利用深层卷积网络自适应增强学习的水声目标线谱提取方法

提出了一种使用自适应增强学习的深层卷积神经网络方法对水声目标线谱进行提取。该方法利用构造的多尺度ConvNeXt算子建立滑动窗深层卷积神经网络模型(SwDCNN),设计涵盖损失函数、学习率更新和模型迭代优化的自适应增强学习准则并用于模型训练。仿真和海试数据验证结果表明,所提方法有以下优点:(1)卷积算子和模型结构参数按线谱提取需求配置,可以增强LOFAR谱图特征高性能多分辨力挖掘能力;(2)大规模数据下的模型训练可实现渐进式精确拟合,有助于提升模型收敛效果;(3)模型可有效提取低信噪比、中断、弯曲漂移、粗细不均、邻近成簇、密集分布等复杂情况下的线谱,在查全率、查准率、虚警率、线谱位置精度(LLA)和线谱幅值精度(LAA)等指标上均优于文中其他深度神经网络方法;(4)和传统及其他文中所用的深度神经网络方法相比,线谱最小可检测信噪比分别降低超过5 dB和2 dB,实际复杂场景线谱提取能力更强,综合效果更好。

利用LOFAR谱图的二维傅里叶变换脊计算波导不变量

该文提出了利用被动声纳信号LOFAR谱图的二维傅里叶变换计算波导不变量的方法。在用简正波方法分析了两种典型波导的波导不变量分布情况的基础上,推导了利用LOFAR谱图二维傅里叶变换脊计算波导不变量的公式。运用该公式仿真计算了Pekeris波导和具有负跃层的浅海波导声场中声源深度从10m变化到90m时的波导不变量值,经过与南海试验数据的计算对比,两者计算结果相符。与简正波方法相比,该方法不需要精确了解海洋环境参数,同时避免了复杂的微分方程求解运算,更适合于信号的实时处理。

基于人工智能的线谱检测技术

本文主要讨论在被动声呐中窄带信号的自动检测问题 ,通过模拟声呐兵在LOFAR图中检测和提取谱线的双门限检测过程 ,提出了低信噪比下自动检测线谱的智能方法。此方法将线谱识别、线谱检测和线谱跟踪融合在一起 ,能在低信噪比和不知道窄带信号的数量、起止时间的情况下 ,自动地以高检测概率和低虚警概率检测线谱。

基于声场干涉结构的双水平阵(元)被动测距

为探寻适用于拖曳线列阵声呐的被动测距方法,基于海洋波导的重要特征一低频声场具有稳定可观察的干涉结构,结合波导不变量理论提出了两种被动测距算法。采用双水平阵(元)模型,分别获得各阵(元)的LOFAR图和方位时间历程后,对LOFAR图进行Radorn变换提取干涉条纹的频率时间历程,进而结合各测距算法实现被动测距。并通过仿真研究和定位精度分析,验证了算法的可行性。

一种基于线谱特征函数提取LOFAR图线谱的方法

水声信号被动检测中广泛使用LOFAR图对接收信号进行处理和分析。针对LOFAR图中线谱信号检测问题,根据线谱信号特征设计特征函数,提出频域滑动窗线谱特征累积检测法。该方法在频率轴移动观察窗,用多步决策算法计算每个观察窗的最优解,得到最优路径,如果最优路径特征值大于阈值,则累积LOFAR图像素点被该最优路径经过的次数,次数越多对应点为线谱点的概率越大。仿真研究表明,该方法对频率时变、低信噪比的线谱信号具有良好的检测能力,可实现多根线谱的增强与检测。海试数据处理结果证明了该方法的可行性和稳健性。该算法对于辐射线谱信号的水下目标远距离探测识别有较高的参考价值。