CN117554966B - 一种用于全水域精准定位的声呐数据智能处理方法 - Google Patents
一种用于全水域精准定位的声呐数据智能处理方法 Download PDFInfo
- Publication number
- CN117554966B CN117554966B CN202410044554.5A CN202410044554A CN117554966B CN 117554966 B CN117554966 B CN 117554966B CN 202410044554 A CN202410044554 A CN 202410044554A CN 117554966 B CN117554966 B CN 117554966B
- Authority
- CN
- China
- Prior art keywords
- water area
- data
- sonar data
- sonar
- sampling
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 385
- 238000003672 processing method Methods 0.000 title claims abstract description 17
- 238000005070 sampling Methods 0.000 claims abstract description 307
- 230000002159 abnormal effect Effects 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims description 49
- 230000005856 abnormality Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 description 9
- 238000001914 filtration Methods 0.000 description 9
- 241000251468 Actinopterygii Species 0.000 description 7
- 238000001514 detection method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
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
- G01S15/02—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems using reflection of acoustic waves
- G01S15/06—Systems determining the position data of a target
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种用于全水域精准定位的声呐数据智能处理方法,包括:获取水域声呐数据序列;根据每个采样时刻的水域声呐数据的振幅波动异常可能性,获取每个采样时刻的水域声呐数据的异常数据可能性;根据每个采样时刻的水域声呐数据的目标邻域数据区间,获取每个采样时刻的水域声呐数据的振幅可信程度;根据每个采样时刻的水域声呐数据的滤波后振幅值,获取去噪后的水域声呐数据序列,以此实现声呐数据的定位。本发明使得通过声呐数据定位的目标物体的位置更精准。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种用于全水域精准定位的声呐数据智能处理方法。
背景技术
全水域声呐数据在海洋科学和相关领域中具有广泛的应用和重要意义;因此,获取能够较好体现水域目标的声呐数据非常重要;通过智能处理方法对全水域声呐数据进行去噪,能够有效提高数据质量,减少干扰噪音对声呐信号的影响,提高数据的可用性和可靠性,进而提供更准确的目标位置信息。
由于监测的声呐数据受到环境或者电子设备的干扰会出现数据失真,导致采用均值滤波进行去噪的过程中受到异常数据的干扰使得滤波结果不准确;由于受到鱼群等因素的影响导致会收集的声呐数据出现剧烈的变化,于是无法判断数据的变化是海底的正常变化还是受到鱼群的影响而出现的异常变化,从而导致滤波结果与真实数据之间存在较大的差异。
发明内容
为了解决上述问题,本发明提供一种用于全水域精准定位的声呐数据智能处理方法,所述方法包括:
获取水域声呐数据序列,水域声呐数据序列包括每个采样时刻的水域声呐数据,水域声呐数据包括振幅、频率和若干个声呐信号接收时间;
获取每个采样时刻的水域声呐数据的初始邻域数据区间;根据每个采样时刻的水域声呐数据与初始邻域数据区间内每个采样时刻的水域声呐数据之间的振幅差异,获取每个采样时刻的水域声呐数据的振幅波动异常可能性;根据每个采样时刻的水域声呐数据的振幅波动异常可能性,获取每个采样时刻的水域声呐数据的异常数据可能性;
根据每个采样时刻的水域声呐数据与初始邻域数据区间内每个采样时刻的水域声呐数据之间的异常数据可能性差异,获取每个采样时刻的水域声呐数据的目标邻域数据区间;根据每个采样时刻的水域声呐数据与目标邻域数据区间内每个采样时刻的水域声呐数据之间的频率差异、异常数据可能性以及每个声呐信号接收时间,获取每个采样时刻的水域声呐数据的振幅可信程度;
根据每个采样时刻的水域声呐数据的振幅可信程度,获取每个采样时刻的水域声呐数据的滤波后振幅值;根据每个采样时刻的水域声呐数据的滤波后振幅值,获取去噪后的水域声呐数据序列。
优选的,所述获取每个采样时刻的水域声呐数据的初始邻域数据区间,包括的具体方法为:
预设一个参数,将第/>个采样时刻的水域声呐数据的前/>个采样时刻的水域声呐数据和后/>个采样时刻的水域声呐数据组成数据区间,作为第/>个采样时刻的水域声呐数据的初始邻域数据区间。
优选的,所述根据每个采样时刻的水域声呐数据与初始邻域数据区间内每个采样时刻的水域声呐数据之间的振幅差异,获取每个采样时刻的水域声呐数据的振幅波动异常可能性,包括的具体方法为:
获取第个采样时刻的水域声呐数据的振幅波动程度;将第/>个采样时刻的水域声呐数据与第/>个采样时刻的水域声呐数据的初始邻域数据区间中第/>个采样时刻的水域声呐数据之间的皮尔逊相关系数,作为第/>个采样时刻的水域声呐数据与第/>个采样时刻的水域声呐数据的初始邻域数据区间中第/>个采样时刻的水域声呐数据之间的相关性;则第/>个采样时刻的水域声呐数据的振幅波动异常可能性的计算方法为:
式中,表示第/>个采样时刻的水域声呐数据的振幅波动程度;/>表示第/>个采样时刻的水域声呐数据的振幅波动异常可能性;/>表示第/>个采样时刻的水域声呐数据的初始邻域数据区间中所有采样时刻的水域声呐数据的振幅波动程度的平均值;/>表示第个采样时刻的水域声呐数据与第/>个采样时刻的水域声呐数据的初始邻域数据区间中第个采样时刻的水域声呐数据之间的相关性;/>表示第/>个采样时刻的水域声呐数据的初始邻域数据区间中第/>个采样时刻的水域声呐数据的振幅波动程度;/>为预设参数;/>表示取绝对值。
优选的,所述获取第个采样时刻的水域声呐数据的振幅波动程度,包括的具体方法为:
将第个采样时刻的水域声呐数据的振幅与第/>个采样时刻的水域声呐数据的振幅的差值绝对值,作为第/>个采样时刻的水域声呐数据的振幅波动程度。
优选的,所述根据每个采样时刻的水域声呐数据的振幅波动异常可能性,获取每个采样时刻的水域声呐数据的异常数据可能性的具体公式为:
式中,表示第/>个采样时刻的水域声呐数据的异常数据可能性。
优选的,所述根据每个采样时刻的水域声呐数据与初始邻域数据区间内每个采样时刻的水域声呐数据之间的异常数据可能性差异,获取每个采样时刻的水域声呐数据的目标邻域数据区间,包括的具体方法为:
预设两个阈值,获取第/>个采样时刻的水域声呐数据的初始邻域数据区间的扩张必要性,若第/>个采样时刻的水域声呐数据的初始邻域数据区间的扩张必要性大于阈值/>,则将第/>个采样时刻的水域声呐数据的前/>个采样时刻的水域声呐数据和后个采样时刻的水域声呐数据组成数据区间,作为第/>个采样时刻的水域声呐数据的目标邻域数据区间;若第/>个采样时刻的水域声呐数据的目标邻域数据区间的扩张必要性大于阈值/>,则将第/>个采样时刻的水域声呐数据的前/>个采样时刻的水域声呐数据和后/>个采样时刻的水域声呐数据组成数据区间,作为第/>个采样时刻的水域声呐数据的目标邻域数据区间;以此类推,直至第/>个采样时刻的水域声呐数据的目标邻域数据区间的扩张必要性小于或等于阈值/>;
若第个采样时刻的水域声呐数据的初始邻域数据区间的扩张必要性小于或等于阈值/>,则将第/>个采样时刻的水域声呐数据的初始邻域数据区间,作为第/>个采样时刻的水域声呐数据的目标邻域数据区间,/>为预设参数。
优选的,所述获取第个采样时刻的水域声呐数据的初始邻域数据区间的扩张必要性,包括的具体方法为:
在第个采样时刻的水域声呐数据的初始邻域数据区间中,将异常数据可能性大于阈值/>的所有采样时刻的水域声呐数据的总数量,作为第/>个采样时刻的水域声呐数据的初始邻域数据区间的第一数量;则第/>个采样时刻的水域声呐数据的初始邻域数据区间的扩张必要性的计算方法:
式中,表示第/>个采样时刻的水域声呐数据的初始邻域数据区间的扩张必要性;/>表示第/>个采样时刻的水域声呐数据的初始邻域数据区间中第/>个采样时刻的异常数据可能性;/>表示第/>个采样时刻的水域声呐数据与第/>个采样时刻的水域声呐数据的初始邻域数据区间中第/>个采样时刻的水域声呐数据之间的相关性;/>表示第/>个采样时刻的水域声呐数据的初始邻域数据区间的第一数量;/>为预设参数。
优选的,所述根据每个采样时刻的水域声呐数据与目标邻域数据区间内每个采样时刻的水域声呐数据之间的频率差异、异常数据可能性以及每个声呐信号接收时间,获取每个采样时刻的水域声呐数据的振幅可信程度的具体公式为:
式中,表示第/>个采样时刻的水域声呐数据的振幅可信程度;/>表示第/>个采样时刻的水域声呐数据的目标邻域数据区间中所有采样时刻的水域声呐数据的频率的方差;/>第/>个采样时刻的水域声呐数据的频率;/>示水域声呐数据序列中所有采样时刻的水域声呐数据的频率的平均值;/>表示第/>个采样时刻的水域声呐数据的所有声呐信号接收时间的总数量;/>表示第/>个采样时刻的水域声呐数据的第/>个声呐信号接收时间;/>表示第/>个采样时刻的水域声呐数据的所有声呐信号接收时间中的最小值;表示第/>个采样时刻的水域声呐数据的异常数据可能性;/>表示取绝对值。
优选的,所述根据每个采样时刻的水域声呐数据的振幅可信程度,获取每个采样时刻的水域声呐数据的滤波后振幅值的具体公式为:
式中,表示第/>个采样时刻的水域声呐数据的滤波后振幅值;/>表示第/>个采样时刻的水域声呐数据的目标邻域数据区间中所有采样时刻的水域声呐数据的总数量;/>表示第/>个采样时刻的水域声呐数据的目标邻域数据区间中第/>个采样时刻的水域声呐数据的振幅可信程度;/>表示第/>个采样时刻的水域声呐数据的目标邻域数据区间中第/>个采样时刻的水域声呐数据的振幅。
优选的,所述根据每个采样时刻的水域声呐数据的滤波后振幅值,获取去噪后的水域声呐数据序列,包括的具体方法为:
将水域声呐数据序列中每个采样时刻的水域声呐数据的滤波后振幅值,作为水域声呐数据序列中每个采样时刻的水域声呐数据的振幅后,并记为去噪后的水域声呐数据序列。
本发明的技术方案的有益效果是:本发明根据每个采样时刻的水域声呐数据的振幅波动异常可能性,获取每个采样时刻的水域声呐数据的异常数据可能性,以此区分异常数据,避免异常数据的干扰,使得去噪后的水域声呐数据更准确;根据每个采样时刻的水域声呐数据的异常数据可能性和每个声呐信号接收时间以及与目标邻域数据区间内每个采样时刻的水域声呐数据之间的频率差异,获取每个采样时刻的水域声呐数据的振幅可信程度,以此区分确定数据的变化是由海底的正常变化还是受到鱼群的影响,使得滤波去噪后的水域声呐数据更加贴合真实数据,进而使得通过声呐数据定位的目标物体的位置更精准。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种用于全水域精准定位的声呐数据智能处理方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种用于全水域精准定位的声呐数据智能处理方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种用于全水域精准定位的声呐数据智能处理方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种用于全水域精准定位的声呐数据智能处理方法的步骤流程图,该方法包括以下步骤:
步骤S001:获取水域声呐数据序列。
需要说明的是,多波束声呐能够同时发射多个声波束,并接收多个回波信号;通过对多个声波束的回波进行处理,可以提供更详细的海底地形和目标信息;通过分析多个声波束的回波信号,可以实现对多个目标的同时探测和定位,提高目标搜索和追踪的效率和准确性的同时,还能够在较短的时间内获取大量的数据;通过并行处理多个声波束的回波信号,可以快速采集和处理海底数据,实现实时或近实时的数据获取和分析。
具体的,首先需要采集水域声呐数据序列,具体过程为:
利用多波束声呐装置每隔0.01秒为一个采样时刻,每次依次采集获取同一目标物体水域位置的振幅、频率和若干个声呐信号接收时间这三种维度数据种类,共采集3分钟;将所有采样时刻的水域声呐数据组成的数据序列作为水域声呐数据序列;其中,每个采样时刻的水域声呐数据包括振幅、频率和若干个声呐信号接收时间和这三种维度数据。
至此,通过上述方法得到水域声呐数据序列。
步骤S002:根据每个采样时刻的水域声呐数据的振幅波动异常可能性,获取每个采样时刻的水域声呐数据的异常数据可能性。
需要说明的是,利用水域声呐数据序列中每个采样时刻的振幅与相邻数据之间的关系判断数据异常的可能性,利用数据频率特征之间的关系判断数据是否属于正常变化,结合与接收时间之间的关系判断正常变化的数据的反应海底数据的真实情况,从而确定了数据可信程度;通过对声呐数据特征进行分析避免由于鱼群的影响导致将海底的声呐信号变化视为正常变化,提高海底声呐数据表示的准确程度。
1.获取水域声呐数据序列中每个采样时刻的水域声呐数据的振幅波动异常可能性。
需要说明的是,由于相邻水域声呐数据前后由于发射信号之间的时间短暂,从而船的位置、信号所处的环境等因素几乎保持不变,从而前后的环境数据的差异变化小,从而相邻发射次数内收集到的振幅具有一定的联系;利用这种关系判断数据异常的可能性;由于水域中的同一位置到声呐放生装置之间的距离相近,而声呐的发射频率密集,从而使得采集的数据受到环境的影响相同,从而数据相近,整体表现为在一定范围内波动,因此,范围内波动的幅度越大表明数据异常的可能性越大。
预设一个参数,其中本实施例以/>为例进行叙述,本实施例不进行具体限定,其中/>根据具体实施情况而定。
具体的,对于水域声呐数据序列中第个采样时刻的水域声呐数据,将第/>个采样时刻的水域声呐数据的前/>个采样时刻的水域声呐数据和后/>个采样时刻的水域声呐数据组成数据区间,作为第/>个采样时刻的水域声呐数据的初始邻域数据区间;将第/>个采样时刻的水域声呐数据与第/>个采样时刻的水域声呐数据的初始邻域数据区间中第/>个采样时刻的水域声呐数据之间的皮尔逊相关系数,作为第/>个采样时刻的水域声呐数据与第/>个采样时刻的水域声呐数据的初始邻域数据区间中第/>个采样时刻的水域声呐数据之间的相关性;则水域声呐数据序列中第/>个采样时刻的水域声呐数据的振幅波动异常可能性的计算方法为:
式中,表示第/>个采样时刻的水域声呐数据的振幅波动程度;/>表示第/>个采样时刻的水域声呐数据的振幅;/>表示第/>个采样时刻的水域声呐数据的振幅;/>表示第/>个采样时刻的水域声呐数据的振幅波动异常可能性;/>表示第/>个采样时刻的水域声呐数据的初始邻域数据区间中所有采样时刻的水域声呐数据的振幅波动程度的平均值;/>表示第/>个采样时刻的水域声呐数据与第/>个采样时刻的水域声呐数据的初始邻域数据区间中第/>个采样时刻的水域声呐数据之间的相关性;/>表示第/>个采样时刻的水域声呐数据的初始邻域数据区间中第/>个采样时刻的水域声呐数据的振幅波动程度;/>为预设参数;/>表示取绝对值。
需要说明的是,第个采样时刻的水域声呐数据的初始邻域数据区间包括第/>个采样时刻的水域声呐数据,第/>个采样时刻的水域声呐数据的振幅波动程度越大表现异常的可能性越大;该数据波动的程度与周围数据点波动程度之间的相似性越小,说明此次波动表现异常的可能性越大,从而第/>个采样时刻的水域声呐数据表现的振幅为异常数据的可能性越大;与其始邻域数据区间的波动程度平均水平之间的差异越大,说明第/>个采样时刻的水域声呐数据表现为异常波动的可能性越大,则第/>个采样时刻的水域声呐数据的振幅波动异常可能性越大。
至此,获得水域声呐数据序列中每个采样时刻的水域声呐数据的振幅波动异常可能性。
2. 获取水域声呐数据序列中每个采样时刻的水域声呐数据的异常数据可能性。
需要说明的是,尽管相邻发射次数内时间间隔差异很短,但由于船的运动导致监测的数据呈现一定的变化趋势,使得数据不止表现为在一定范围内波动;利用前后接受的声呐数据之间具有相关性,由此判断数据的异常变化可能性。
具体的,第个采样时刻的水域声呐数据的异常数据可能性的计算方法为:
式中,表示第/>个采样时刻的水域声呐数据的异常数据可能性;/>表示第/>个采样时刻的水域声呐数据的振幅波动异常可能性;/>表示第/>个采样时刻的水域声呐数据与第/>个采样时刻的水域声呐数据的初始邻域数据区间中第/>个采样时刻的水域声呐数据之间的相关性;/>为预设参数;/>表示取绝对值。
需要说明的是,表示第/>个采样时刻的水域声呐数据与初始邻域数据区间中数据之间的相似程度,该数据是否与周围数据呈现相同的规律性变化,该值越大说明第/>个采样时刻的水域声呐数据符合前后声呐数据的变化趋势,从而表现数据异常的可能性越小。
至此,通过上述方法得到水域声呐数据序列中每个采样时刻的水域声呐数据的异常数据可能性。
步骤S003:根据每个采样时刻的水域声呐数据的目标邻域数据区间,获取每个采样时刻的水域声呐数据的振幅可信程度。
1.获取水域声呐数据序列中每个采样时刻的水域声呐数据的目标邻域数据区间。
需要说明的是,根据每个采样时刻的水域声呐数据的初始邻域数据区间内每个数据为异常数据的可能性对初始邻域数据区间的大小进行调整;由于初始邻域数据区间内的异常数据数量偏多会导致滤波结果受异常数据影响严重,从而与实际值存在较大差异,因此需要对滤波的窗口进行调整,通过增大数据个数的方式减小异常数据对滤波的影响程度。通过判断对初始邻域数据区间进行扩张的必要性实现对滤波窗口的调整。利用初始邻域数据区间内异常数据的个数确定滤波窗口扩张的必要性。
预设两个阈值,其中本实施例以/>为例进行叙述,本实施例不进行具体限定,其中/>根据具体实施情况而定。
具体的,在第个采样时刻的水域声呐数据的初始邻域数据区间中,将异常数据可能性大于阈值/>的所有采样时刻的水域声呐数据的总数量,作为第/>个采样时刻的水域声呐数据的初始邻域数据区间的第一数量;则第/>个采样时刻的水域声呐数据的初始邻域数据区间的扩张必要性的计算方法:
式中,表示第/>个采样时刻的水域声呐数据的初始邻域数据区间的扩张必要性;/>表示第/>个采样时刻的水域声呐数据的初始邻域数据区间中第/>个采样时刻的异常数据可能性;/>表示第/>个采样时刻的水域声呐数据与第/>个采样时刻的水域声呐数据的初始邻域数据区间中第/>个采样时刻的水域声呐数据之间的相关性;/>表示第/>个采样时刻的水域声呐数据的初始邻域数据区间的第一数量;/>为预设参数。
进一步的,若第个采样时刻的水域声呐数据的初始邻域数据区间的扩张必要性大于阈值/>,则将第/>个采样时刻的水域声呐数据的前/>个采样时刻的水域声呐数据和后/>个采样时刻的水域声呐数据组成数据区间,作为第/>个采样时刻的水域声呐数据的目标邻域数据区间;若第/>个采样时刻的水域声呐数据的目标邻域数据区间的扩张必要性大于阈值/>,则将第/>个采样时刻的水域声呐数据的前/>个采样时刻的水域声呐数据和后/>个采样时刻的水域声呐数据组成数据区间,作为第/>个采样时刻的水域声呐数据的目标邻域数据区间;以此类推,直至第/>个采样时刻的水域声呐数据的目标邻域数据区间的扩张必要性小于或等于阈值/>。
若第个采样时刻的水域声呐数据的初始邻域数据区间的扩张必要性小于或等于阈值/>,则将第/>个采样时刻的水域声呐数据的初始邻域数据区间,作为第/>个采样时刻的水域声呐数据的目标邻域数据区间。
其中,所述目标邻域数据区间的扩张必要性的计算方法与初始邻域数据区间的扩张必要性的计算方法一致。
至此,获得水域声呐数据序列中每个采样时刻的水域声呐数据的目标邻域数据区间。
2.获取水域声呐数据序列中每个采样时刻的水域声呐数据的振幅可信程度。
需要说明的是,对每个采样时刻的水域声呐数据的初始邻域数据区间进行调整后通过增大数据个数降低异常数据对滤波造成的影响,还可以通过降低异常数据对当前滤波影响的权重,通过分配更小的权重使得数据更加准确;因此结合接收声呐信号的频率特征判断振幅的可信程度;利用数据在时间特征上的关系判断监测的数据是否存在多路径效应,由此确定振幅的可信程度;利用可信程度确定权重,提高滤波效果。
进一步需要说明的是,由于频率只受到振源的影响,因此发生声呐在水域的传播过程中频率不会发生改变;如果声呐数据的频率出现较大差异说明该频率表现为异常的可能性越大,从而数据的可信度越小,振幅表现异常的可能性越大,可信度越小;由于鱼群的存在会导致声呐存在明显多路径效应明显,利用同一位置接收到的声呐数据在时间上的差异判断数据的异常可能性;在浅水区,由于水的深度相对较浅,大多数鱼群都在浅水区活动,导致信号与水面之间存在多个反射路径,增加了多路径效应的可能性;在深水区,由于水的深度较大,底部与水面之间的反射少,降低了多路径效应的发生;如果接收到的声呐数据中存在多个时间,则表明声呐信号发生了多次散射、反射、折射,从而说明信号在水中传播时存在多条路径,该检测数据受到浅水区鱼群干扰的可能性越大,表现为海底数据的可能性越小,从而数据异常的可能性越小;利用不同路径上的信号需要经过不同的传播距离,因此会导致信号到达接收器的时间上存在差异;当信号经过直接路径传播时,它会最先到达接收器;而当信号经过反射或散射路径传播时,由于传播距离较长,信号到达接收器的时间会相对较晚;利用时间上是否存在延迟判断是否存在多路径效应,从而确定数据的可信程度。
具体的,第个采样时刻的水域声呐数据的振幅可信程度的计算方法为:
式中,表示第/>个采样时刻的水域声呐数据的振幅可信程度;/>表示第/>个采样时刻的水域声呐数据的目标邻域数据区间中所有采样时刻的水域声呐数据的频率的方差;/>第/>个采样时刻的水域声呐数据的频率;/>示水域声呐数据序列中所有采样时刻的水域声呐数据的频率的平均值;/>表示第/>个采样时刻的水域声呐数据的所有声呐信号接收时间的总数量;/>表示第/>个采样时刻的水域声呐数据的第/>个声呐信号接收时间;/>表示第/>个采样时刻的水域声呐数据的所有声呐信号接收时间中的最小值;表示第/>个采样时刻的水域声呐数据的异常数据可能性;/>表示取绝对值。
至此,通过上述方法得到水域声呐数据序列中每个采样时刻的水域声呐数据的振幅可信程度。
步骤S004:根据每个采样时刻的水域声呐数据的滤波后振幅值,获取去噪后的水域声呐数据序列,以此实现声呐数据的定位。
具体的,第个采样时刻的水域声呐数据的滤波后振幅值的计算方法为:
式中,表示第/>个采样时刻的水域声呐数据的滤波后振幅值;/>表示第/>个采样时刻的水域声呐数据的目标邻域数据区间中所有采样时刻的水域声呐数据的总数量;/>表示第/>个采样时刻的水域声呐数据的目标邻域数据区间中第/>个采样时刻的水域声呐数据的振幅可信程度;/>表示第/>个采样时刻的水域声呐数据的目标邻域数据区间中第/>个采样时刻的水域声呐数据的振幅。
进一步,将水域声呐数据序列中每个采样时刻的水域声呐数据的滤波后振幅值,作为水域声呐数据序列中每个采样时刻的水域声呐数据的振幅后,并记为去噪后的水域声呐数据序列,进而获得去噪后的水域声呐数据序列。
对去噪后的水域声呐数据序列中每个采样时刻的水域声呐数据的振幅使用振幅积分法,获取每个采样时刻的目标物体与声呐之间的距离,将所有采样时刻的目标物体与声呐之间的距离的平均值,作为目标物体与声呐的最终距离,根据目标物体与声呐的最终距离定位目标物体,进而实现声呐数据的定位。
至此,本实施例完成。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种用于全水域精准定位的声呐数据智能处理方法,其特征在于,该方法包括以下步骤:
获取水域声呐数据序列,水域声呐数据序列包括每个采样时刻的水域声呐数据,水域声呐数据包括振幅、频率和若干个声呐信号接收时间;
获取每个采样时刻的水域声呐数据的初始邻域数据区间;根据每个采样时刻的水域声呐数据与初始邻域数据区间内每个采样时刻的水域声呐数据之间的振幅差异,获取每个采样时刻的水域声呐数据的振幅波动异常可能性;
所述根据每个采样时刻的水域声呐数据与初始邻域数据区间内每个采样时刻的水域声呐数据之间的振幅差异,获取每个采样时刻的水域声呐数据的振幅波动异常可能性,包括的具体方法为:
获取第个采样时刻的水域声呐数据的振幅波动程度;将第/>个采样时刻的水域声呐数据与第/>个采样时刻的水域声呐数据的初始邻域数据区间中第/>个采样时刻的水域声呐数据之间的皮尔逊相关系数,作为第/>个采样时刻的水域声呐数据与第/>个采样时刻的水域声呐数据的初始邻域数据区间中第/>个采样时刻的水域声呐数据之间的相关性;则第/>个采样时刻的水域声呐数据的振幅波动异常可能性的计算方法为:
式中,表示第/>个采样时刻的水域声呐数据的振幅波动程度;/>表示第/>个采样时刻的水域声呐数据的振幅波动异常可能性;/>表示第/>个采样时刻的水域声呐数据的初始邻域数据区间中所有采样时刻的水域声呐数据的振幅波动程度的平均值;/>表示第/>个采样时刻的水域声呐数据与第/>个采样时刻的水域声呐数据的初始邻域数据区间中第/>个采样时刻的水域声呐数据之间的相关性;/>表示第/>个采样时刻的水域声呐数据的初始邻域数据区间中第/>个采样时刻的水域声呐数据的振幅波动程度;/>为预设参数;/>表示取绝对值;
根据每个采样时刻的水域声呐数据的振幅波动异常可能性,获取每个采样时刻的水域声呐数据的异常数据可能性;
根据每个采样时刻的水域声呐数据与初始邻域数据区间内每个采样时刻的水域声呐数据之间的异常数据可能性差异,获取每个采样时刻的水域声呐数据的目标邻域数据区间;
所述根据每个采样时刻的水域声呐数据与初始邻域数据区间内每个采样时刻的水域声呐数据之间的异常数据可能性差异,获取每个采样时刻的水域声呐数据的目标邻域数据区间,包括的具体方法为:
预设两个阈值,获取第/>个采样时刻的水域声呐数据的初始邻域数据区间的扩张必要性,若第/>个采样时刻的水域声呐数据的初始邻域数据区间的扩张必要性大于阈值/>,则将第/>个采样时刻的水域声呐数据的前/>个采样时刻的水域声呐数据和后/>个采样时刻的水域声呐数据组成数据区间,作为第/>个采样时刻的水域声呐数据的目标邻域数据区间;若第/>个采样时刻的水域声呐数据的目标邻域数据区间的扩张必要性大于阈值/>,则将第/>个采样时刻的水域声呐数据的前/>个采样时刻的水域声呐数据和后/>个采样时刻的水域声呐数据组成数据区间,作为第/>个采样时刻的水域声呐数据的目标邻域数据区间;以此类推,直至第/>个采样时刻的水域声呐数据的目标邻域数据区间的扩张必要性小于或等于阈值/>;
若第个采样时刻的水域声呐数据的初始邻域数据区间的扩张必要性小于或等于阈值,则将第/>个采样时刻的水域声呐数据的初始邻域数据区间,作为第/>个采样时刻的水域声呐数据的目标邻域数据区间,/>为预设参数;
根据每个采样时刻的水域声呐数据与目标邻域数据区间内每个采样时刻的水域声呐数据之间的频率差异、异常数据可能性以及每个声呐信号接收时间,获取每个采样时刻的水域声呐数据的振幅可信程度;
所述根据每个采样时刻的水域声呐数据与目标邻域数据区间内每个采样时刻的水域声呐数据之间的频率差异、异常数据可能性以及每个声呐信号接收时间,获取每个采样时刻的水域声呐数据的振幅可信程度的具体公式为:
式中,表示第/>个采样时刻的水域声呐数据的振幅可信程度;/>表示第/>个采样时刻的水域声呐数据的目标邻域数据区间中所有采样时刻的水域声呐数据的频率的方差;/>第/>个采样时刻的水域声呐数据的频率;/>示水域声呐数据序列中所有采样时刻的水域声呐数据的频率的平均值;/>表示第/>个采样时刻的水域声呐数据的所有声呐信号接收时间的总数量;/>表示第/>个采样时刻的水域声呐数据的第/>个声呐信号接收时间;/>表示第/>个采样时刻的水域声呐数据的所有声呐信号接收时间中的最小值;/>表示第/>个采样时刻的水域声呐数据的异常数据可能性;/>表示取绝对值;
根据每个采样时刻的水域声呐数据的振幅可信程度,获取每个采样时刻的水域声呐数据的滤波后振幅值;根据每个采样时刻的水域声呐数据的滤波后振幅值,获取去噪后的水域声呐数据序列。
2.根据权利要求1所述一种用于全水域精准定位的声呐数据智能处理方法,其特征在于,所述获取每个采样时刻的水域声呐数据的初始邻域数据区间,包括的具体方法为:
预设一个参数,将第/>个采样时刻的水域声呐数据的前/>个采样时刻的水域声呐数据和后/>个采样时刻的水域声呐数据组成数据区间,作为第/>个采样时刻的水域声呐数据的初始邻域数据区间。
3.根据权利要求1所述一种用于全水域精准定位的声呐数据智能处理方法,其特征在于,所述获取第个采样时刻的水域声呐数据的振幅波动程度,包括的具体方法为:
将第个采样时刻的水域声呐数据的振幅与第/>个采样时刻的水域声呐数据的振幅的差值绝对值,作为第/>个采样时刻的水域声呐数据的振幅波动程度。
4.根据权利要求1所述一种用于全水域精准定位的声呐数据智能处理方法,其特征在于,所述根据每个采样时刻的水域声呐数据的振幅波动异常可能性,获取每个采样时刻的水域声呐数据的异常数据可能性的具体公式为:
式中,表示第/>个采样时刻的水域声呐数据的异常数据可能性。
5.根据权利要求1所述一种用于全水域精准定位的声呐数据智能处理方法,其特征在于,所述获取第个采样时刻的水域声呐数据的初始邻域数据区间的扩张必要性,包括的具体方法为:
在第个采样时刻的水域声呐数据的初始邻域数据区间中,将异常数据可能性大于阈值的所有采样时刻的水域声呐数据的总数量,作为第/>个采样时刻的水域声呐数据的初始邻域数据区间的第一数量;则第/>个采样时刻的水域声呐数据的初始邻域数据区间的扩张必要性的计算方法:
式中,表示第/>个采样时刻的水域声呐数据的初始邻域数据区间的扩张必要性;/>表示第/>个采样时刻的水域声呐数据的初始邻域数据区间中第/>个采样时刻的异常数据可能性;/>表示第/>个采样时刻的水域声呐数据与第/>个采样时刻的水域声呐数据的初始邻域数据区间中第/>个采样时刻的水域声呐数据之间的相关性;/>表示第/>个采样时刻的水域声呐数据的初始邻域数据区间的第一数量;/>为预设参数。
6.根据权利要求1所述一种用于全水域精准定位的声呐数据智能处理方法,其特征在于,所述根据每个采样时刻的水域声呐数据的振幅可信程度,获取每个采样时刻的水域声呐数据的滤波后振幅值的具体公式为:
式中,表示第/>个采样时刻的水域声呐数据的滤波后振幅值;/>表示第/>个采样时刻的水域声呐数据的目标邻域数据区间中所有采样时刻的水域声呐数据的总数量;/>表示第/>个采样时刻的水域声呐数据的目标邻域数据区间中第/>个采样时刻的水域声呐数据的振幅可信程度;/>表示第/>个采样时刻的水域声呐数据的目标邻域数据区间中第/>个采样时刻的水域声呐数据的振幅。
7.根据权利要求1所述一种用于全水域精准定位的声呐数据智能处理方法,其特征在于,所述根据每个采样时刻的水域声呐数据的滤波后振幅值,获取去噪后的水域声呐数据序列,包括的具体方法为:
将水域声呐数据序列中每个采样时刻的水域声呐数据的滤波后振幅值,作为水域声呐数据序列中每个采样时刻的水域声呐数据的振幅后,并记为去噪后的水域声呐数据序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410044554.5A CN117554966B (zh) | 2024-01-12 | 2024-01-12 | 一种用于全水域精准定位的声呐数据智能处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410044554.5A CN117554966B (zh) | 2024-01-12 | 2024-01-12 | 一种用于全水域精准定位的声呐数据智能处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117554966A CN117554966A (zh) | 2024-02-13 |
CN117554966B true CN117554966B (zh) | 2024-03-19 |
Family
ID=89817034
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410044554.5A Active CN117554966B (zh) | 2024-01-12 | 2024-01-12 | 一种用于全水域精准定位的声呐数据智能处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117554966B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104991288A (zh) * | 2015-07-09 | 2015-10-21 | 大连海事大学 | 一种基于声呐电磁协同探测技术的海洋沉潜油检测***及方法 |
CN106324583A (zh) * | 2016-08-25 | 2017-01-11 | 哈尔滨工程大学 | 一种矢量阵被动声呐异常数据在线剔除方法 |
CN109856639A (zh) * | 2019-02-28 | 2019-06-07 | 安庆师范大学 | 基于物联网的长江江豚被动声呐定位和追踪***及方法 |
CN113848556A (zh) * | 2021-09-28 | 2021-12-28 | 哈尔滨工程大学 | 基于多波束测深声呐波束图像的水深范围快速提取方法 |
CN114627367A (zh) * | 2022-05-17 | 2022-06-14 | 国家***北海海洋技术保障中心 | 一种侧扫声呐图像的海底线探测方法 |
CN117289283A (zh) * | 2023-03-09 | 2023-12-26 | 西安启驰电子信息技术有限公司 | 基于声呐的环境异常检测方法及*** |
-
2024
- 2024-01-12 CN CN202410044554.5A patent/CN117554966B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104991288A (zh) * | 2015-07-09 | 2015-10-21 | 大连海事大学 | 一种基于声呐电磁协同探测技术的海洋沉潜油检测***及方法 |
CN106324583A (zh) * | 2016-08-25 | 2017-01-11 | 哈尔滨工程大学 | 一种矢量阵被动声呐异常数据在线剔除方法 |
CN109856639A (zh) * | 2019-02-28 | 2019-06-07 | 安庆师范大学 | 基于物联网的长江江豚被动声呐定位和追踪***及方法 |
CN113848556A (zh) * | 2021-09-28 | 2021-12-28 | 哈尔滨工程大学 | 基于多波束测深声呐波束图像的水深范围快速提取方法 |
CN114627367A (zh) * | 2022-05-17 | 2022-06-14 | 国家***北海海洋技术保障中心 | 一种侧扫声呐图像的海底线探测方法 |
CN117289283A (zh) * | 2023-03-09 | 2023-12-26 | 西安启驰电子信息技术有限公司 | 基于声呐的环境异常检测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN117554966A (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hellequin et al. | Processing of high-frequency multibeam echo sounder data for seafloor characterization | |
CA2540596C (en) | Sonar system and process | |
CN111580048B (zh) | 一种利用单矢量水听器的宽带声源深度估计方法 | |
CN108957462B (zh) | 一种基于平坦海底的多波束水体数据处理方法 | |
CN116106875B (zh) | 岸基阵坐标联合校准方法、***、电子设备及存储介质 | |
FR3021411A1 (fr) | Contraintes conjointes de transitivite de differences temporelles et effet dopler multibandes pour la separation, caracterisation, et localisation de sources sonores par acoustique passive | |
Mellema | Improved active sonar tracking in clutter using integrated feature data | |
CN117554966B (zh) | 一种用于全水域精准定位的声呐数据智能处理方法 | |
CN116609758B (zh) | 一种机载激光测深波形旅行时提取方法 | |
CN117233737A (zh) | 主动目标深度估计方法、装置、计算机设备和存储介质 | |
Baldacci et al. | Signal processing for an active sonar system suitable for advanced sensor technology applications and environmental adaptation schemes | |
WO2004111674A2 (en) | Estimation of background noise and its effect on sonar range estimation | |
Preston et al. | Non-Rayleigh reverberation characteristics near 400 Hz observed on the New Jersey Shelf | |
WO2005006009A2 (en) | Noise adaptive sonar signal processor | |
CN112466330B (zh) | 一种多途信道下噪声源的声源级估计方法 | |
CN113126029B (zh) | 适用于深海可靠声路径环境的多传感器脉冲声源定位方法 | |
Bénard et al. | Highly defined whale group tracking by passive acoustic Stochastic Matched Filter | |
Caudal et al. | Stochastic Matched Filter outperforms Teager-Kaiser-Mallat for tracking a plurality of sperm whales | |
Wang et al. | Track Before Detect for Low Frequency Active Towed Array Sonar | |
CN117607876B (zh) | 一种被动声纳多波束窄带信号检测方法及*** | |
CN111273303B (zh) | 双基地声纳强直达波干扰下目标微弱散射信号检测的方法 | |
Ru-hang et al. | An improved prewhitening method for LFM reverberation in shallow sea using frequency focusing transformation | |
Tang et al. | A Multibeam Underwater Terrain Modeling Algorithm Based on Echo Energy Distribution Gradient | |
Midtgaard et al. | Estimation of detection/classification performance using interferometric sonar coherence | |
Bénard-Caudal et al. | Highly defined whale group tracking by passive acoustic stochastic matched filter |
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 |