Analýza detekčního výkonu jednovektorového hydrofonního histogramu směrového algoritmu

Histogramový algoritmus a jednovektorový hydrofon má dobrou robustnost a výkon při odhadu cílového azimutu. Tento článek analyzuje a shrnuje výkon detekce cíle pomocí algoritmu histogramu a navrhuje autonomní detekci podvodních cílů na základě odhadu azimutu cíle. Algoritmus sledování, tento algoritmus může dosáhnout autonomní detekce přítomnosti nebo nepřítomnosti cílů ve vodě. Výsledky simulace a anechoic pool testu ukazují, že poměr signálu k šumu vyžadovaný algoritmem histogramu k dosažení autonomního sledování cíle musí být větší než -7 dB. V tomto okamžiku je chyba hledání směru asi 8◦ a šířka spektra −3 dB azimutu je asi 20◦. Analýza dat z námořních testů ukazuje, že algoritmus histogramu může dosáhnout plné detekce a sledování cíle do vzdálenosti 13,8 km pro povrchové plavidlo s rychlostí 8,4 kn, s optimální chybou hledání směru 5◦ a azimutem −3 dB na vzdálenost 2 km. Spektrální šířka může dosáhnout 10◦

 

 

Vektorový kanál vektorový hydrofonní senzor má frekvenčně nezávislou dipólovou směrovost a má schopnost odolávat izotropnímu šumovému rušení. Vektorový hydrofon může dosáhnout orientace bez rozmazání v celém prostoru, což poskytuje řešení pro detekci cíle na malých podvodních platformách vybavených podvodními akustickými senzory.

jeho výhoda prostoru. V posledních letech, s neustálým zlepšováním technologie vektorových hydrofonů, se také silně uplatňuje technologie zpracování vektorového signálu. Díky poptávce se rychle rozvíjí. Ve srovnání s konvenčními hydrofony akustického tlaku poskytují vektorové hydrofony komplexnější informace o zvukovém poli. Lze měřit pouze skalár zvukového pole a lze také získat vektorové charakteristiky zvukového pole, což značně rozšiřuje prostor pro zpracování signálu. Existuje mnoho algoritmů odhadu azimutu cíle založených na jednovektorových hydrofonech, obecně je lze rozdělit do dvou kategorií podle principu hledání směru: jednou je odhad azimutu založený na toku zvukové energie; druhý je pozorovat každý kanál vektorového hydrofonu. Jedná se o víceprvkové pole, každý prvek je přibližně ve stejné pozici v prostoru a stávající metoda zpracování signálu pole je aplikována na jediný vektorový hydrofon s využitím charakteristik vzoru toku pole samotného jediného vektorového hydrofonu. Různé algoritmy pro vyhledání cílového směru vektorového hydrofonu mají své výhody a nevýhody. Ve srovnání s jinými algoritmy má algoritmus středního histogramu lepší robustnost a výkon odhadu cílové orientace a má schopnost potlačit úzkopásmové a silné rušení spektra čar, což je zvláště vhodné pro inženýrské aplikace. Tento článek analyzuje a shrnuje algoritmus pro vyhledání směru histogramu založený na jednom vektorovém hydrofonu a navrhuje algoritmus autonomní detekce a sledování pro podvodní cíle na základě odhadu orientace cíle pomocí počítačové simulace, dat z měření anechoických bazénů a dat z mořských experimentů analyzovaných pomocí histogramu a grafu algoritmu detekce cíle.

 

 

1 Teoretický algoritmus

1.1 Algoritmus hledání směru histogramu

 

Algoritmus histogramu musí nejprve vypočítat odhady cílového azimutu v různých frekvenčních bodech a výraz výpočtu je

θ(f) = arktan Re ⟨P∗w(f) × Vyw(f)⟩ Re ⟨P∗w(f) × Vxw(f)⟩ = arktan ⟨Iy(i, f)

⟨Ix(i, f)⟩, (1) Ve vzorci (1) θ(f) představuje cílový azimut vypočítaný při různých frekvencích f a Pw, Vxw a Vyw představují akustický tlak vektorového hydrofonu v P a vibrace ve směru x. Rychlostní kanál a rychlostní kanál vibrací ve směru y shromažďují hodnoty spektra signálu a Ix a Iy představují tok akustické energie ve směru x, respektive ve směru y. Z rovnice (1) je vidět, že azimut cíle vypočítaný podle rovnice (1) souvisí s frekvencí f a odhady azimutu cíle v různých frekvenčních bodech jsou různé. Pro výpočet azimutu cíle v prostředí lze použít metodu odhadu cílového azimutu prostřednictvím histogramu. Úzkopásmové rušení a silné potlačení rušení čárového spektra, ale když je v prostředí více cílů. Když se frekvence vyzařovaného šumu vzájemně překrývají, metoda histogramu nemůže získat skutečný azimut každého cíle, pouze tok zvukové energie každého cíle.

 

Kombinovaná orientace bude vychýlena směrem k intenzivnější orientaci cíle. Statistika azimutu histogramu má počítat odhadovaný azimut cíle θ(f) v odpovídajícím intervalu azimutu podle počtu frekvenčních bodů. Je-li interval azimutu dělen 1◦, pak k = [θ(f) × 180/π], φ (k) = φ(k) + 1, (2) Ve vzorci (2) [] představuje operaci zaokrouhlení, k je hodnota získaná zaokrouhlením θ(f), jako je θ(f) 360, pak θ(f) 360, pak θ(f) 360, potom takže odhadovaný azimut cíle spadá do intervalu [0◦ 360◦), φ je frekvence odhadu azimutu v každém úhlu a hodnota úhlu odpovídající maximální hodnotě je odhadovaný azimut cíle.

 

1.2

Algoritmus pro autonomní detekci a sledování cíle

Autonomní detekční a sledovací algoritmus pro podvodní cíle založený na odhadu orientace cíle. Základní myšlenkou je provést statistickou analýzu orientace cíle odhadnuté algoritmem histogramu a porovnat statistiku orientace s přednastavenými prahovými hodnotami, což může nakonec realizovat autonomní detekci podvodních cílů a sledování. Vývojový diagram autonomní detekce a sledování cíle zahrnuje následujících pět kroků: (1) Nejprve použijte algoritmus jediného vektorového hydrofonního histogramu ke skenování celého prostorového směru, abyste získali odhadovaný azimut Ag přijímaného signálu; (2) Použít konstantní virtuální Detektor poplachu (detektor CA-CFAR) provádí konstantní zpracování falešných poplachů na orientaci cíle získanou v kroku (1); (3) Pokud detektor CA-CFAR vyhodnotí Ag jako orientaci cílového signálu, je hodnota Ag přiřazena matici AgT[ i], v opačném případě přiřaďte −1 matici AgT[i] (i = 1, 2, ·, N); (4) Pokud je počet hodnot matice AgT = −1 větší než AT (AT je přednastavený práh , AT

 

Výpočet střední kvadratické chyby StdAT, pokud je StdAT menší než prahová hodnota StdDT, usoudí se, že existuje cíl a cílová poloha je sledována, jinak opakujte kroky (1) až (4). Prostřednictvím výše uvedených 5 kroků lze dosáhnout autonomní detekce a sledování podvodních cílů. Princip zpracování CA-CFAR spočívá v tom, že při detekci a sledování určitého cíle v azimutu je vzhledem k nestacionární povaze mořského prostředí pravděpodobnost falešného poplachu nestabilní blízko určité pravděpodobnosti detekce a sledování úrovně hluku v reálném čase je nastavením časově proměnlivého prahu, který může dosáhnout konstantního účinku detekce s konstantní pravděpodobností falešného poplachu pro cíl v azimutu. Obecně je práh funkcí pravděpodobnosti detekce a pravděpodobnosti falešného poplachu. Technologie zpracování CA-CFAR je algoritmus zpracování signálu, který poskytuje práh detekce v automatickém detekčním systému a minimalizuje vliv šumu a interference na pravděpodobnost falešného poplachu detekčního systému. V technologii zpracování CA-CFAR, když je třeba otestovat konkrétní jednotku, se testovaná jednotka nazývá testovací jednotka (Cell under test, CUT) a jednotka vzorku použitá k extrakci šumového výkonu kolem testovací jednotky se nazývá referenční jednotka (Reference). buňky, RC). Aby se zabránilo úniku cílového signálu do referenční jednotky, což nepříznivě ovlivní odhad výkonu šumu, měla by být část vzorku vyhrazena jako ochranná buňka (GC) mezi referenční jednotkou a zkušební jednotkou. Je uveden vztah mezi zkušební jednotkou, referenční jednotkou a ochrannou jednotkou.

2 Analýza výkonu detekce cíle

Tato část poskytne výsledky počítačové simulace výkonu detekce cíle pomocí algoritmu histogramu a použije data anechoického bazénu a mořského testu k analýze

Algoritmus vyhledání cílového směru a výkon autonomního sledování. Pro zjednodušení tento článek analyzuje pouze situaci jednoho cíle.

2.1 Simulační analýza

Podmínky simulace jsou následující: vezmeme-li v úvahu, že širokopásmový cílový signál dopadá na jediný vektorový hydrofon s dopadajícím azimutem 100◦, a poměr signálu k šumu (poměr signálu k šumu (SNR)) ve stejném frekvenčním pásmu je nastaven na -20 ∼ 16 dB, s intervaly 2 dB, další šum je 2 dB vzorkovací frekvence, která souvisí s dopadajícím signálem 2 a 0. kHz. Délka dat každého procesu výpočtu je 5 s a 75 % dat je reprodukováno v časovém okně.

Rychlost zásobníku je rozdělena do 17 kusů dat o délce 1 s a na každém výpočtu data.form, FFT je provedena 32768-bodová rychlá Fourierova transformace (Fast Fourier Transform), frekvenční pásmo zpracování je 200 Hz ∼3 kHz, 17 skupin spekter intenzity zvuku je vypočítáno a zprůměrováno pro účelový algoritmus.

Odhadovaná standardní orientace. Obrázek 3 ukazuje výsledky odhadu azimutu algoritmu histogramu za použití výše uvedených podmínek simulace jako funkci poměru signálu k šumu (to znamená, že normalizované spektrum azimutu se mění se signálem. Poměr šumu se mění a spektrum azimutu je amplituda v různých azimutech) a 200 nezávislých experimentů, které lze simulovat na signálu v Monte Carlu. odhadovaná historie azimutu se postupně vyjasňuje, jak se zvyšuje poměr signálu k šumu. Aby bylo možné kvantitativně popsat výkon odhadu cílové orientace algoritmu histogramu, obr. 4 a obr. 5. Je uvedena křivka chyby hledání směru a šířka spektra -3 dB azimutu versus SNR. Je vidět, že když je poměr signálu k šumu -7 dB, směrové zjištění .Chyba je asi 8◦ a šířka spektra −3 dB je asi 19◦; když je poměr signálu k šumu větší než 0 dB, chyba hledání směru a šířka spektra −3 dB azimutu jsou menší než 3◦ a 7◦

Obrázek 6 je křivka příznaku autonomního sledování cíle s poměrem signálu k šumu podle algoritmu autonomní detekce a sledování cíle navrženého v části 1. Příznak 1 sledování cíle představuje, že algoritmus dosahuje sledování cíle, a 0 znamená, že sledování cíle není dosaženo. Z obrázku 6 je vidět, že když je poměr signálu k šumu větší než -7 dB. Algoritmus časového histogramu může dosáhnout autonomního cíle.

2.2 Analýza testu nádrže

Aby bylo možné zvládnout výkon detekce cíle pomocí algoritmu jednovektorového histogramu hydrofonu, byl proveden test ověření výkonu detekce cíle jednovektorového hydrofonu v anechoickém bazénu. Během testu byl jako cíl zdroje zvuku použit UW350 a hloubka byla použita pro 3 m pod vodou. Signál použitý v testu je šířka výstupu zdroje signálu. U gaussovského bílého šumu je výstupní hodnota mezi špičkami nastavena na 10 mV, 20 mV, 25 mV, 50 mV, 100 mV, 1 V a 10 V v tomto pořadí. Doba přenosu každého signálu je 60 s a úroveň zdroje zvuku s malým vyzařováním signálu projde vzorcem 20 lg (A1/A2) je vypočítán, kde A1 a A2 jsou špičkové hodnoty nastavení zdroje signálu. Z úrovně zdroje zvuku emise signálu lze vypočítat poměr signálu k šumu každého kanálu vektorového hydrofonu na základě vzdálenosti mezi vektorovým hydrofonem a zdrojem zvuku. Tabulka 1 ukazuje výsledky širokopásmového průměrného poměru signálu k šumu signálu zdroje zvuku přijatého každým kanálem vektorového hydrofonu a udává průměrnou hodnotu poměru signálu k šumu každého kanálu při různých intenzitách vyzařování zdroje zvuku. Je vidět, že špičková hodnota výstupu zdroje signálu je při 10 mV, 20 mV, 25 mV, 50 mV, 100 mV, 1 V a 10 V průměrný poměr signálu k šumu širokopásmového akustického měniče signálu zdroje zvuku přijímaného vektorovým hydrofonem je −13 dB, −7 dB, −5 dB, 1 dB, 7 dB, 27 dB a 47 dB.

 

Sedm signálů s odstupem signálu od šumu se zpracovává odděleně pomocí algoritmu histogramu. Vypočítané výsledky odhadu azimutu se mění s časem, jak je znázorněno na obrázku 7. Obrázek také označuje špičkovou hodnotu výstupu signálu a vektorového hydrofonu v každém časovém období. Odstup signálu od šumu přijímače. Z obrázku 7 je vidět, že odhadovaný azimut cíle zdroje zvuku se postupně stabilizuje, jak se zvyšuje poměr přijímaného signálu k šumu, a v podstatě se shoduje se skutečným azimutem. Obrázek 8 a obrázek 9 znázorňují chybu odhadu azimutu a šířku spektra azimutu -3 dB signálů s odstupem signálu od šumu emitovaných sedmi zdroji zvuku pomocí algoritmu histogramu. Poměr se zvyšuje a postupně snižuje. Chyba určování směru se zvyšuje, když zdroj zvuku vydává 10V špičkový šumový signál ve srovnání s 1V špičkový šum. Je to proto, že zdroj zvuku vydává signál zdroje s vysokou úrovní zvuku.

Bazén má neúplnou redukci šumu v nízkofrekvenčním pásmu a je zde silný odraz rozhraní; když je poměr signálu k šumu -7 dB, chyba hledání směru je asi 8° a šířka spektra -3 dB je asi 23°; a když je poměr signálu k šumu větší než At 1 dB, chyba hledání směru a šířka spektra −3 dB azimutu jsou menší než 4◦ a 19◦, v daném pořadí. Obrázek 10 je křivka značky sledování cíle s intenzitou signálu emise zdroje zvuku vypočítanou podle algoritmu autonomní detekce a sledování cíle. Je vidět, že když je poměr signálu k šumu -7 dB, algoritmus histogramu může dosáhnout autonomního sledování cílového zdroje zvuku.

 

 

2.3 Analýza námořních zkoušek

 

Na základě dat z ověřovacího testu účinnosti detekce cílů podvodní akustické bóje provedeného v severních vodách Jihočínského moře v srpnu 2019 byl k analýze detekčního výkonu námořních cílů použit jednovektorový algoritmus hydrofonního histogramu. Hloubka zkušebního moře je asi 1500 m. Během zkušební doby jsou dobré povětrnostní podmínky a vítr.

 

 

Rychlost je asi na úrovni 2. Výsledky měření hloubkového termosolného přístroje pro opuštění lodí ukazují, že profil rychlosti zvuku je rovnoměrná vrstva v hloubce 40 m a hlavní katastrofická vrstva rychlosti zvuku je v hloubce 40 ~ 200 m a osa zvukového kanálu je v 1000 m. Blízko hloubky. Během testovacího dne od 12:33 do 14:02 proplulo poblíž podvodní akustické bóje hladinové plavidlo o délce 42 m, šířce 6 m a rychlosti 8,4 kn v kurzu 301°. V období, hladinové plavidlo a podvodní akustika Vzdálenost bóje je asi 2 km v nejkratším čase a 13,8 km v nejvzdálenějším čase. Je uvedena srovnávací tabulka výsledku odhadu cílového azimutu vypočítaného algoritmem histogramu a skutečného azimutu povrchové lodi a je vidět, že algoritmus histogramu je v celém čase 12:33-14:02.

 

Obrázek 13 a obrázek 14 znázorňují algoritmus histogramu pro chybu hledání cíle povrchové lodi a křivku změny šířky spektra −3 dB azimutu s časem v časové periodě 12:33-14:02. Je vidět, že chyba hledání směru je nejlepší, může dosáhnout do 5° a šířka spektra −3 dB azimutu může dosahovat asi 10° blízko bodu blízkého umístění; navíc v důsledku odchylky podvodní odhadované polohy podvodní akustické bóje je vzdálenost mezi hladinovou lodí a plošinou bóje blíže. Chyba určení směru v čase se zvyšuje. Obrázek 15 je křivka značky sledování cíle v čase vypočítaná algoritmem autonomní detekce a sledování cíle. Je vidět, že algoritmus může dosáhnout autonomního sledování cíle v celém rozsahu pro hladinové plavidlo o rychlosti 8,4 kn na vzdálenost 13,8 km.

 

3 Závěr

Tento článek se zaměřuje na požadavky inženýrských aplikací jednovektorových hydrofonů na podvodních bezpilotních platformách a navrhuje autonomní detekci a sledování podvodních cílů. Metoda sledování a použití simulačního výpočtu, testu bezodrazové nádrže a analýzy testu na moři ke shrnutí algoritmu histogramu založeného na jednom vektorovém hydrofonu. Standardní detekční výkon. Výsledky počítačové simulace a dat testu bezodrazové nádrže ukazují, že algoritmus histogramu dosahuje odstupu signálu od šumu potřebného pro autonomní sledování. Pokud je větší než -7 dB, chyba hledání směru je asi 8° a šířka spektra azimutu -3 dB je asi 20°. Údaje z mořského testu ukazují, že hluboké moře má dobré hydrologické podmínky, algoritmus histogramu může dosáhnout plné detekce a sledování cíle pro povrchové plavidlo s rychlostí 8,4 kn ve vzdálenosti 13,8 km. Nejlepší chyba při hledání směru může dosáhnout 5◦ a šířka spektra −3 dB může dosáhnout 10◦ blízko blízkosti