基于时-频注意力机制网络的水声目标线谱增强

为提高被动声纳对水下低噪声安静型目标的检测,研究者开始关注基于深度学习的线谱增强方法,其中,基于LSTM的线谱增强网络由于同时具有时域和频域的非线性处理能力,具有很强的灵活性,然而其性能还需要进一步提升。为此,该文提出了基于时-频注意力机制的网络模型(TFA-Net),通过在LSTM模型的基础上同时增加时域注意力机制和频域注意力机制,充分利用了目标信号在时域和频域的双重重要特征,提升了对LOFAR谱的线谱增强效果。TFA-Net中的时域注意力机制利用LSTM隐藏状态之间的关联性,增加了模型在时域的注意力,频率注意力机制通过将深度残差收缩网络中收缩子网络的全链接层设计为1维卷积层,增加了模型在频域的注意力。相比于LSTM,TFA-Net具有更高的系统信噪比增益:在输入信噪比为–3 dB的情况下,将系统信噪比增益由2.17 dB提升到12.56 dB;在输入信噪比为–11 dB的情况下,将系统信噪比增益由0.71 dB提升到10.6 dB。仿真和实测数据的实验结果表明,TFA-Net可以有效提升LOFAR谱的线谱增强效果,解决低信噪比下水下目标的检测问题。

LOFAR浮标定位算法的仿真研究

LOFAR浮标是一种被动全向浮标,主要用于对潜搜索初始阶段。常用的定位算法很多,这些方法的基本思想是最大限度地利用LOFAR和CODAR分析得到的目标信息,通过粗测和细测交替进行的方法,最终精确得到目标参数。针对Doppler-CPA、LOFIX和HYFIX定位算法进行分析和仿真,结果表明这三种算法能够很好地实现对目标的检测,最终精确得到目标参数。

一种新的水声信号LOFAR谱图去噪处理方法

利用LOFAR谱提取水下目标辐射噪声线谱是水声目标检测的一项重要方法,但信号在水下复杂环境传输过程中会受到背景噪声干扰,影响目标线谱提取。本文从降低水下背景噪声干扰,增强目标线谱角度出发,提出一种基于背景均衡、形态学去噪和中值滤波的处理方法。通过抑制水下背景噪声的随机起伏,恢复LOFAR谱中被噪声湮没和幅值较低的线谱,保留线谱边缘。海试数据分析结果表明,该方法可滤除LOFAR谱图中大部分噪点,使线谱得到恢复和增强,有效降低水下环境噪声对线谱的影响。

基于长短时记忆网络的被动声纳目标信号LOFAR谱增强研究

将深度学习分类模型应用于水下目标识别取得了很多成果。水下目标检测是分类识别的前提与关键,使得基于深度学习的水下目标辐射噪声信号的检测研究逐渐引起人们的重视。因此,提出了将长短时记忆网络应用于水下目标的LOFAR谱,利用深度学习模型,学习LOFAR谱中的关键信息。试验结果表明,经过长短时记忆网络训练的LOFAR谱与未训练的LOFAR谱相比,水下目标信号的线谱检测能力更好。

基于高阶谱的 LOFAR 谱图特征在被动声纳信号自动识别中的应用

水下目标的特征提取一直是水声信号处理的难题．由于实际的声纳目标的发声机理和反射声波的机理十分复杂，成份多样，造成水声信号具有较强的非平稳性和非高斯性．为了提高对水下目标识别的正确识别率，突破以往研究中关于信号平稳性的假设和高斯性的假设，本文在简要介绍了ＬＯＦＡＲ谱图和高阶谱（ＨＯＳ）估计方法之后，提出了一种基于高阶谱的ＬＯＦＡＲ谱图特征的提取方法．该方法不仅不受高斯性假定的约束，也不受平稳性假定的约束．最后，用该方法对三类实际声纳信号进行了特征提取，取得了令人满意的分类识别效果．

基于深度卷积网络和卷积去噪自编码器的水声信号识别方法

针对复杂水声信号的分类识别问题,提出了一种新的网络模型结构,将卷积神经网络和卷积去噪自编码器结合到一起应用于水声信号Lofar谱的分类识别中。实验结果表明,该模型能够利用更少的参数学习更丰富的鲁棒性特征,目标识别的总体准确率达到81.2%,与传统卷积神经网络识别方法相比具有更高的识别准确率。

不连续距离特征量信息融合方法

浅海波导中低频声场存在稳定可观察的干涉结构,目标辐射噪声LOFAR图中呈现干涉条纹图案。从条纹中可以提取出距离特征量信息,它反映了目标运动过程中的距离变化率。由于外部环境的影响或运动态势的改变,LOFAR图中条纹有可能会短暂丢失。此时,基于波导不变条纹的距离特征量提取算法失效。提出了不连续距离特征量信息融合方法,在条纹丢失期间内保持对目标距离特征量轨迹的跟踪。仿真及海试数据处理结果验证了其可行性。

基于波导干涉条纹的目标距离特征量提取方法

浅海波导中目标辐射噪声LOFAR谱图存在明暗相间的干涉条纹,从中可以提取出目标距离特征量信息,它反映了目标运动过程中的距离变化率。低信噪比情况下,条纹特征不够清晰,提取的距离特征量值精度会降低。提出了一种边缘定向增强型偏微分方程去噪方法,对LOFAR谱图进行处理,使条纹特征更加明显。海试数据处理结果表明,去噪处理后提取出的距离特征量精度明显提高。为满足实时性需要,提出了基于CUDA的距离特征量实时处理方法,实验结果表明能大幅提高算法运行速度。

飞行器目标推进系统声信号特征提取研究

为了提取低空来袭的飞行器目标推进系统声信号的特征,分析了典型飞行器目标推进系统辐射噪声的信号特性,并建立了其推进系统辐射噪声的数学模型及被动声预警系统的接收信号模型.进而提出了基于Radon变换的LOFAR谱图线谱提取算法,以获取飞行器的推进器转速特征.通过对实测飞行器噪声数据的分析,验证了信号模型算法的合理性.

潜艇水下作战中目标距离信息提取研究

浅海波导中目标辐射噪声LOFAR谱图存在明暗相间的干涉条纹,从中可以提取出目标距离特征量信息,它反映了目标运动过程中的距离变化率。低信噪比情况下,条纹特征不够清晰,提取的距离特征量值精度会降低。提出了对LOFAR谱图进行图像处理,使条纹特征更加明显。海试数据处理结果表明,去噪处理后提取出的距离特征量精度明显提高。

基于1(1/2)谱的水中目标辐射噪声线谱估计方法

研究了一种基于信号112谱的时频分布图的水中目标辐射噪声的线谱估计方法。分析了112谱具有的性质,即抑制高斯噪声和对称分布噪声;加强信号的基频分量以及剔除非耦合相位的谐波分量。介绍了Lofar处理的特点和Lofar谱图的计算步骤。结合Lofar谱图和112谱的各自特点,提出了112谱图的处理方法。再利用图形学中的Radon变换,将谱图中的直线转换成Radon域中的峰值。得到峰值坐标后,可以计算谱图中的线谱频率等参数。仿真实例表明,该方法效果明显,比Lofar谱图具备更优的白噪声抑制能力。

基于四阶累量对角切片谱的线谱估计方法

研究了一种基于信号四阶累量对角切片谱的时频分布图的水中目标辐射噪声的线谱估计方法。分析了四阶累量对角切片谱具有的性质,即抑制高斯噪声和对称分布噪声;与功率谱具有相似的谱结构。介绍了Lofar处理的特点和Lofar谱图的计算步骤。结合Lo-far谱图和四阶累量对角切片谱的各自特点,提出了四阶累量对角切片谱图的处理方法。再利用图形学中的Radon变换,将谱图中的直线转换成Radon域中的峰值。得到峰值坐标后,可以计算谱图中的线谱频率等参数。仿真实例表明,该方法效果明显。

基于双对数谱和卷积网络的船舶辐射噪声分类

卷积层平移等变性与线性谱不适配,卷积网络对高维特征的长距离依赖建模能力不足。该文提出一种双对数谱特征用于船舶辐射噪声分类。双对数谱通过重新排列对数谱频点,保证高频端分辨率的同时,规避使用太深的卷积网络。利用双对数谱各行表征同一目标的先验知识,构建卷积网络和目标函数。DeepShip数据集上的试验结果表明,特征维数相同情况下,提出的算法分类正确率比以线性谱为输入的卷积网络提高2.4%以上。

基于联合稀疏的阵列信号LOFAR谱重构

LOFAR谱广泛应用于被动声纳的阵列信号分析系统,针对阵列信号采用基于稀疏贝叶斯概率模型的联合稀疏方法,可同时实现目标高分辨DOA估计和目标信号LOFAR谱重构。该方法通过对宽带信号不同频率对应的角度域进行对联合稀疏约束,在不牺牲角度分辨能力的前提下,对不同频率获得一致的空域响应,实现恒定束宽效果。基于阵列实测数据的实验表明,该方法相比常规波束形成方法,能够提高水下目标信号LOFAR谱重构质量,并能有效抑制干扰混叠。