CN111735525B - 一种适用于无人声纳的demon谱特征提取方法 - Google Patents
一种适用于无人声纳的demon谱特征提取方法 Download PDFInfo
- Publication number
- CN111735525B CN111735525B CN202010467366.5A CN202010467366A CN111735525B CN 111735525 B CN111735525 B CN 111735525B CN 202010467366 A CN202010467366 A CN 202010467366A CN 111735525 B CN111735525 B CN 111735525B
- Authority
- CN
- China
- Prior art keywords
- signal
- demon
- spectrum
- threshold
- frequency
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H3/00—Measuring characteristics of vibrations by using a detector in a fluid
- G01H3/04—Frequency
- G01H3/08—Analysing frequencies present in complex vibrations, e.g. comparing harmonics present
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H3/00—Measuring characteristics of vibrations by using a detector in a fluid
- G01H3/10—Amplitude; Power
-
- 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
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明是一种适用于无人声纳的DEMON谱特征提取方法。本发明属于DEMON谱特征提取领域,本发明采用小波去噪技术,降低待处理信号中噪声影响;将降噪后的信号通过带通滤波器滤波,提取滤波后的频段信号;根据滤波后的频段信号,进行调制谱检测,进行去信号直流操作,并通过低通滤波器,完成包络检测,得到解调后的信号;对解调后的信号进行傅里叶变换,并进行平均周期图谱估计,得到DEMON线谱;根据得到的DEMON线谱,基于门限准则自主提取线谱;根据基于门限准则自主提取后的线谱,进行轴频估计,并进行桨叶数估计。本发明适用于保持匀速直线运动、具有规则的三至七叶螺旋桨叶、且在矢量水听器工作频带内具有明显调制现象的目标,能够估计出其螺旋桨转速和叶片数信息。本发明能够自主处理目标辐射噪声,提取目标的轴频、桨叶数信息并将算法流程在DSP上进行实现。
Description
技术领域
本发明涉及DEMON谱特征提取技术领域,是一种适用于无人声纳的DEMON谱特征提取方法。
背景技术
目标的检测和识别一直是很多国家重点研究的领域之一,其中水下、水面目标产生的舰船辐射噪声往往携带着目标的重要信息。由LOFAR分析可获得反应舰船目标各部件结构特征的宽频带特征,而DEMON分析则获得较低频段的调制线谱特征,弥补了LOFAR分析在低频端的不足。DEMON谱分析常用来获取目标的轴频与叶频。
矢量水听器由传统的声压水听器和质点振速水听器复合而成,可以空间共点同步测量声场中的标量信息(声压)和矢量信息(质点振速的三个正交分量),这不仅有助于改善水声***的性能,而且也拓宽了信号处理空间。矢量水听器具有良好的低频指向性、抗各向同性噪声能力强等诸多优点。它的出现,为解决水下目标的检测、定位及噪声识别等水声问题提供了新的思路和方法。现有的矢量DEMON谱估计只进行到软件部分,并未在硬件平台上进行实现。
发明内容
本发明为对DEMON谱特征提取,本发明提供了一种适用于无人声纳的DEMON谱特征提取方法,本发明提供了以下技术方案:
一种适用于无人声纳的DEMON谱特征提取方法,包括以下步骤:
步骤1:采用小波去噪技术,降低待处理信号中噪声影响;
步骤2:将降噪后的信号通过带通滤波器滤波,提取滤波后的频段信号;
步骤3:根据滤波后的频段信号,进行调制谱检测,进行去信号直流操作,并通过低通滤波器,完成包络检测,得到解调后的信号;
步骤4:对解调后的信号进行傅里叶变换,并进行平均周期图谱估计,得到DEMON线谱;
步骤5:根据得到的DEMON线谱,基于门限准则自主提取线谱;
步骤6:根据基于门限准则自主提取后的线谱,进行轴频估计,并进行桨叶数估计。
优选地,所述步骤1具体为:
步骤1.1:采用Mallat算法去噪,选择Daubechies小波基的DB3小波,对接收信号分别进行三层小波分解,确定小波变换的低通滤波器和小波变换的高通滤波器,通过下式表示小波变换的低通滤波器和小波变换的高通滤波器:得到小波分解系数:
h(z)=h-2z2+h-1z+h0+h1z-1+h2z-2+h3z-3
g(z)=-h3z2+h2z-h1+h0z-1-h-1z-2+h-2z-3
其中,h(z)为小波变换的低通滤波器,g(z)为小波变换的高通滤波器,z为小波系数;
得到小波分解系数,通过下式表示小波分解系数:
h-2=0.333,h-1=0.807,h0=0.459,h1=-0.135,h2=-0.085,h3=0.035;
步骤1.2:对分解得到的小波系数进行软阈值处理,通过下式表示软阈值函数:
其中,wλ为去噪后的小波系数,w为去噪前的小波系数;
对软阈值函数采用了极大极小阈值,通过下式表示极大极小阈值λ:
其中,N为数据长度;
对阈值处理后的小波系数进行重构,得到降噪后的信号。
优选地,所述步骤2具体为:对降噪后的信号进行带通滤波处理,提取滤波后的频段信号,通过下式表示滤波后的频段信号:
pband(t)=filterbandpass(p)
vxband(t)=filterbandpass(vx)
vyband(t)=filterbandpass(vy)
其中,pband(t)为滤波后的p通道数据,vxband(t)为滤波后的x通道数据,vyband(t)为滤波后的y通道数据,vy为降噪后的y通道数据,p为降噪后的p通道数据,vx为降噪后的x通道数据。
优选地,所述步骤3具体为:根据滤波后的频段信号,进行调制谱检测,进行去信号直流操作,并通过低通滤波器,完成包络检测,得到解调后的信号;
根据滤波后的频段信号,使用声能流处理降低噪声对调制谱检测的影响,在二维水平面内,通过下式表示声能流:
采用了乘法检波,通过下式表示乘法检波:
Ipx(t)=pband(t)·vxband(t)
其中,Ipx(t)为处理后的声能流。
进行去信号直流操作,通过下式表示信号直流操作:
Id(t)=Ipx(t)-mean(Ipx(t))
其中,mean()表示去均值操作;
对去直流后的信号Id(t)进行低通滤波处理,完成包络检测,得到解调后的信号,通过下式表示解调后的信号S(t):
S(t)=filterlowpass(Id(t))
优选地,所述步骤4具体为:对解调后的信号进行傅里叶变换,通过Welch平均周期图处理进行平均周期图谱估计,选择长度为12.8s或25.6s的矩形窗,窗长度选择2的整数次幂采样点,当窗长为12.8s时,处理后的DEMON谱分辨率为0.08Hz;当窗长为25.6s时,处理后的DEMON谱分辨率约为0.04Hz;
Welch周期图处理选择了窗长为25.6s的矩形窗,窗重合率为50%,此时得到的DEMON谱Swelch(n)分辨率为0.04Hz;
得到估计的DEMON线谱,通过下式表示估计的DEMON线谱Sback(n):
Sback(n)=Swelch(n)-Scon(n)
其中,Scon(n)为连续估计谱。
优选地,所述步骤5具体为:根据得到的DEMON线谱,基于门限准则自主提取线谱,所述门限准则包括峰值门限、斜率门限和峰宽门限,同时满足三种门限是,提取所需的调制线谱。
优选地,所述步骤6中根据基于门限准则自主提取后的线谱,进行轴频估计具体为:根据基于门限准则自主提取后的线谱,采用了倍频估计算法估计提取后的DEMON谱的轴频,确定可疑基频个数P,将P根线谱进行从小到大频率排序为Fj,对应的幅度为Hj,j=1,2,...P
谱线中频率最小的(F1,H1)开始,搜索所有的疑似线谱簇,根据判决门限α判断是否满足倍频关系,通过下式表示判断准则:
当某次倍频位置有两个或以上的谱线都满足的门限α的检测准则,将满足的谱线进行比较,取误差最小的作为最后的谐波;
计算P个基频和对应的八次谐波的总能量,总能量最大的对应的基频目标的基频作为轴频估计结果。
优选地,所述步骤6中桨叶数估计具体为:构建螺旋桨DEMON谱谐波簇特征结构模板,计算机生成M级8阶模板,对模板进行初步分类,去除不存在的模板,形成初步的模板库;
对模板库的完整性以及不同模板之间的相似性进行分析;计算目标信号与模板结构的向量相似度Sim;
计算目标信号与模板结构的距离相似度Dis;样本与模板间的综合距离与余弦相似度和距离相似度有关,计算样本与模板间的综合距离,通过下式样本与模板间的综合距离C:
并由综合距离给出识别结果的置信度,得到桨叶数的估计结果。
本发明具有以下有益效果:
本发明适用于保持匀速直线运动、具有规则的三至七叶螺旋桨叶、且在矢量水听器工作频带内具有明显调制现象的目标,能够估计出其螺旋桨转速和叶片数信息。
本发明能够自主处理目标辐射噪声,提取目标的轴频、桨叶数信息并将算法流程在DSP上进行实现。
本发明的优点在于以上软件处理流程均在无人平台上实现,可以预先设定处理频带、门限值等参数,无需操作员手动调整。且通过在DSP上的实现,验证了算法的实时性和有效性。
附图说明
图1为适用于无人声纳的DEMON谱特征提取方法流程图;
图2为使用wavemenu对接收声压信号进行DB3小波分解原理图;
图3为去噪后的信号处理得到的Welch平均周期图;
图4为对平均周期图进行背景均衡处理后的DEMON谱图;
图5为DEMON谱提取后得到的谱线图;
图6为为了进行叶片数估计对DEMON谱进行预处理,得到的DEMON谱前八阶谐波归一化后的线图。
具体实施方式
以下结合具体实施例,对本发明进行了详细说明。
具体实施例一:
平面波条件下,矢量水听器接收到的声压和振速分别为:Pori(t),Vxori(t),Vyori(t)
如图1所示,本发明包括:小波去噪、带通滤波、乘法检波、去直流、低通滤波、平均周期图处理、背景均衡、线谱提取、轴频估计、桨叶数估计、DSP实现;
如图1至图6所示,本发明提供一种适用于无人声纳的DEMON谱特征提取方法,包括以下步骤:
一种适用于无人声纳的DEMON谱特征提取方法,包括以下步骤:
步骤1:采用小波去噪技术,降低待处理信号中噪声影响;
所述步骤1具体为:
步骤1.1:采用Mallat算法去噪,选择Daubechies小波基的DB3小波,对接收信号分别进行三层小波分解,确定小波变换的低通滤波器和小波变换的高通滤波器,通过下式表示小波变换的低通滤波器和小波变换的高通滤波器:得到小波分解系数:
h(z)=h-2z2+h-1z+h0+h1z-1+h2z-2+h3z-3
g(z)=-h3z2+h2z-h1+h0z-1-h-1z-2+h-2z-3
其中,h(z)为小波变换的低通滤波器,g(z)为小波变换的高通滤波器,z为小波系数;
得到小波分解系数,通过下式表示小波分解系数:
h-2=0.333,h-1=0.807,h0=0.459,h1=-0.135,h2=-0.085,h3=0.035;
步骤1.2:对分解得到的小波系数进行软阈值处理,通过下式表示软阈值函数:
其中,wλ为去噪后的小波系数,w为去噪前的小波系数;
对软阈值函数采用了极大极小阈值,通过下式表示极大极小阈值λ:
其中,N为数据长度;
对阈值处理后的小波系数进行重构,得到降噪后的信号。
步骤2:将降噪后的信号通过带通滤波器滤波,提取滤波后的频段信号;
所述步骤2具体为:对降噪后的信号进行带通滤波处理,提取滤波后的频段信号,通过下式表示滤波后的频段信号:
pband(t)=filterbandpass(p)
vxband(t)=filterbandpass(vx)
vyband(t)=filterbandpass(vy)
其中,pband(t)为滤波后的p通道数据,vxband(t)为滤波后的x通道数据,vyband(t)为滤波后的y通道数据,vy为降噪后的y通道数据,p为降噪后的p通道数据,vx为降噪后的x通道数据;;
步骤3:根据滤波后的频段信号,进行调制谱检测,进行去信号直流操作,并通过低通滤波器,完成包络检测,得到解调后的信号;
所述步骤3具体为:根据滤波后的频段信号,进行调制谱检测,进行去信号直流操作,并通过低通滤波器,完成包络检测,得到解调后的信号;
根据滤波后的频段信号,使用声能流处理降低噪声对调制谱检测的影响,在二维水平面内,通过下式表示声能流:
采用了乘法检波,通过下式表示乘法检波:
Ipx(t)=pband(t)·vxband(t)
其中,Ipx(t)为处理后的声能流
进行去信号直流操作,通过下式表示信号直流操作:
Id(t)=Ipx(t)-mean(Ipx(t))
其中,mean()表示去均值操作;
对去直流后的信号Id(t)进行低通滤波处理,完成包络检测,得到解调后的信号,通过下式表示解调后的信号S(t):
S(t)=filterlowpass(Id(t))。
步骤4:对解调后的信号进行傅里叶变换,并进行平均周期图谱估计,得到DEMON线谱;
所述步骤4具体为:对解调后的信号进行傅里叶变换,通过Welch平均周期图处理进行平均周期图谱估计,选择长度为12.8s或25.6s的矩形窗,窗长度选择2的整数次幂采样点,当窗长为12.8s时,处理后的DEMON谱分辨率为0.08Hz;当窗长为25.6s时,处理后的DEMON谱分辨率约为0.04Hz;
Welch周期图处理选择了窗长为25.6s的矩形窗,窗重合率为50%,此时得到的DEMON谱Swelch(n)分辨率为0.04Hz;
得到估计的DEMON线谱,通过下式表示估计的DEMON线谱Sback(n):
Sback(n)=Swelch(n)-Scon(n)
其中,Scon(n)为连续估计谱。
步骤5:根据得到的DEMON线谱,基于门限准则自主提取线谱;
所述步骤5具体为:根据得到的DEMON线谱,基于门限准则自主提取线谱,所述门限准则包括峰值门限、斜率门限和峰宽门限,同时满足三种门限是,提取所需的调制线谱。
斜率门限:边界的斜率应超过一定的门限。
计算谱Sback(n)在各采样点的斜率:D(n)=P(n+1)-P(n),斜率D(n)大于斜率门限slope,将将此点记为1;斜率小于-slope,将此点记为2。如不满足,将该点记为0。
峰宽门限:如1在2左侧,且二者中间仅有0出现,则将这两个点之间构成的谱线当作疑似线谱,考虑其是否满足峰宽门限,这两个点被称为疑似左右边界点。
峰宽门限:找到线谱的疑似左右边界点,左右边界点的宽度应小于某一门限。峰宽门限设为width。若疑似左右边界点间包含的数字0不超过width,则认为该条线谱通过峰宽门限,考虑其是否满足峰值门限。
峰值门限:幅度应超过某一门限。峰值门限设为value,若上述疑似线谱峰值大于value,则判定该条线谱通过峰值门限。
得到最终提取后的DEMON谱Sdt(n)。
步骤6:根据基于门限准则自主提取后的线谱,进行轴频估计,并进行桨叶数估计。
所述步骤6中根据基于门限准则自主提取后的线谱,进行轴频估计具体为:根据基于门限准则自主提取后的线谱,采用了倍频估计算法估计提取后的DEMON谱的轴频,确定可疑基频个数P,将P根线谱进行从小到大频率排序为Fj,对应的幅度为Hj,j=1,2,...P
谱线中频率最小的(F1,H1)开始,搜索所有的疑似线谱簇,根据判决门限α判断是否满足倍频关系,通过下式表示判断准则:
当某次倍频位置有两个或以上的谱线都满足的门限α的检测准则,将满足的谱线进行比较,取误差最小的作为最后的谐波;
计算P个基频和对应的八次谐波的总能量,总能量最大的对应的基频目标的基频作为轴频估计结果。
优选地,所述步骤6中桨叶数估计具体为:构建螺旋桨DEMON谱谐波簇特征结构模板,计算机生成M级8阶模板,对模板进行初步分类,去除不存在的模板,形成初步的模板库;
对模板库的完整性以及不同模板之间的相似性进行分析;计算目标信号与模板结构的向量相似度Sim;
计算目标信号与模板结构的距离相似度Dis;样本与模板间的综合距离与余弦相似度和距离相似度有关,计算样本与模板间的综合距离,通过下式样本与模板间的综合距离C:
并由综合距离给出识别结果的置信度,得到桨叶数的估计结果。
本发明使用DSP***作为DEMON谱检测***的试验平台,通过它检测DEMON谱检测***算法的实时性与有效性,编写和改进信号处理算法。兼顾通用性,本发明采用了一款基于TI公司的8核DSP处理板TMS320C6678。
TMS320C6678信号处理芯片采用的是Key Stone架构。需要不同模块间的相互通信,以及各任务间的合理调度,来达到实时处理的需求,故采用SYS/BIOS操作***开软件,SYS/BIOS操作***可最大限度的减少对内存和CPU的要求。
软件平台主要划分为4大模块,分别为:网络数据传输模块、接收信号预处理模块、调制谱处理模块、核间通信模块。
1、网络数据传输模块:
网络数据传输模块由0核负责,主要完成与显控平台和CRIO平台进行数据交互的工作。该模块是通过TI公司提供的NDK(Network Development Kit)网络开发套件实现的。
首先初始化协议栈,包括:(1)调用NC_SystemQpen()函数,对***环境进行初始化处理。(2)然后调用CfgNew()函数,得到新的待配置文件,此时该配置文件为空,通过CfgAddEntry()函数和CfgLoad()函数对其配置或重新装载。(3)调用NC_NetStart()启动配置好的协议栈,产生一个新的、可以实现网络要求的任务线程。(4)当网络线程任务执行完成时,调用CfgFree()函数,并释放CfgNew()函数之前创建的匹配句柄。(5)待资源全部释放,通过NC_SystemClose()函数关闭***。
2、调制谱处理模块:
本模块是整个软件的核心部分,任务量庞大,所以分配了核1至核6并行运算。每个核内该模块的算法设计和任务线程是一样的,唯一的区别是在核1的预处理后,根据CoreID分配了不同扫描角度的信号。
下面以核1的工作流程为例,介绍该模块的设计思想。DSP启动时,核间同步由IPC(Inter-Process Communication)模块实现。若无操作,核1将进入空线程运行状态。当核0向核1发送指令或数据时,核1将根据信号量的不同进入到对应的处理任务内。如果是指令,释放信号量Sem1,则进入解指令与回复指令的任务内。如果是数据,释放信号量Sem2,则进入数据处理任务内,进行数据搬移和根据CoreID进行初始信号加载,然后进行信号解调、平均周期图处理、背景均衡、线谱提取、轴叶频估计等一系列数据处理。
本发明在平均周期图处理过程中使用了TI公司提供的FFT库函数,这是一种高度优化的函数,可以在很大程度上减小运算量。
3、信息汇总挑选模块
信息汇总挑选模块由核7完成,本模块需要汇总核1至核6上传的数据,即不同角度目标的轴频、桨叶数信息,并排查出其中具有明显异常的数据。
核7启动后,进入idle线程。当核1至核6通过IPC向核7发送IPC中断后,核7会根据不同的信号量Sem去对应的共享内存区取出信息,进行挑选。
4、核间通信模块
多核DSP的应用开发通过多核的协同工作,以达到高效的信号处理。***启动后,先要完成8个核的同步。核0通过网口接收CRIO平台的多路数据,然后通过核间中断的方式通知核1至核6数据已经准备好,核1至核6从共享内存中依次拷贝所需目标数据,完成信号检测与参数估计后再通过核间中断通知核7处理完毕,核7按照预先规定的地址,读取6个核的处理结果并汇总,排除明显异常的数据后将结果通过核0进行上传。
以上所述仅是一种适用于无人声纳的DEMON谱特征提取方法的优选实施方式,一种适用于无人声纳的DEMON谱特征提取方法的保护范围并不仅局限于上述实施例,凡属于该思路下的技术方案均属于本发明的保护范围。应当指出,对于本领域的技术人员来说,在不脱离本发明原理前提下的若干改进和变化,这些改进和变化也应视为本发明的保护范围。
Claims (1)
1.一种适用于无人声纳的DEMON谱特征提取方法,其特征是:包括以下步骤:
步骤1:采用小波去噪技术,降低待处理信号中噪声影响;
所述步骤1具体为:
步骤1.1:采用Mallat算法去噪,选择Daubechies小波基的DB3小波,对接收信号分别进行三层小波分解,确定小波变换的低通滤波器和小波变换的高通滤波器,通过下式表示小波变换的低通滤波器和小波变换的高通滤波器:得到小波分解系数:
h(z)=h-2z2+h-1z+h0+h1z-1+h2z-2+h3z-3
g(z)=-h3z2+h2z-h1+h0z-1-h-1z-2+h-2z-3
其中,h(z)为小波变换的低通滤波器,g(z)为小波变换的高通滤波器,z为小波系数;
得到小波分解系数,通过下式表示小波分解系数:
h-2=0.333,h-1=0.807,h0=0.459,h1=-0.135,h2=-0.085,h3=0.035;
步骤1.2:对分解得到的小波系数进行软阈值处理,通过下式表示软阈值函数:
其中,wλ为去噪后的小波系数,w为去噪前的小波系数;
对软阈值函数采用了极大极小阈值,通过下式表示极大极小阈值λ:
其中,N为数据长度;
对阈值处理后的小波系数进行重构,得到降噪后的信号;
步骤2:将降噪后的信号通过带通滤波器滤波,提取滤波后的频段信号;
步骤3:根据滤波后的频段信号,进行调制谱检测,进行去信号直流操作,并通过低通滤波器,完成包络检测,得到解调后的信号;
步骤4:对解调后的信号进行傅里叶变换,并进行平均周期图谱估计,得到DEMON线谱;
所述步骤3具体为:根据滤波后的频段信号,进行调制谱检测,进行去信号直流操作,并通过低通滤波器,完成包络检测,得到解调后的信号;
根据滤波后的频段信号,使用声能流处理降低噪声对调制谱检测的影响,在二维水平面内,通过下式表示声能流:
采用了乘法检波,通过下式表示乘法检波:
Ipx(t)=pband(t)·vxband(t)
其中,Ipx(t)为处理后的声能流;
进行去信号直流操作,通过下式表示信号直流操作:
Id(t)=Ipx(t)-mean(Ipx(t))
其中,mean()表示去均值操作;
对去直流后的信号Id(t)进行低通滤波处理,完成包络检测,得到解调后的信号,通过下式表示解调后的信号S(t):
S(t)=filterlowpass(Id(t));
步骤5:根据得到的DEMON线谱,基于门限准则自主提取线谱;
步骤6:根据基于门限准则自主提取后的线谱,进行轴频估计,并进行桨叶数估计;
所述步骤6中根据基于门限准则自主提取后的线谱,进行轴频估计具体为:根据基于门限准则自主提取后的线谱,采用了倍频估计算法估计提取后的DEMON谱的轴频,确定可疑基频个数P,将P根线谱进行从小到大频率排序为Fj,对应的幅度为Hj,j=1,2,...P
谱线中频率最小的(F1,H1)开始,搜索所有的疑似线谱簇,根据判决门限α判断是否满足倍频关系,通过下式表示判断准则:
当某次倍频位置有两个或以上的谱线都满足的门限α的检测准则,将满足的谱线进行比较,取误差最小的作为最后的谐波;
计算P个基频和对应的八次谐波的总能量,总能量最大的对应的基频目标的基频作为轴频估计结果;
所述步骤2具体为:对降噪后的信号进行带通滤波处理,提取滤波后的频段信号,通过下式表示滤波后的频段信号:
pband(t)=filterbandpass(p)
vxband(t)=filterbandpass(vx)
vyband(t)=filterbandpass(vy)
其中,pband(t)为滤波后的p通道数据,vxband(t)为滤波后的x通道数据,vyband(t)为滤波后的y通道数据,vy为降噪后的y通道数据,p为降噪后的p通道数据,vx为降噪后的x通道数据;
所述步骤4具体为:对解调后的信号进行傅里叶变换,通过Welch平均周期图处理进行平均周期图谱估计,选择长度为12.8s或25.6s的矩形窗,窗长度选择2的整数次幂采样点,当窗长为12.8s时,处理后的DEMON谱分辨率为0.08Hz;当窗长为25.6s时,处理后的DEMON谱分辨率约为0.04Hz;
Welch周期图处理选择了窗长为25.6s的矩形窗,窗重合率为50%,此时得到的DEMON谱Swelch(n)分辨率为0.04Hz;
得到估计的DEMON线谱,通过下式表示估计的DEMON线谱Sback(n):
Sback(n)Swelch(n)-Scon(n)
其中,Scon(n)为连续估计谱;
所述步骤5具体为:根据得到的DEMON线谱,基于门限准则自主提取线谱,所述门限准则包括峰值门限、斜率门限和峰宽门限,同时满足三种门限是,提取所需的调制线谱;
所述步骤6中桨叶数估计具体为:构建螺旋桨DEMON谱谐波簇特征结构模板,计算机生成M级8阶模板,对模板进行初步分类,去除不存在的模板,形成初步的模板库;
对模板库的完整性以及不同模板之间的相似性进行分析;计算目标信号与模板结构的向量相似度Sim;
计算目标信号与模板结构的距离相似度Dis;样本与模板间的综合距离与余弦相似度和距离相似度有关,计算样本与模板间的综合距离,通过下式样本与模板间的综合距离C:
并由综合距离给出识别结果的置信度,得到桨叶数的估计结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010467366.5A CN111735525B (zh) | 2020-05-28 | 2020-05-28 | 一种适用于无人声纳的demon谱特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010467366.5A CN111735525B (zh) | 2020-05-28 | 2020-05-28 | 一种适用于无人声纳的demon谱特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111735525A CN111735525A (zh) | 2020-10-02 |
CN111735525B true CN111735525B (zh) | 2023-03-31 |
Family
ID=72647887
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010467366.5A Active CN111735525B (zh) | 2020-05-28 | 2020-05-28 | 一种适用于无人声纳的demon谱特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111735525B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112230205B (zh) * | 2020-10-16 | 2023-07-07 | 哈尔滨工程大学 | 一种利用舰船辐射噪声仿真信号的水下目标识别***性能评估方法 |
CN112528775A (zh) * | 2020-11-28 | 2021-03-19 | 西北工业大学 | 一种水下目标的分类方法 |
CN116400337B (zh) * | 2023-06-08 | 2023-08-18 | 中国人民解放军国防科技大学 | 基于线段检测的舰船噪声调制线谱提取与轴频估计方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4220429A1 (de) * | 1992-06-24 | 1994-01-05 | Atlas Elektronik Gmbh | Verfahren zur Detektion und/oder Klassifizierung eines propellerbetriebenen Fahrzeugs |
RU2013145934A (ru) * | 2013-10-14 | 2015-04-20 | Российская Федерация, от имени которой выступает Министерство промышленности и торговли Российской Федерации (Минпромторг) | Способ оценки количества лопастей винта шумящего в море объекта |
KR20170124279A (ko) * | 2016-05-02 | 2017-11-10 | 국방과학연구소 | 수중 방사 소음 측정시 외부표적 소음 제거가 가능한 신호처리 방법 및 장치 |
CN108921014A (zh) * | 2018-05-21 | 2018-11-30 | 西北工业大学 | 一种基于改进噪声包络信号识别的螺旋桨轴频搜索方法 |
CN109285561A (zh) * | 2018-09-06 | 2019-01-29 | 东南大学 | 一种基于自适应窗长的船舶螺旋桨空化噪声调制谱特征保真增强方法 |
CN111024209A (zh) * | 2019-12-25 | 2020-04-17 | 深圳金信诺高新技术股份有限公司 | 一种适用于矢量水听器的线谱检测方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4558279A (en) * | 1983-03-07 | 1985-12-10 | University Of Cincinnati | Methods for detecting and imaging a temperature of an object by nuclear magnetic resonance |
AU2001259193A1 (en) * | 2000-05-11 | 2001-11-20 | Technion Research And Development Foundation Ltd. | Wavelet depulsing of ultrasound echo sequences |
CN101539597B (zh) * | 2009-04-29 | 2011-01-26 | 哈尔滨工程大学 | 一种分辨具有相同频带辐射噪声的多目标方法 |
DE102009043417A1 (de) * | 2009-09-29 | 2011-04-07 | Atlas Elektronik Gmbh | Verfahren und Vorrichtung zum Analysieren amplitudenmodulierter Breitbandgeräusche |
DE102012015637A1 (de) * | 2012-08-07 | 2014-02-13 | Atlas Elektronik Gmbh | Verfahren und Vorrichtung zum Bestimmen eines Frequenzlinienmusters innerhalb wenigstens eines Amplitudenspektrums |
CN110160642B (zh) * | 2019-05-13 | 2020-07-17 | 浙江大学 | 一种小样本条件下的螺旋桨噪声线谱重构方法 |
CN110596458B (zh) * | 2019-07-16 | 2021-02-02 | 西北工业大学 | Demon谱谐波线谱和基频自动估计方法 |
CN110716172B (zh) * | 2019-10-22 | 2021-07-09 | 哈尔滨工程大学 | 基于频率挑选的矢量水听器包络谱估计方法 |
CN110855374B (zh) * | 2019-10-31 | 2021-07-13 | 西安交通大学 | 一种水声目标辐射噪声调制特征提取方法 |
-
2020
- 2020-05-28 CN CN202010467366.5A patent/CN111735525B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4220429A1 (de) * | 1992-06-24 | 1994-01-05 | Atlas Elektronik Gmbh | Verfahren zur Detektion und/oder Klassifizierung eines propellerbetriebenen Fahrzeugs |
RU2013145934A (ru) * | 2013-10-14 | 2015-04-20 | Российская Федерация, от имени которой выступает Министерство промышленности и торговли Российской Федерации (Минпромторг) | Способ оценки количества лопастей винта шумящего в море объекта |
KR20170124279A (ko) * | 2016-05-02 | 2017-11-10 | 국방과학연구소 | 수중 방사 소음 측정시 외부표적 소음 제거가 가능한 신호처리 방법 및 장치 |
CN108921014A (zh) * | 2018-05-21 | 2018-11-30 | 西北工业大学 | 一种基于改进噪声包络信号识别的螺旋桨轴频搜索方法 |
CN109285561A (zh) * | 2018-09-06 | 2019-01-29 | 东南大学 | 一种基于自适应窗长的船舶螺旋桨空化噪声调制谱特征保真增强方法 |
CN111024209A (zh) * | 2019-12-25 | 2020-04-17 | 深圳金信诺高新技术股份有限公司 | 一种适用于矢量水听器的线谱检测方法 |
Non-Patent Citations (1)
Title |
---|
Alexander Pollara.Improvement of the Detection of Envelope Modulation on Noise (DEMON) and its application to small boats.OCEANS 2016 MTS/IEEE Monterey.2016,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111735525A (zh) | 2020-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111735525B (zh) | 一种适用于无人声纳的demon谱特征提取方法 | |
Mallawaarachchi et al. | Spectrogram denoising and automated extraction of the fundamental frequency variation of dolphin whistles | |
Wang et al. | ia-PNCC: Noise Processing Method for Underwater Target Recognition Convolutional Neural Network. | |
CN110598166A (zh) | 一种自适应确定小波分层级数的小波去噪方法 | |
CN104795064A (zh) | 低信噪比声场景下声音事件的识别方法 | |
CN110855374B (zh) | 一种水声目标辐射噪声调制特征提取方法 | |
US5566134A (en) | Digital computer algorithm for processing sonar signals | |
CN110515063A (zh) | 基于迭代平稳离散小波变换的水声信号处理方法和装置 | |
CN113011093B (zh) | 基于LCWaveGAN的船舶航行噪声仿真生成方法 | |
CN117116290B (zh) | 基于多维特征的数控机床部件缺陷定位方法和相关设备 | |
CN111414832A (zh) | 一种基于鲸豚类低频水声信号的实时在线识别分类*** | |
CN117388833A (zh) | 一种船舶辐射噪声解调谱相位差特征提取方法及*** | |
CN114077854A (zh) | 一种基于自适应VMD的φ-OTDR水声信号处理方法和装置 | |
CN114692687A (zh) | 水声信号的识别方法与水声信号识别模型的训练方法 | |
CN117388835A (zh) | 一种多拼融合的声雷达信号增强方法 | |
CN116304829A (zh) | 舰船辐射噪声齿轮箱减速比特征提取方法及*** | |
Shin et al. | Active impulsive echo discrimination in shallow water by mapping target physics-derived features to classifiers | |
Binesh et al. | Discrete sine transform based HMM underwater signal classifier | |
CN115497492A (zh) | 一种基于全卷积神经网络的实时语音增强方法 | |
CN113252929B (zh) | 转速确定方法、装置、电子设备及计算机可读存储介质 | |
Sheng et al. | Fuzzy preprocessing and clustering analysis method of underwater multiple targets in forward looking sonar image for AUV tracking | |
CN112329626A (zh) | 调制与深度学习融合的设备故障诊断方法、***及介质 | |
CN117331125B (zh) | 一种***波束数据处理方法、装置、电子设备和介质 | |
Jiang et al. | Fault diagnosis of rolling bearing based on TVD-VMD | |
Ma et al. | An Underwater Acoustic Signal Denoising Algorithm Based on U-Net |
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 |