一种基于三元阵的水下目标被动定位方法

提出了基于3个子阵接收信号间相关性度量的水下目标被动检测和定位方法,理论分析了该方法相对二元相关法在检测性能上的优势,并进行了检测性能和时延差估计精度方面的仿真检验。理论分析和仿真实验结果表明,与二元相关法相比,该方法在检测性能上具有不低于2 dB的优势,时延差估计精度有一定提高。

海底混响中基于前后向预测模型的信号检测

提出了一种基于径向基函数神经网络的具有更高建模精度的前后向预测模型,并用该模型对海底混响时间序列进行建模,以模型对于声纳接收信号的一步预测误差作为检验统计量,检测海底混响中的微弱目标回波信号.对湖试单频波束数据的处理结果表明,前后向预测模型对于波束信号包络的归一化预测误差比前向预测模型小约1个数量级,两种预测模型对于波束信号包络的预测误差都可以用作检验统计量,较好地检测出混响中的目标回波.

基于非线性AR模型的时间序列弱非线性检验方法

提出一种基于非线性AR模型相对预测误差的非线性检验量δNAR,采用替代数据法来检验时间序列中的弱非线性.以4种混沌时间序列为例,分析并比较了非线性检验量δNAR与非线性零阶预测误差δZP的弱非线性检验能力.结果表明,对4种混沌时间序列中的3种,非线性检验量δNAR都表现出比非线性零阶预测误差δZP更强的弱非线性检验能力,表明该非线性检验量具有较强的数据适应性,而且对于不同的数据,具有最佳非线性检验效果的参数比较固定.

基于混沌理论的海底混响中目标回波提取(英文)

提出了基于混沌理论的混响中目标回波提取新方法。该方法主要得益于一种新的预测模型,该模型基于径向基函数神经网络,综合利用了时间序列的前向和后向预测,解释了该模型用于混沌信号分离的基本原理,用几种混沌时间序列分析了该模型用于混沌信号建模和谐波信号提取的性能。该方法用于湖试混响中目标回波提取的结果表明:该模型可以用于提取信混比不小于1dB的目标回波。

基于RBF神经网络的混沌时间序列前后向联合预测模型

提出综合利用系统前向预测和后向预测对混沌时间序列进行建模,从物理学原理上解释了该模型相对于前向预测模型和后向预测模型的好处.计算机仿真结果表明:对于时间可逆性较好的混沌系统,前后向联合预测模型的建模性能比前向预测模型好,前向预测模型比后向预测模型预测性能好,但对于时间可逆性差的混沌系统,前后向联合预测模型的建模性能较前向预测模型略差,而后向预测模型比前向预测模型的预测性能差了很多.

主动声纳中目标回波的一种非线性提取方法

介绍了一种混沌时间序列的非线性动力学降噪方法——变尺度概率净化法,并将之优化应用于混响背景下目标回波的提取。该方法以近似条件下不含目标回波的混响数据作为参考,使目标回波分离后的混响背景数据与参考混响数据在相空间上具有一致的概率分布,从而实现目标回波的提取。在信混比不低于6dB的情况下,该方法具有较好的目标回波提取效果。文中对算法作了一些改进,降低了算法的运算量和运行所需计算机内存,而降噪性能并没有下降。

基于RBF神经网络模型的混沌背景下谐波信号提取

在混沌时间序列前后向联合预测模型的基础上,提出前后向联合迭代预测模型并将之用于混沌背景下谐波信号的提取.对前后向联合迭代预测模型与前向预测模型的仿真实验对比研究表明,在叠加谐波信号幅度和频率不过小的情况下,前后向联合迭代预测模型在连续类混沌背景下的谐波信号提取性能较前向预测模型好,而在离散类混沌背景下的谐波信号提取效果都很差,但仍可用于检测微弱谐波信号.

主动声纳中混响干扰的一种非线性抑制方法

本文介绍了一种基于混沌理论的非线性动力学信号分离方法——变尺度概率净化法,并将之优化应用于主动声纳目标检测中混响干扰的抑制。该方法以近似条件下不含目标回波的纯混响数据作为参考信号,使目标回波分离后的混响背景数据与参考混响数据在相空间上具有一致的概率分布,使目标回波与混响背景适度分离,从而实现对混响干扰的抑制。在信混比较高的情况下,该方法具有较好的混响抑制效果。另外,论文对算法作了一些改进,降低了算法的运算量和运行所需内存,而分离性能并没有下降。

探雷声纳背景图像仿真的快速实现

为了真实地模拟海底背景,提出了一种适用于探雷声纳模拟训练的背景图像仿真快速实现方法,该方法将声波照射三维起伏海底掠射角的随机性体现在海底底质的比例系数中,可以逼真地仿真出各种起伏海底的背景图像,仿真计算时间小于探雷声纳最小重复周期,满足了探雷声纳模拟训练的需要。

基于局部几何投影法的信号分离技术

文章介绍了局部几何投影法的主要技术思路 ,提出新的覆盖修正方法和信号分离效果度量。应用该方法对理想混沌信号与调幅正弦脉冲进行分离以及对实测的湖底混响与调幅正弦脉冲进行分离。结果表明 :在一定条件下 ,局部几何投影法对于理想混沌信号与脉冲信号的分离很有效 ;对实际的混响信号与某些脉冲信号的分离效果也非常好 。

基于声兼容性分析的主动声纳频率间隔优化方法

为了减小单平台和编队平台之间主动声纳对其他声纳的干扰,提出了基于声兼容性分析的声纳频率间隔优化方法。该方法从声兼容性分析的角度出发,首先将受扰声纳放大器输出干扰幅度和检测与跟踪波束域干噪比作为衡量声纳受扰程度的两类关键指标,建立了其计算模型,并通过水池实验验证了模型核心部分的准确性;然后,分析了这两类指标与声纳之间工作频率间隔的关系,提出了基于这两类指标的声纳频率间隔优化方法。

预白化滤波器及其功率谱估计分析

本文简述了预白化滤波器的两种实现方法，进一步分析了频域方法中对于功率谱估计的要求，对几种功率谱估计方法进行了比较。在仿真试验中，平滑周期图法与周期图法在[p(ω）]^-1估计误差的方差上相差达四五个数量级。

基于改进的C-C方法的相空间重构参数选择

针对混沌时间序列相空间重构C-C方法的三点不足,提出了一种基于改进的C-C方法的确定最优时延与嵌入窗的新算法。在关联积分计算过程中引入了权衡计算精度与速度的可调参数,合理选择该参数,能在不严重损失估计精度的前提下,大大加快计算速度。在理论分析的基础上,用所提出的算法对三种混沌序列进行相空间重构,仿真结果表明该算法对最优时延的选择更准确,对最优嵌入窗的选取更可靠。

基于声压振速联合处理的矢量阵旋转不变子空间方位估计方法

为提高声矢量阵旋转不变子空间法方位估计性能,提出一种基于声压振速联合处理的算法.该算法构造了声矢量阵声压和组合振速的互协方差矩阵,将均匀间隔引导角下的系列互协方差矩阵取均值,作为引导角未知的互协方差矩阵,然后进行旋转不变子空间(ESPRIT)方位估计.仿真和试验结果表明,在低信噪比时该算法比现有常规算法有更好的性能.该算法基于矢量传感器声压和振速的相干性原理,充分利用声压振速组合指向性抗干扰能力,可以更好地抑制各向同性干扰,提高阵列的处理增益,从而有更好的方位估计性能.

基于奇异值分解的混沌时间序列Volterra预测

提出一种用于混沌时间序列预测的奇异值分解Volterra滤波器．在Volterra滤波系数计算过程中，采用奇异值分解的方法得到线性方程组的最小二乘解．4种混沌序列的预测实验表明：该滤波器对混沌流的预测性能远优于NLMS自适应Volterra滤波器，前者的一步预测相对误差比后者小3～4个数量级．

基于稀疏Volterra滤波器混沌时间序列自适应预测

针对混沌时间序列预测问题,提出了一种稀疏Volterra滤波器,该滤波器采用归一化最小均方自适应算法进行多次训练,每次训练只保留滤波系数矢量和输入信号矢量的有效分量进行下一次训练,从而将Volter-ra滤波器的有效滤波系数个数减至最少,降低了预测模型的复杂性。四种混沌时间序列的预测实验表明:该滤波器可同时实现对混沌流和混沌映射的建模与预测,可有效地减少滤波器的滤波系数个数,能在不损失预测精度的前提下,降低预测模型复杂性。

矢量阵两类阵处理方法研究

矢量阵扩展法阵处理实现了矢量阵与声压阵在形式上的统一,但在模型上对于振速对阵列性能影响的物理意义不够明晰。针对这一问题,分析扩展法阵列数据协方差矩阵构成,通过分块矩阵方法推导常规Bartlett波束形成方位谱表达式,实现了与矢量阵组合法阵处理的形式统一,使其具有清晰的物理含义,分析了扩展法不具有扩展孔径增益的原因,计算机仿真和湖试试验验证了理论分析结果。

基于Volterra滤波器的混沌背景弱信号检测

针对混沌背景弱信号检测问题,提出了一种基于Volterra滤波器的混沌背景弱信号检测算法。在Volterra滤波系数计算过程中,采用了解线性方程组算法代替原有的自适应算法,提高了混沌预测精度以及混沌背景中弱信号检测性能。仿真结果表明,本文所提出的算法在信混比达到-70dB时,仍能检测混沌背景中微弱信号。

基于宽带模糊函数的线性调频信号速度分辨力分析(英文)

速度分辨力是线性调频信号(LFM)的关键特性之一,其和LFM参数的现有定量关系是在窄带近似条件下基于窄带模糊函数的分析结果.在宽带声纳或者超宽带雷达应用中,窄带近似条件往往难以满足,现有速度分辨力和LFM参数的定量关系不再成立,而应在宽带条件下重新分析.本文在宽带条件下利用宽带模糊函数工具,建立了关于LFM参数的速度分辨力隐函数方程.由于该隐函数方程不能直接反映速度分辨力和LFM参数的定量关系,文中采用了一种数值分析方法.该方法将速度分辨力表示成各单参数函数的连乘形式,综合运用方程求根和曲线拟合方法,求出单参数函数关系,进而综合出速度分辨力的表达式.本文应用该方法分析给出了宽带条件下的速度分辨力和LFM参数的定量关系式.结果表明速度分辨力不仅和LFM的脉冲宽度以及中心频率参数有关,还与LFM的相对带宽参数有关.验证实验表明,与通常结论相比,本文给出的结论可准确表达宽带条件下的速度分辨力和LFM参数的定量关系.该定量关系为宽带条件下LFM的参数设计和性能分析建立了基础.

基于最小二乘支持向量机的混沌背景弱信号检测

将最小二乘支持向量机算法应用于混沌时间序列预测中,提出了一种基于最小二乘支持向量机的混沌背景弱信号检测算法。最小二乘支持向量机的训练过程遵循结构风险最小化原则,解决了传统机器学习的模型选择与过学习问题、局部极小问题等。仿真结果表明,本文算法在信混比达到-70 dB时,仍能检测混沌背景中微弱信号。