CN116338574B - 一种基于匹配波束的稀疏贝叶斯学习水下声源定位方法 - Google Patents
一种基于匹配波束的稀疏贝叶斯学习水下声源定位方法 Download PDFInfo
- Publication number
- CN116338574B CN116338574B CN202310372679.6A CN202310372679A CN116338574B CN 116338574 B CN116338574 B CN 116338574B CN 202310372679 A CN202310372679 A CN 202310372679A CN 116338574 B CN116338574 B CN 116338574B
- Authority
- CN
- China
- Prior art keywords
- sound source
- sparse
- data
- domain
- positioning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000005516 engineering process Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 10
- 230000004807 localization Effects 0.000 claims description 10
- 230000010354 integration Effects 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 239000013535 sea water Substances 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 abstract description 5
- 230000005236 sound signal Effects 0.000 abstract description 2
- 238000002474 experimental method Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
-
- 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
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0278—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves involving statistical or probabilistic considerations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Artificial Intelligence (AREA)
- Radar, Positioning & Navigation (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于匹配波束的稀疏贝叶斯学习水下声源定位方法，针对现有的稀疏贝叶斯学习匹配场定位算法存在的环境失配问题，利用波束形成技术将阵列接收到的声压数据转化到波束域空间，并在波束域中限制或跟踪特定方向的声信号，将波束域内的定位问题转化为具有稀疏约束的欠定方程求解问题，最后通过稀疏贝叶斯学习更新公式进行迭代求解。与原有方法相比，本发明的优点在于：(1)在保证高分辨低旁瓣定位结果的同时，对环境失配具有更强的宽容性，有效提高了定位的鲁棒性；(2)具有更快的运行速度。
Description
技术领域
本发明涉及一种水下声纳阵列信号处理算法，特别是一种基于匹配波束的稀疏贝叶斯学习水下声源定位方法，属于水声阵列信号处理邻域。
背景技术
匹配场定位方法在过去的50年里得到了广泛的研究，它的发展离不开信号处理技术和水声物理学的密切交叉。匹配场定位本质上是一种广义波束形成方法，其充分利用了海洋波导中声场的空间复杂性，并基于声信号的多路径传播特性，通过已知或反演获得的水声环境参数信息，采用声传播模型来计算拷贝场向量，并与测量数据“匹配”来实现水下声源被动定位。但由于拷贝场的计算依赖于声场环境建模，实际中往往很难准确得知环境参数信息，因此匹配场定位从发展之初就面临着环境失配问题。
近些年兴起的压缩感知类算法在在水下被动声源定位中受到很大关注，压缩感知处理是将定位问题转化为具有稀疏约束的欠定方程组求解问题，然后利用各种稀疏迭代算法来求解这一问题，其利用声场的稀疏性来获得更好的处理性能。在各类稀疏迭代算法中，稀疏贝叶斯学习算法具有稳健性好、分辨率高且不需要进行稀疏度选择的优点，已被广泛应用于水下声源定位。尽管经典的稀疏贝叶斯学习匹配场定位算法具有较好的稀疏恢复性能，但它并未考虑环境出现失配时的情况。当海洋环境失配程度较高时，该算法定位性能将会大幅度下降，甚至无法定位。
发明内容
本发明的目的是为了提供了一种基于匹配波束的稀疏贝叶斯学习水下声源定位方法，能够在保证高分辨低旁瓣定位结果的同时，对环境失配具有更强的宽容性，有效提高定位的鲁棒性。
为了解决上述技术问题，本发明包括以下步骤：
步骤1：依据先验知识，选用合适的声传播模型，并确定好网格划分以及声源搜索范围。同时对阵列接收数据进行预处理，通过时频分析等技术获取声源信号的频率信息。
步骤2：通过波束形成技术将阵列接收到的数据和由声传播模型计算得到的拷贝场数据转化到波束域空间。
步骤3：在波束域中进行波束滤波，限制或跟踪特定方向的声信号，合理选取波束积分宽度。
步骤4：在波束域中进行稀疏迭代，将在波束域上的定位问题转化为具有稀疏约束的欠定方程求解问题，并采用稀疏贝叶斯学习更新公式进行迭代求解。
步骤5：依据迭代结果输出声源估计位置。
进一步的：
步骤2所述的波束形成技术可描述为：
式中，为测量场的波束域数据，/>为拷贝场的波束域数据，为波束域上的噪声场数据，上标B表示波束域，M为选取的波束域角度个数。k为波数，zn为第n个阵元的深度，θ为波束指向角，若不进行波束角度限制，θ取值范围为-90°～90°。pdata(zn)为测量场第n个阵元的声压接收数据，/>为声源位于/>处，拷贝场的第n个阵元声压接收数据，/>为第l个快拍下声源的复振幅。
步骤3所述的合理选取波束积分宽度，方法为：当通过波束形成技术将声压场数据转化到波束域空间时可以得到波束指向图，其反映了阵列在不同方向上接收到信号能量的强弱，此时可以通过控制波束指向角θ的范围来选择合适的波束进行处理。如果为了限制来自海底反射波束，则可以使波束指向角小于某个值；而要限制来自海水直接传播的波束，则可以使波束指向角大于某个值。用户可以根据波束指向图和实际环境的失配类型来合理选取波束积分宽度。
步骤4所述的稀疏迭代更新公式可描述为：
式中，为γ中K个非零值对应的拷贝场字典向量组成的矩阵，上标+表示矩阵的摩尔-彭罗斯广义逆。尽管在稀疏贝叶斯框架中需要先假设K个声源，但实际声源个数并不受此限制，其性能对K不敏感，不需要进行稀疏度选择。/>为波束域的采样协方差矩阵，其中/>在实际处理中，当噪声方差小于某一阈值或者迭代达到最大次数时终止迭代，一般而言可取噪声阈值为0.001，最大迭代次数100。
与现有技术相比，本发明的有益效果是：
利用不同角度范围的波束受环境失配影响不同，通过在波束域上进行波束滤波和稀疏迭代使得在保证高分辨低旁瓣定位结果的同时，对环境失配具有更强的宽容性，有效提高了定位的鲁棒性。
此外和经典的稀疏贝叶斯学习匹配场方法相比，本发明提出的算法有着更快的运行速度，额外节省的时间来自于信号波束数目通常小于水听器的数量，这就使得相关性计算减少了几倍。本发明可应用于环境失配程度较高时场景下的水下声源被动定位问题。
附图说明
图1是基于匹配波束的稀疏贝叶斯学习水下声源定位方法流程图；
图2是实施例演示实验的环境示意图；
图3是实施例阵列接收信号的时频分析图；
图4是实施例波束指向图；
图5(a)是常规Bartlett匹配场算法定位结果；
图5(b)是经典的稀疏贝叶斯学习匹配场算法定位结果图；
图5(c)是本发明所提出算法的定位结果图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
本发明的思路是针对现有的稀疏贝叶斯学习匹配场定位算法是在声压空间上进行稀疏迭代，没有考虑到环境出现失配时的情况，本发明了提供一种环境宽容的高分辨匹配场定位算法。如图1所示，为基于匹配波束的稀疏贝叶斯学习水下声源定位方法流程图。该方法利用波束形成技术将阵列接收到的声压数据转化到波束域空间，并在波束域中限制或跟踪特定方向的声信号，将波束域内的定位问题转化为具有稀疏约束的欠定方程求解问题，最后通过稀疏贝叶斯学习更新公式进行迭代求解。具体实现包括以下步骤：
步骤1，输入相关参数并进行预处理。
依据先验知识，选用合适的声传播模型，并确定好网格划分以及声源搜索范围，输入阵列参数、阵列接收数据以及环境参数信息(海深、声速剖面、底质参数等)。同时对阵列接收数据进行预处理，通过时频分析等技术获取声源信号的频率信息。
步骤2，通过波束形成技术将阵列接收到的数据和由声传播模型计算得到的拷贝场数据转化到波束域空间。
对于N元垂直接收阵，当频率为f时，单个快拍数据可表示为：
式中，为第l个快拍下垂直阵列接收到的声压数据，/>为声源位于/>处产生的拷贝场声压数据，/>表示声源位置信息，/>为第l个快拍下声源的复振幅，/>为第l个快拍下的噪声数据。
测量场和拷贝场的波束域数据可由相应的声压场通过波束形成技术得到：
式中，为测量场的波束域数据，/>为拷贝场的波束域数据，上标B表示波束域，M为选取的波束域角度个数。k为波数，zn为第n个阵元的深度，θ为波束指向角，若不进行波束角度限制，θ取值范围为-90°～90°。pdata(zn)为测量场第n个阵元的声压接收数据，/>为声源位于/>处，拷贝场的第n个阵元声压接收数据。当从声压空间转化为波束域空间时，式(1)可改写作：
式中，为波束域上的噪声场数据，此时已将声压场数据转化到波束域空间。
步骤3，在波束域中进行波束滤波，限制或跟踪特定方向的声信号，合理选取波束积分宽度。
通过波束形成技术将声压场数据转化到波束域空间可以得到波束指向图，如图4所示，其反映了阵列在不同方向上接收到信号能量的强弱，此时可以通过控制波束指向角θ的范围来选择合适的波束进行处理。如果为了限制来自海底反射波束，则可以使波束指向角小于某个值，此外要限制来自海水直接传播的波束，则可以使波束指向角大于某个值。用户可以根据波束指向图和实际环境的失配类型来合理选取波束积分宽度，对于下文的演示案例而言，要限制来自海底的反射波束，波束指向角选择为0°～15°范围。
步骤4，在波束域中进行稀疏迭代，将在波束域上的定位问题转化为具有稀疏约束的欠定方程求解问题，并采用稀疏贝叶斯学习更新公式进行迭代求解超参数γ和σ2。
当声场存在多个声源，并假设声源数量为K，当快拍数为L时，可以得到：
Y(B)＝G(B)X+N(B) (5)
式中，为L次快拍下测量场的波束域数据，为波束域拷贝场字典，其中列向量/>表示声源在/>处计算得到的归一化拷贝场向量，D为待搜索区域所划分的网格点数。其中列向量/>表示第l个快拍下，在不同网格点上的声源复振幅，上标T表示向量转置。/>为波束域噪声数据。
在一般情况下水下声源个数是有限的，即D＞＞K，因此式(5)是一个具有稀疏约束的欠定方程组。水下声源定位问题可以转化为求解以下稀疏约束的欠定方程问题。
min||X||0s.t.Y(B)＝G(B)X+N(B) (6)
求解上述l0范数是一个经典的NP难题，采用稀疏贝叶斯学习算法在波束域中进行迭代求解。假设未知声源幅度服从均值为零的复高斯分布，且不同快拍数据相互独立，X的先验概率可由下式得到：
式中，Γ＝diag(γ1,...,γD)＝diag(γ)是对角协方差矩阵，其中向量γ是待搜索区域中所有网格点上的声源功率。假设波束域中的噪声满足零均值，方差为σ2的复高斯分布，根据贝叶斯理论可得到Y(B)的概率密度函数：
式中，协方差矩阵∑y＝σ2IM+(G(B))Γ(G(B))H，IM为M阶单位阵，通过最大化式(8)可求得超参数γd和σ2的值。
因此求导可得到声源功率γ和噪声方差σ2的迭代器：
式中，为γ中K个非零值对应的拷贝场字典向量组成的矩阵，上标+表示矩阵的摩尔-彭罗斯广义逆。尽管在稀疏贝叶斯框架中需要先假设K个声源，但实际声源个数并不受此限制，其性能对K不敏感，不需要进行稀疏度选择。/>为波束域的采样协方差矩阵，其中/>
在实际处理中，当噪声方差小于某一阈值或者迭代达到最大次数时终止迭代，一般而言可取噪声阈值为0.001，最大迭代次数100。
步骤5，依据迭代结果输出声源估计位置。
迭代终止时，取声源功率γ中前K个最大的峰值即对应声源位置。
下面结合实验对本发明的技术效果作详细的描述。
本实验采用1993年10月SACLANT研究中心在意大利厄尔巴岛北部浅海水域进行了一次海上试验，在试验过程中，只进行了声速剖面测量，而其余的环境参数未知，根据以前的试验记录，环境参数如图2所示。选择第26日试验测得的数据进行处理，其中声源发射连续的伪随机信号，中心频率为170Hz，-3dB带宽约12Hz，图3是阵列接收信号的时频分析图。声源被锚定在距离接收阵列5600±200m远，位于水下80±2m深度。接收阵列是一个48元垂直线列阵，第一个阵元位于水下18.7m，最后一个阵元位于水下112.7m，阵元间距2m。
由于在试验过程中并未测量底质参数，而仅采用了经验参考值，因此在匹配场定位中出现了严重的环境失配。图4为波束指向图，其反映了阵列在不同方向上接收到信号能量的强弱，为了减少地声参数失配的影响，将波束积分角设置在0°～15°之间以限制来自海底的反射波束。
图5(a)到图5(c)分别展示了不同算法的定位结果图，图中圆圈符号表示算法估计结果。图5(a)和图5(b)分别是常规的Bartlett匹配场算法和稀疏贝叶斯学习算法定位结果，其都有着较大的定位偏差，图5(c)是本发明所提方法的定位结果图，其深度定位结果为80m，距离定位结果为5800m，在允许的偏差内准确定位到了目标。可见在地声参数严重失配的场景下，常规的Bartlett匹配场算法和经典的稀疏贝叶斯学习算法都无法准确定位，而本发明提出的方法通过在波束域中进行波束滤波和稀疏迭代使得算法对环境失配具有更强的宽容性，有效提高了定位的鲁棒性。
同时本发明提出的算法较原有方法有着更快的运行速度，额外节省的时间来自于信号波束数目通常小于水听器的数量，这就使得相关性计算减少了几倍。本发明可应用于环境失配程度较高时场景下的水下声源被动定位问题。
Claims (3)
1.一种基于匹配波束的稀疏贝叶斯学习水下声源定位方法，其特征在于，包括如下步骤：
步骤1：依据先验知识，选择声传播模型，并确定好网格划分以及声源搜索范围；同时对阵列接收数据进行预处理，获取声源信号的频率信息；
步骤2：通过波束形成技术将阵列接收到的数据和由声传播模型计算得到的拷贝场数据转化到波束域空间；
步骤2所述的波束形成技术描述为：
式中，为测量场的波束域数据，/>为拷贝场的波束域数据，为波束域上的噪声场数据，上标B表示波束域，M为选取的波束域角度个数；k为波数，zn为第n个阵元的深度，θ为波束指向角，若不进行波束角度限制，θ取值范围为-90°～90°；pdata(zn)为测量场第n个阵元的声压接收数据，/>为声源位于/>处，拷贝场的第n个阵元声压接收数据，/>为第l个快拍下声源的复振幅；
步骤3：在波束域中进行波束滤波，限制或跟踪声信号，选取波束积分宽度；
步骤4：在波束域中进行稀疏迭代，将在波束域上的定位问题转化为具有稀疏约束的欠定方程求解问题，并采用稀疏贝叶斯学习更新公式进行迭代求解；
步骤5：依据迭代结果输出声源的估计位置。
2.根据权利要求1所述的一种基于匹配波束的稀疏贝叶斯学习水下声源定位方法，其特征在于：步骤3合理选取波束积分宽度，方法为：
当通过波束形成技术将声压场数据转化到波束域空间时得到波束指向图，其反映了阵列在不同方向上接收到信号能量的强弱，此时通过控制波束指向角的范围来选择波束进行处理；
如果为了限制来自海底反射波束，则使波束指向角小于某个值；而要限制来自海水直接传播的波束，则使波束指向角大于某个值；
用户根据波束指向图和实际环境的失配类型来合理选取波束积分宽度。
3.根据权利要求1所述的一种基于匹配波束的稀疏贝叶斯学习水下声源定位方法，其特征在于：步骤4所述的稀疏迭代更新公式描述为：
式中，为γ中K个非零值对应的拷贝场字典向量组成的矩阵，上标+表示矩阵的摩尔-彭罗斯广义逆；/>为波束域的采样协方差矩阵，其中/>当噪声方差小于阈值或者迭代达到最大次数时终止迭代。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310372679.6A CN116338574B (zh) | 2023-04-10 | 2023-04-10 | 一种基于匹配波束的稀疏贝叶斯学习水下声源定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310372679.6A CN116338574B (zh) | 2023-04-10 | 2023-04-10 | 一种基于匹配波束的稀疏贝叶斯学习水下声源定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116338574A CN116338574A (zh) | 2023-06-27 |
| CN116338574B true CN116338574B (zh) | 2023-09-19 |
Family
ID=86889362
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310372679.6A Active CN116338574B (zh) | 2023-04-10 | 2023-04-10 | 一种基于匹配波束的稀疏贝叶斯学习水下声源定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116338574B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108802683A (zh) * | 2018-05-30 | 2018-11-13 | 东南大学 | 一种基于稀疏贝叶斯学习的源定位方法 |
| CN108919240A (zh) * | 2018-04-23 | 2018-11-30 | 东南大学 | 一种基于组稀疏结构的水声目标辐射噪声调制谱重构方法 |
| CN111537955A (zh) * | 2020-04-02 | 2020-08-14 | 云知声智能科技股份有限公司 | 一种基于球麦克风阵列的多声源定位方法及装置 |
| CN113673419A (zh) * | 2021-08-19 | 2021-11-19 | 西北工业大学 | 适用于强干扰环境的波束域快速稀疏贝叶斯方位估计方法 |
| CN114296087A (zh) * | 2021-12-13 | 2022-04-08 | 哈尔滨工程大学 | 一种线上贝叶斯压缩水下成像方法及***、设备和介质 |
| CN115291169A (zh) * | 2022-08-04 | 2022-11-04 | 广东电网有限责任公司 | 一种声源成像方法、***、设备及存储介质 |
| WO2022247202A1 (zh) * | 2021-05-24 | 2022-12-01 | 清华大学 | 基于阵列测量和稀疏先验信息的声源辨识方法、*** |
| CN115859012A (zh) * | 2022-11-24 | 2023-03-28 | 哈尔滨工程大学 | 基于快速多快照无逆稀疏贝叶斯的水下doa和sap估计方法 |
-
2023
- 2023-04-10 CN CN202310372679.6A patent/CN116338574B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108919240A (zh) * | 2018-04-23 | 2018-11-30 | 东南大学 | 一种基于组稀疏结构的水声目标辐射噪声调制谱重构方法 |
| CN108802683A (zh) * | 2018-05-30 | 2018-11-13 | 东南大学 | 一种基于稀疏贝叶斯学习的源定位方法 |
| CN111537955A (zh) * | 2020-04-02 | 2020-08-14 | 云知声智能科技股份有限公司 | 一种基于球麦克风阵列的多声源定位方法及装置 |
| WO2022247202A1 (zh) * | 2021-05-24 | 2022-12-01 | 清华大学 | 基于阵列测量和稀疏先验信息的声源辨识方法、*** |
| CN113673419A (zh) * | 2021-08-19 | 2021-11-19 | 西北工业大学 | 适用于强干扰环境的波束域快速稀疏贝叶斯方位估计方法 |
| CN114296087A (zh) * | 2021-12-13 | 2022-04-08 | 哈尔滨工程大学 | 一种线上贝叶斯压缩水下成像方法及***、设备和介质 |
| CN115291169A (zh) * | 2022-08-04 | 2022-11-04 | 广东电网有限责任公司 | 一种声源成像方法、***、设备及存储介质 |
| CN115859012A (zh) * | 2022-11-24 | 2023-03-28 | 哈尔滨工程大学 | 基于快速多快照无逆稀疏贝叶斯的水下doa和sap估计方法 |
Non-Patent Citations (2)
| Title |
|---|
| 稀疏贝叶斯学习水声信道估计与脉冲噪声抑制方法;殷敬伟，高新博，韩笑，张晓，王大宇，张锦灿;声学学报;第第46卷卷(第第6期期);813-824 * |
| 稀疏贝叶斯学习远近场混合源定位方法;邱龙皓;梁国龙;王燕;王晋晋;;声学学报(第01期);1-11 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116338574A (zh) | 2023-06-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108802683B (zh) | 一种基于稀疏贝叶斯学习的源定位方法 | |
| Sazontov et al. | Matched field signal processing in underwater sound channels | |
| CN108226933B (zh) | 一种基于条纹干涉结构的深海宽带目标深度估计方法 | |
| CN108845325B (zh) | 拖曳线列阵声纳子阵误差失配估计方法 | |
| CN112285647B (zh) | 一种基于稀疏表示与重构的信号方位高分辨估计方法 | |
| CN111580079B (zh) | 一种基于单矢量水听器的水下运动目标最近接近距离估计方法 | |
| CN110673119A (zh) | 基于压缩感知的非正则化方位估计方法及*** | |
| Liu et al. | Multiple source localization using learning-based sparse estimation in deep ocean | |
| CN113866718B (zh) | 一种基于互质阵的匹配场被动定位方法 | |
| CN109783960B (zh) | 一种基于网格部分细化的波达方向估计方法 | |
| CN116338574B (zh) | 一种基于匹配波束的稀疏贝叶斯学习水下声源定位方法 | |
| Collin et al. | On spatial uncertainty in a surface long baseline positioning system | |
| Chen et al. | Optimization of the digital near-field beamforming for underwater 3-D sonar imaging system | |
| CN110133578B (zh) | 一种基于半圆柱体积阵的海底反射声线入射角度估计方法 | |
| Jin et al. | Semi-supervised underwater acoustic source localization based on residual convolutional autoencoder | |
| CN113093098B (zh) | 基于lp范数补偿的轴向不一致矢量水听器阵列测向方法 | |
| CN113075645B (zh) | 一种基于主成分分析-密度聚类的畸变阵形线谱增强方法 | |
| Ning et al. | A velocity independent MUSIC algorithm for DOA estimation | |
| CN111431575B (zh) | 基于常规波束形成的来波方向稀疏重构方法 | |
| CN110824484B (zh) | 一种基于恒模算法的阵元位置估计方法 | |
| Wang et al. | Sparse spectrum fitting algorithm using signal covariance matrix reconstruction and weighted sparse constraint | |
| Rajani et al. | Direction of arrival estimation by using artificial neural networks | |
| Jenkins et al. | Bayesian optimization with Gaussian process surrogate model for source localization | |
| Nie et al. | Multi-ping Reverberation Suppression Combined with Spatial Continuity of Target Motion | |
| Zhao et al. | Modified you-only-look-once model for joint source detection and azimuth estimation in a multi-interfering underwater acoustic environment |
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 |