CN110716203A - 一种被动声纳目标的时频分析与跟踪方法 - Google Patents
一种被动声纳目标的时频分析与跟踪方法 Download PDFInfo
- Publication number
- CN110716203A CN110716203A CN201911051681.3A CN201911051681A CN110716203A CN 110716203 A CN110716203 A CN 110716203A CN 201911051681 A CN201911051681 A CN 201911051681A CN 110716203 A CN110716203 A CN 110716203A
- Authority
- CN
- China
- Prior art keywords
- target
- tracking
- frequency
- time
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/66—Sonar tracking systems
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开一种被动声纳目标的时频分析与跟踪方法,属于水声信号检测技术领域。对每路波束域信号单独进行傅里叶变换;将傅里叶变换后的数据叠加,获得一组频域数据;根据所需频段需求,在傅里叶变换后的数据中选择相应的谱线数据;进行频域时间积累和平滑处理;获得录用目标频谱的跟踪方位,再通过卡尔曼滤波进行跟踪。通过本发明提供的方法能够获得较高分辨率的频谱信息,在跟踪显示上具有更直观的数据,噪声信号的频率信息更加明确,为后续目标识别与判定提供更为有利的数据信息。
Description
技术领域
本发明涉及水声信号检测技术领域,特别涉及一种被动声纳目标的时频分析与跟踪方法。
背景技术
海洋环境噪声与本舰噪声等干扰构成随机噪声场,而目标舰的噪声及其主动声纳发出的信号构成所要检测的未知随机信号。传统的随机噪声信号时频分析算法接收来自经陷波处理、方位归一化处理后的波束域信号。传统的噪声信号时频分析主要采用了傅立叶变换、线谱叠加和频域时间积累和平滑处理;同时具有跟踪功能,能够获取频域内线谱的方位变化情况。
传统的噪声信号时频分析通过傅立叶变换获取频域信息,对频域信息中的线谱进行叠加操作,降低了频谱的分辨率。获取的噪声信号的频率是一个大概的估计值,频率值并不准确。在显示幅面没有标注频率信息,只在方位上显示某些位置的频率值比较高。针对较高的频率信息进行噪声目标跟踪过程中,只能获取目标的方位信息,而检测不出当前目标的频率是多少。这样对判别噪声目标时带来困难,不利于噪声目标的模式识别等后续检测工作。
发明内容
本发明的目的在于提供一种被动声纳目标的时频分析与跟踪方法,以解决目前在随机噪声信号时频分析算法中不能明确频率信息的问题。
为解决上述技术问题,本发明提供一种被动声纳目标的时频分析与跟踪方法,包括:
对每路波束域信号单独进行傅里叶变换;
将傅里叶变换后的数据叠加,获得一组频域数据;
根据所需频段需求,在傅里叶变换后的频域数据中选择相应的谱线数据;
进行频域时间积累和平滑处理;
获得录用目标频谱的跟踪方位,再通过卡尔曼滤波进行跟踪。
可选的,进行傅里叶变换的波束域信号为48路,傅里叶变换的点数为 4096点,谱线间隔△F=7.8125Hz。
可选的,选择谱线的数量为768根。
可选的,进行频域时间积累和平滑处理包括:
将选取的768根谱线记为Zk_t,其中k为1至768,t表示第t帧波束;通过平滑滤波器进行时间积累平滑处理,所述平滑滤波器长度M=64,每次计算时更新帧数为N次,N为2、4或8;对平滑滤波器长度M点数据计算算术平均值;
平滑处理输出为Jk_i,i表示第i帧波束,对Jk_i进行归一化处理得到送至显示设备的最后处理结果Dk_i;Dk_i=255*Jk_i/G,G为归一化系数,根据处理结果数据的绝对值进行选取;k为取值1~768的通道号。
可选的,获得录用目标频谱的跟踪方位,再通过卡尔曼滤波进行跟踪包括:
(1)插值测向方法:
所述插值测向方法的核心是相邻三波束方位内插方法,通过相邻三波束方位内插方法获得录用目标频谱的跟踪方位,所述相邻三波束方位内插方法利用目标相邻三波束,设置参变量,用下式求得实际目标的方位:
通过手动操作在显示设备上确定跟踪某一频率,利用频率所在位置找到跟踪频率的相邻三波束,再用插值测向方法在获取目标点附近的方位进行插值,估算出目标方位;其中,每个通道所占角度360/48=7.5;
(2)卡尔曼滤波工作方法:
设卡尔曼滤波的运动方程为匀加速运动,运动模型为:
X(t+1)=X(t)+v0(t)T+1/2T2a
v(t)=v0(t)+aT
其中,a为加速度,X(t+1)是下一周期的方位,X(t)是当前方位,v0(t) 是初始速度,T是时间,t是周期数,v(t)是实际速度;
zk是测量值,大小为2×1,H是状态变量到测量的转换矩阵,H=[1 0],大小为2×1,随机变量v是测量噪声,对于状态方程中的***噪声w和测量噪声v,假设服从如下多元高斯噪声分布:
P(w)~N(0,Q),P(v)~N(0,R),其中w、v是相互独立的,Q、R为噪声变量的协方差矩阵,
假设噪声在方位与速度上都存在,且噪声方差为0.01,那么:R=0.1,根据实际情况能够调节R的值。
可选的,所述被动声纳目标的时频分析与跟踪方法还包括匹配函数:
录用目标信息的值作为第一周期的预测值,与插值测向算法获得的输出进行匹配,二者之差与波门进行比较,在波门内,则认为目标匹配,插值测向算法获得的输出作为匹配值进入卡尔曼滤波,否则认为没有目标匹配上;
若周期数大于等于3则进入卡尔曼滤波,外推三次报丢;
若周期数小于3,则直接报丢。
可选的,波门的大小根据需求进行设定,初值为2.5。
在本发明中提供了一种被动声纳目标的时频分析与跟踪方法,对每路波束域信号单独进行傅里叶变换;将傅里叶变换后的数据叠加,获得一组频域数据;根据所需频段需求,在傅里叶变换后的频域数据中选择相应的谱线数据;进行频域时间积累和平滑处理;获得录用目标频谱的跟踪方位,再通过卡尔曼滤波进行跟踪。通过本发明提供的方法能够获得较高分辨率的频谱信息,在跟踪显示上具有更直观的数据,噪声信号的频率信息更加明确,为后续目标识别与判定提供更为有利的数据信息。
附图说明
图1是本发明提供的被动声纳目标的时频分析与跟踪方法流程示意图;
图2是频域时间积累和平滑处理示意图;
图3是被动声纳目标的时频分析与跟踪方法中的跟踪方法流程图。
具体实施方式
以下结合附图和具体实施例对本发明提出的一种被动声纳目标的时频分析与跟踪方法作进一步详细说明。根据下面说明和权利要求书,本发明的优点和特征将更清楚。需说明的是,附图均采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施例的目的。
实施例一
本发明提供了一种被动声纳目标的时频分析与跟踪方法,其流程如图 1所示,包括:对每路波束域信号单独进行傅里叶变换;将傅里叶变换后的数据叠加,获得一组频域数据;根据所需频段需求,在傅里叶变换后的频域数据中选择相应的谱线数据;进行频域时间积累和平滑处理;获得录用目标频谱的跟踪方位,再通过卡尔曼滤波进行跟踪。
对多路波束域信号的每路信号单独进行傅里叶变换,傅里叶变换的点数为4096点,谱线间隔△F=7.8125Hz,设进行傅里叶变换的波束域信号为48路。每路束域信号进行傅里叶变换后的数据进行叠加操作,最后获得一组4096点的频域数据。
根据所需频段需求,在上述操作基础上,选择相应的谱线,将选取的768根谱线记为Zk_t,其中k为1至768,t表示第t帧波束;通过平滑滤波器进行时间积累平滑处理,所述平滑滤波器长度M=64,每次计算时更新帧数为N次,N为2、4或8;对平滑滤波器长度M点数据计算算术平均值;平滑处理输出为Jk_i,i表示第i帧波束,对Jk_i进行归一化处理得到送显的最后处理结果Dk_i;Dk_i=255*Jk_i/G其中,G为归一化系数,根据处理结果数据的绝对值进行选取;k为通道号,取值范围为1~768,频域时间积累和平滑处理的示意图见图2。
最后获得录用目标频谱的跟踪方位,再通过卡尔曼滤波进行跟踪:
(1)插值测向方法:
所述插值测向方法的核心是相邻三波束方位内插方法,通过相邻三波束方位内插方法获得录用目标频谱的跟踪方位,所述相邻三波束方位内插方法利用目标相邻三波束,设置参变量,用下式求得实际目标的方位:
通过手动操作在显示设备上确定跟踪某一频率,利用频率所在位置找到跟踪频率的相邻三波束,再用插值测向方法在获取目标点附近的方位进行插值,,估算出目标方位;其中,每个通道所占角度360/48=7.5;
(2)卡尔曼滤波工作方法:
设卡尔曼滤波的运动方程为匀加速运动,运动模型为:
X(t+1)=X(t)+v0(t)T+1/2T2a
v(t)=v0(t)+aT
其中,a为加速度,X(t+1)是下一周期的方位,X(t)是当前方位,v0(t) 是初始速度,T是时间,t是周期数,v(t)是实际速度;
该运动模型的状态向量包括方位和速度,控制输入变量为加速度a(t),所以这个运动模型的状态方程为:其中Xt是当前周期的方位,vt是当前周期的速度,Xt-1是上一周期的方位,vt-1是上一周期的速度,这里对应矩阵大小是2×2,大小是2×1;测量值是***状态变量映射出来的,公式为:zk=Hxk+vk;
zk是测量值,大小为2×1,H是状态变量到测量的转换矩阵,H=[1 0],大小为2×1,随机变量v是测量噪声,对于状态方程中的***噪声w和测量噪声v,假设服从如下多元高斯噪声分布:
P(w)~N(0,Q),P(v)~N(0,R),其中w、v是相互独立的,Q、R为噪声变量的协方差矩阵,
跟踪流程图见图3,录用目标信息的值作为第一周期的预测值,周期计数器开始计数,预测值与插值测向方法获得的输出进行匹配,二者之差与波门进行比较,在波门内,则认为目标匹配,插值测向方法获得的输出作为匹配值进入卡尔曼滤波,否则认为没有目标匹配上;若周期数大于等于 3则进入卡尔曼滤波,外推三次报丢;若周期数小于3,则直接报丢;其中波门的大小根据需求进行设定,初值为2.5。
上述描述仅是对本发明较佳实施例的描述,并非对本发明范围的任何限定,本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰,均属于权利要求书的保护范围。
Claims (7)
1.一种被动声纳目标的时频分析与跟踪方法,其特征在于,包括:
对每路波束域信号单独进行傅里叶变换;
将傅里叶变换后的数据叠加,获得一组频域数据;
根据所需频段需求,在傅里叶变换后的频域数据中选择相应的谱线数据;
进行频域时间积累和平滑处理;
获得录用目标频谱的跟踪方位,再通过卡尔曼滤波进行跟踪。
2.如权利要求1所述的被动声纳目标的时频分析与跟踪方法,其特征在于,进行傅里叶变换的波束域信号为48路,傅里叶变换的点数为4096点,谱线间隔△F=7.8125Hz。
3.如权利要求1所述的被动声纳目标的时频分析与跟踪方法,其特征在于,选择谱线的数量为768根。
4.如权利要求3所述的被动声纳目标的时频分析与跟踪方法,其特征在于,进行频域时间积累和平滑处理包括:
将选取的768根谱线记为Zk_t,其中k为1至768,t表示第t帧波束;通过平滑滤波器进行时间积累平滑处理,所述平滑滤波器长度M=64,每次计算时更新帧数为N次,N为2、4或8;对平滑滤波器长度M点数据计算算术平均值;
平滑处理输出为Jk_i,i表示第i帧波束,对Jk_i进行归一化处理得到送至显示设备的最后处理结果Dk_i;Dk_i=255*Jk_i/G,G为归一化系数,根据处理结果数据的绝对值进行选取;k为取值1~768的通道号。
5.如权利要求1所述的被动声纳目标的时频分析与跟踪方法,其特征在于,获得录用目标频谱的跟踪方位,再通过卡尔曼滤波进行跟踪包括:
(1)插值测向方法:
所述插值测向方法的核心是相邻三波束方位内插方法,通过相邻三波束方位内插方法获得录用目标频谱的跟踪方位,所述相邻三波束方位内插方法利用目标相邻三波束,设置参变量,用下式求得实际目标的方位:
通过手动操作在显示设备上确定跟踪某一频率,利用频率所在位置找到跟踪频率的相邻三波束,再用插值测向方法在获取目标点附近的方位进行插值,估算出目标方位;其中,每个通道所占角度360/48=7.5;
(2)卡尔曼滤波工作方法:
设卡尔曼滤波的运动方程为匀加速运动,运动模型为:
X(t+1)=X(t)+v0(t)T+1/2T2a
v(t)=v0(t)+aT
其中,a为加速度,X(t+1)是下一周期的方位,X(t)是当前方位,v0(t)是初始速度,T是时间,t是周期数,v(t)是实际速度;
zk是测量值,大小为2×1,H是状态变量到测量的转换矩阵,H=[1 0],大小为2×1,随机变量v是测量噪声,对于状态方程中的***噪声w和测量噪声v,假设服从如下多元高斯噪声分布:
P(w)~N(0,Q),P(v)~N(0,R),其中w、v是相互独立的,Q、R为噪声变量的协方差矩阵,
6.如权利要求1所述的被动声纳目标的时频分析与跟踪方法,其特征在于,所述被动声纳目标的时频分析与跟踪方法还包括匹配函数:
录用目标信息的值作为第一周期的预测值,与插值测向算法获得的输出进行匹配,二者之差与波门进行比较,在波门内,则认为目标匹配,插值测向算法获得的输出作为匹配值进入卡尔曼滤波,否则认为没有目标匹配上;
若周期数大于等于3则进入卡尔曼滤波,外推三次报丢;
若周期数小于3,则直接报丢。
7.如权利要求6所述的被动声纳目标的时频分析与跟踪方法,其特征在于,波门的大小根据需求进行设定,初值为2.5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911051681.3A CN110716203B (zh) | 2019-10-31 | 2019-10-31 | 一种被动声纳目标的时频分析与跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911051681.3A CN110716203B (zh) | 2019-10-31 | 2019-10-31 | 一种被动声纳目标的时频分析与跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110716203A true CN110716203A (zh) | 2020-01-21 |
CN110716203B CN110716203B (zh) | 2023-07-28 |
Family
ID=69213538
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911051681.3A Active CN110716203B (zh) | 2019-10-31 | 2019-10-31 | 一种被动声纳目标的时频分析与跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110716203B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798869A (zh) * | 2020-09-10 | 2020-10-20 | 成都启英泰伦科技有限公司 | 一种基于双麦克风阵列的声源定位方法 |
CN112799074A (zh) * | 2020-12-16 | 2021-05-14 | 海鹰企业集团有限责任公司 | 被动声呐交叉目标的自动跟踪方法 |
CN114444538A (zh) * | 2021-12-24 | 2022-05-06 | 中国船舶重工集团公司第七一五研究所 | 一种改进的线谱自动提取方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1934459A (zh) * | 2004-07-01 | 2007-03-21 | 三菱电机株式会社 | 无线定位和识别***和方法 |
CN102243302A (zh) * | 2011-04-15 | 2011-11-16 | 东南大学 | 一种水声目标辐射噪声的线谱时间累积特征提取方法 |
CN105204026A (zh) * | 2014-06-13 | 2015-12-30 | 中国人民解放军92232部队 | 一种基于声场干涉条纹的单水平阵被动测速和测距装置及其方法 |
CN107315172A (zh) * | 2017-07-10 | 2017-11-03 | 中国人民解放军海军航空工程学院 | 基于智能子带滤波的三维空间强机动目标跟踪方法 |
CN109061615A (zh) * | 2018-10-26 | 2018-12-21 | 海鹰企业集团有限责任公司 | 被动声纳中非线性***的目标运动参数估计方法及装置 |
CN109444898A (zh) * | 2018-09-13 | 2019-03-08 | 中国船舶重工集团公司第七〇五研究所 | 一种主动声纳单频跟踪方法 |
CN110221307A (zh) * | 2019-05-28 | 2019-09-10 | 哈尔滨工程大学 | 一种多被动声纳非合作多目标线谱信息融合方法 |
-
2019
- 2019-10-31 CN CN201911051681.3A patent/CN110716203B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1934459A (zh) * | 2004-07-01 | 2007-03-21 | 三菱电机株式会社 | 无线定位和识别***和方法 |
CN102243302A (zh) * | 2011-04-15 | 2011-11-16 | 东南大学 | 一种水声目标辐射噪声的线谱时间累积特征提取方法 |
CN105204026A (zh) * | 2014-06-13 | 2015-12-30 | 中国人民解放军92232部队 | 一种基于声场干涉条纹的单水平阵被动测速和测距装置及其方法 |
CN107315172A (zh) * | 2017-07-10 | 2017-11-03 | 中国人民解放军海军航空工程学院 | 基于智能子带滤波的三维空间强机动目标跟踪方法 |
CN109444898A (zh) * | 2018-09-13 | 2019-03-08 | 中国船舶重工集团公司第七〇五研究所 | 一种主动声纳单频跟踪方法 |
CN109061615A (zh) * | 2018-10-26 | 2018-12-21 | 海鹰企业集团有限责任公司 | 被动声纳中非线性***的目标运动参数估计方法及装置 |
CN110221307A (zh) * | 2019-05-28 | 2019-09-10 | 哈尔滨工程大学 | 一种多被动声纳非合作多目标线谱信息融合方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798869A (zh) * | 2020-09-10 | 2020-10-20 | 成都启英泰伦科技有限公司 | 一种基于双麦克风阵列的声源定位方法 |
CN111798869B (zh) * | 2020-09-10 | 2020-11-17 | 成都启英泰伦科技有限公司 | 一种基于双麦克风阵列的声源定位方法 |
CN112799074A (zh) * | 2020-12-16 | 2021-05-14 | 海鹰企业集团有限责任公司 | 被动声呐交叉目标的自动跟踪方法 |
CN112799074B (zh) * | 2020-12-16 | 2022-04-12 | 海鹰企业集团有限责任公司 | 被动声呐交叉目标的自动跟踪方法 |
CN114444538A (zh) * | 2021-12-24 | 2022-05-06 | 中国船舶重工集团公司第七一五研究所 | 一种改进的线谱自动提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110716203B (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104076331B (zh) | 一种七元麦克风阵列的声源定位方法 | |
CN110716203A (zh) | 一种被动声纳目标的时频分析与跟踪方法 | |
CN108375763B (zh) | 一种应用于多声源环境的分频定位方法 | |
CN107179535A (zh) | 一种基于畸变拖曳阵的保真增强波束形成的方法 | |
CN103900541B (zh) | 一种海况估计器 | |
CN105589066B (zh) | 一种利用垂直矢量阵估计水下匀速运动航行器参数的方法 | |
CN109188362B (zh) | 一种麦克风阵列声源定位信号处理方法 | |
CN108226920A (zh) | 一种基于预测值处理多普勒量测的机动目标跟踪***及方法 | |
CN111798386A (zh) | 一种基于边缘识别与最大序列密度估计的河道流速测量方法 | |
CN111025273B (zh) | 一种畸变拖曳阵线谱特征增强方法及*** | |
CN108538306A (zh) | 提高语音设备doa估计的方法及装置 | |
CN111798869B (zh) | 一种基于双麦克风阵列的声源定位方法 | |
CN107765240B (zh) | 一种运动状态的判断方法、装置和电子设备 | |
EP1862813A1 (en) | A method for estimating the position of a sound source for online calibration of auditory cue to location transformations | |
US20180188104A1 (en) | Signal detection device, signal detection method, and recording medium | |
CN114757241A (zh) | 一种多普勒参数耦合线提取方法 | |
CN111785286A (zh) | 面向家居cnn分类与特征匹配联合的声纹识别方法 | |
CN108919241A (zh) | 一种基于恒虚警检测的水下信号时频端点参数估计方法 | |
CN111505580A (zh) | 基于方位角和多普勒信息的多平台协同目标定位方法 | |
Kwak et al. | Convolutional neural network trained with synthetic pseudo-images for detecting an acoustic source | |
Djurovic et al. | Estimation of time-varying velocities of moving objects by time-frequency representations | |
CN110865375B (zh) | 一种水中目标检测方法 | |
CN106970265B (zh) | 一种采用多时间尺度不完全s变换估计谐波参数的方法 | |
CN110890099A (zh) | 声音信号处理方法、装置以及存储介质 | |
CN117471565A (zh) | 一种智能机器人水下检测方法、***及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |