widehat{\mathrm{\σ}}}_{\mathrm{WI}}^2(f,\mathrm{\τ},T)=\frac{1}{\left|I\right|}\underset{\mathrm{\Δ}{\mathrm{\τ}}_i\∈I}{\mathrm{\Σ}}{|X\left(f{(1+\mathrm{\Δ}{\mathrm{\τ}}_i/\mathrm{\τ})}^{\mathrm{\β}}\right),\mathrm{\τ}+{\mathrm{\Δ\τ}}_i,T(1+\mathrm{\Δ}{\mathrm{\τ}}_i)/\mathrm{\τ}|}^2,$ 其中，β的值作为条纹的斜率，I是用于估计功率谱的数据量的总数目。然后利用当前待检测数据和估计的功率谱进行混响归一化处理，即恒虚警处理：再将进行归一化处理后的待检测数据进行IFFT处理，恢复时域波形：y(n)＝[y₀(n),y₁(n),…,y_M-1(n)]^T。在时域波形的输出上判断有无目标，进行目标检测。如图4和图7为基于波导不变量的混响抑制处理方法的显示效果。

采用计算机仿真和对实际海试数据处理的方式对基于波导不变量的混响抑制方法的性能进行检验，该方法是有效的。

图3、图4、图5是利用实际海试得到的混响数据中加入仿真的回波数据，进行基于波导不变量的恒虚警处理与进行常规的恒虚警处理后的结果，并进行了比较。

图6、图7、图8是减小输入的回波信号强度即降低信混比后，进行基于波导不变量的恒虚警处理与进行常规的恒虚警处理后的结果，并进行了比较。所处理的数据中发射信号为HFM脉冲信号，脉宽4s，带宽1500-2000Hz。从图3和图6中可以明显看出混响在时频分布图中呈现的条纹结构，从图4和图7中可以看出，由于基于波导不变量的恒虚警处理是对混响的波导不变量斜线进行归一化处理，有效的对混响进行了抑制，从图5和图8的处理效果中可以看出，与常规的恒虚警处理后的结果相比，基于波导不变量的恒虚警处理明显地提高了信混比。由于信混比的降低，从图8可以看出，常规处理方法以很难检测到目标，而基于波导不变量的恒虚警处理算法则依然可以在强混响背景下检测目标。

从比较结果可以看出，进行基于波导不变量恒虚警处理与进行常规的恒虚警处理后的结果相比，具有2-3dB的输出信混比提高。在小的信混比条件下，常规的恒虚警处理由于虚警过高，已经不能检测到目标回波，而经过混响抑制处理后，由于有效地抑制了混响，降低了虚警，仍可以检测到回波。

以上对本发明的描述不具有限制性，如果本领域的普通技术人员受其启示，在不脱离本发明权利要求的保护的情况，作出本发明的其它结构变形和实施方式，均属于本发明的保护范围。

Claims (1)

1.一种基于波导不变量的混响抑制方法，其特征在于：该方法包括如下步骤：

步骤一：对阵元接收的阵列数据进行复带移、低通滤波、降采样，基带常规/自适应波束形成处理，常规匹配滤波处理后，输出时域时间波形x(n)＝[x₀(n),x₁(n),…,x_M-1(n)]^T，M为波束数目；

步骤二：对待检测的一段数据进行时频分析，得到：

X＝[X(f₁,τ₀,T),…X(f_N,τ₀,T)]^T

其中，τ₀为假设目标延迟，T为快拍长度；

步骤三：对待检测数据的前后各I/2段数据进行时频分析，I取决于用于估计混响功率谱的数据量的数目；

步骤四：对混响功率谱估计：

${\widehat{\mathrm{\σ}}}_{\mathrm{WI}}^2(f,\mathrm{\τ},T)=\frac{1}{\left|I\right|}\underset{\mathrm{\Δ}{\mathrm{\τ}}_i\∈I}{\mathrm{\Σ}}{|X\left(f{(1+\mathrm{\Δ}{\mathrm{\τ}}_i/\mathrm{\τ})}^{\mathrm{\β}}\right),\mathrm{\τ}+\mathrm{\Δ}{\mathrm{\τ}}_i,T(1+\mathrm{\Δ}{\mathrm{\τ}}_i)/\mathrm{\τ}|}^2$

其中，β的值作为条纹的斜率，I是用于估计功率谱的数据量的总数目；

步骤五：为取得恒虚警效果进行混响归一化处理：

步骤六：将进行归一化处理后的待检测数据进行逆傅里叶变换(IFFT)处理，恢复时域波形：

y(n)＝[y₀(n),y₁(n),…,y_M-1(n)]^T。