Analyse af detektionsydelse af enkelt vektor hydrofon histogram retningsfindende algoritme

Histogramalgoritmen for en enkelt vektor hydrofon har god robusthed og målazimut estimering ydeevne. Denne artikel analyserer og opsummerer måldetektionsydelsen af ​​histogramalgoritmen og foreslår en autonom påvisning af undervandsmål baseret på målazimutestimering. Sporingsalgoritme, denne algoritme kan opnå autonom detektion af tilstedeværelsen eller fraværet af mål i vandet. Simulerings- og ekkofri pooltestresultater viser, at signal-til-støj-forholdet, der kræves af histogramalgoritmen for at opnå autonom målsporing, skal være større end -7 dB. På dette tidspunkt er retningsfindingsfejlen omkring 8◦, og −3 dB azimutspektrumbredden er omkring 20◦. Analysen af ​​marine testdata viser, at histogramalgoritmen kan opnå fuld måldetektion og sporing inden for en afstand på 13,8 km for et overfladefartøj med en hastighed på 8,4 kn, med en optimal retningsfindingsfejl på 5◦ og en −3 dB pejling i en afstand på 2 km. Spektral bredde kan nå 10◦

 

 

Vektorkanalen af vektor hydrofonsensor har frekvens-uafhængig dipol-direktivitet og har evnen til at modstå isotrop støjinterferens. En vektorhydrofon kan opnå fuld-space-sløringsfri orientering, hvilket giver en løsning til måldetektion på små undervandsplatforme udstyret med akustiske undervandssensorer.

dens fordel ved plads. I de senere år, med den kontinuerlige forbedring af vektorhydrofonteknologi, er vektorsignalbehandlingsteknologi også blevet anvendt kraftigt. Drevet af efterspørgsel har den udviklet sig hurtigt. Sammenlignet med konventionelle lydtrykshydrofoner giver vektorhydrofoner mere omfattende lydfeltinformation. Kun lydfeltets skalar kan måles, og lydfeltets vektorkarakteristika kan også opnås, hvilket i høj grad udvider signalbehandlingsrummet. Der er mange målazimutestimeringsalgoritmer baseret på enkeltvektorhydrofoner, generelt kan de opdeles i to kategorier i henhold til princippet om retningsbestemmelse: den ene er azimutestimering baseret på lydenergiflow; den anden er at betragte hver kanal i vektorhydrofonen. Det er et multi-element array, hvert element er omtrent på samme position i rummet, og den eksisterende array signalbehandlingsmetode anvendes på enkeltvektorhydrofonen ved at bruge egenskaberne for arrayflowmønsteret for selve enkeltvektorhydrofonen. Forskellige målretningsfindende algoritmer for vektorhydrofon har deres egne fordele og ulemper. Sammenlignet med andre algoritmer har den mellemstore histogramalgoritme bedre robusthed og målorienteringsestimering ydeevne og har evnen til at undertrykke smalbånds- og stærk linjespektruminterferens, hvilket er særligt velegnet til tekniske applikationer. Dette papir analyserer og opsummerer histogramretningsfindingsalgoritmen baseret på en enkelt vektorhydrofon og foreslår en autonom detektions- og sporingsalgoritme for undervandsmål baseret på målorienteringsestimering, ved hjælp af computersimulering, ekkofri poolmålingsdata og haveksperimentdata analyseret histogram og grafalgoritmes måldetekteringsydelse.

 

 

1 Teoretisk algoritme

1.1 Histogram retningsfindingsalgoritme

 

Histogramalgoritmen skal først beregne målazimutestimaterne ved forskellige frekvenspunkter, og beregningsudtrykket er

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

⟨Ix(i, f)⟩, (1) I formel (1) repræsenterer θ(f) målazimuten beregnet ved forskellige frekvenser f, og Pw, Vxw og Vyw repræsenterer lydtrykket af vektorhydrofonen i henholdsvis P og vibrationen i x-retningen. Hastighedskanalen og y-retningens vibrationshastighedskanal indsamler signalspektrumværdier, og Ix og Iy repræsenterer den akustiske energistrøm i henholdsvis x-retningen og y-retningen. Det kan ses af ligning (1), at målazimuten beregnet ved ligning (1) er relateret til frekvensen f, og målazimutestimaterne ved forskellige frekvenspunkter er forskellige. Metoden til at estimere målazimuten gennem histogrammet kan bruges til at beregne målazimuten i miljøet. Smalbåndsinterferens og stærk linjespektruminterferensundertrykkelse, men når der er flere mål i miljøet. Når de udstrålede støjfrekvenser overlapper hinanden, kan histogrammetoden ikke få den sande azimut for hvert mål, kun lydenergistrømmen for hvert mål.

 

Den kombinerede orientering vil være forspændt mod den mere intense målorientering. Histogrammets azimuth-statistikker skal tælle den mål-estimerede azimuth θ(f) i det tilsvarende azimuthinterval i henhold til antallet af frekvenspunkter. Hvis azimutintervallet er divideret med 1◦, så er k = [θ(f) × 180/π], φ (k) = φ(k) + 1, (2) I formel (2), repræsenterer [] afrundingsoperationen, k er værdien opnået ved at afrunde θ(f), såsom θ,(f)+ θ(f)(f) θ(f)(f)+ 360◦, således at målets estimerede azimut falder på intervallet [0◦ 360◦), φ er frekvensen af azimutestimeringen ved hver vinkel, og vinkelværdien svarende til maksimumværdien er målets estimerede azimut.

 

1.2

En algoritme til autonom måldetektion og sporing

Den autonome detektions- og sporingsalgoritme for undervandsmål baseret på målorienteringsestimering. Den grundlæggende idé er at udføre statistisk analyse af målorienteringen estimeret af histogramalgoritmen og sammenligne orienteringsstatistikken med forudindstillede tærskler, som endelig kan realisere autonom detektion af undervandsmål og sporing. Rutediagrammet for autonom måldetektion og sporing inkluderer følgende fem trin: (1) Brug først den enkelte vektor hydrofonhistogramalgoritme til at scanne hele den rumlige retning for at opnå den estimerede azimut Ag af det modtagne signal; (2) Brug konstant virtuel Alarmdetektoren (CA-CFAR-detektor) udfører konstant falsk alarmbehandling på målretningen opnået i trin (1); (3) Hvis CA-CFAR-detektoren vurderer Ag som målsignalets orientering, tildeles Ag-værdien til matrixen AgT[i], ellers tildeles -1 til matrixen AgT[i] (i = 1, 2, ·, N); (4) Hvis antallet af værdier af matricen AgT = −1 er større end AT (AT er den forudindstillede tærskel, AT

 

Beregning af den gennemsnitlige kvadratiske fejl StdAT, hvis StdAT er mindre end tærsklen StdDT, vurderes det, at der er et mål, og målpositionen spores, ellers gentages trin (1) ~ (4). Gennem de ovenstående 5 trin kan autonom detektion og sporing af undervandsmål opnås. Princippet for CA-CFAR-behandling er, at ved detektering og sporing af et bestemt azimutmål, på grund af havmiljøets ikke-stationære natur, er sandsynligheden for falsk alarm ustabil nær en vis detektionssandsynlighed, og realtidssporingen af ​​det miljømæssige støjniveau indstiller en tidsvarierende tærskelværdi, der kan opnå en konstant detekteringssandsynlighedseffekt med et konstant detekteringssandsynlighedsmål for det falske mål. Generelt er tærsklen en funktion af detektionssandsynligheden og sandsynligheden for falsk alarm. CA-CFAR-behandlingsteknologi er en signalbehandlingsalgoritme, der giver detektionstærsklen i det automatiske detektionssystem og minimerer påvirkningen af ​​støj og interferens på detektionssystemets sandsynlighed for falsk alarm. I CA-CFAR-behandlingsteknologien, når en specifik enhed skal testes, kaldes den testede enhed for testenheden (Cell under test, CUT), og prøveenheden, der bruges til at udtrække støjeffekten omkring testenheden, kaldes referenceenheden (Reference). celler, RC). For at forhindre målsignalet i at lække ind i referenceenheden, hvilket vil påvirke støjeffektestimeringen negativt, bør en del af prøven reserveres som en vagtcelle (GC) mellem referenceenheden og testenheden. Forholdet mellem testenheden, referenceenheden og beskyttelsesenheden er angivet.

2 Måldetektions præstationsanalyse

Dette afsnit vil give computersimuleringsresultaterne af histogramalgoritmens måldetektionsydelse og bruge de ekkofri pool- og havtestdata til at analysere

Algoritme målretningsfinding og autonom sporingsydelse. For nemheds skyld analyserer denne artikel kun situationen med et enkelt mål.

2.1 Simuleringsanalyse

Simuleringsbetingelserne er som følger: i betragtning af, at et bredbåndsmålsignal indfalder på en enkelt vektorhydrofon med en indfaldende azimut på 100◦, og signal-til-støj-forholdet (Signal-til-støj-forhold (SNR)) i det samme frekvensbånd er indstillet til -20 ~ 16 dB, med 2 dB-intervalerne uden indfald er Gau, det yderligere hvide interval, der ikke er relateret til. signal, og samplingsfrekvensen er 20 kHz. Datalængden af ​​hver beregningsproces er 5 s, og 75 % af dataene gengives i tidsvinduet.

Stakhastigheden er underopdelt i 17 stykker data med en længde på 1 s, og 32768-punkts Fast Fourier Transform (Fast Fourier Transform) udføres på hvert stykke data.form, FFT) beregning, behandlingsfrekvensbåndet er 200 Hz ~3 kHz, 17 gennemsnitlige intensitets-spektragrupper af lyd og histo er beregnet algoritme bruges til formålet.

Anslået standardretning. Figur 3 viser azimut-estimeringsresultaterne af histogramalgoritmen ved hjælp af ovenstående simuleringsbetingelser som en funktion af signal-til-støj-forholdet (det vil sige, at det normaliserede azimuth-spektrum varierer med signalet. Støjforholdet ændres, og azimuth-spektret er amplituden i forskellige azimuth-forhold), og der udføres et Monte Carlo-signal-forhold under 200 under 200 simuleringsforhold. kan ses, at den estimerede azimuthistorie gradvist bliver tydelig i takt med, at signal-til-støj-forholdet stiger. For kvantitativt at beskrive histogramalgoritmens målorienteringsestimeringsydelse, figur 4 og figur 5. Kurven for retningsfindingsfejl og -3 dB azimuthspektrumbredde versus SNR er angivet. Det kan ses, at når signal/støjforholdet er -7 dB, er retningsbestemmelsen . Fejlen er omkring 8◦, og −3 dB azimutspektrumbredden er omkring 19◦; når signal-til-støj-forholdet er større end 0 dB, er retningsfindingsfejlen og -3 dB azimutspektrumbredde henholdsvis mindre end 3◦ og 7◦

Figur 6 er kurven for det autonome målsporingsflag med signal-til-støjforholdet ifølge den autonome måldetektions- og sporingsalgoritme foreslået i sektion 1. Målsporingsflaget 1 repræsenterer, at algoritmen opnår målsporing, og 0 betyder, at målsporingen ikke opnås. Det kan ses af figur 6, at når signal-til-støj-forholdet er større end -7 dB. Tidshistogramalgoritmen kan opnå autonomt mål.

2.2 Tanktestanalyse

For at mestre måldetektionsydelsen af ​​enkeltvektorhydrofonhistogramalgoritmen, blev der udført en enkeltvektorhydrofonmåldetektionsydelsesverifikationstest i en ekkofri pool. UW350 blev brugt som lydkildemål under testen, og dybden blev brugt til 3 m under vandet. Det signal, der bruges i testen, er bredden af ​​signalkildens output. Med Gaussisk hvid støj er output peak-to-peak værdien indstillet til henholdsvis 10 mV, 20 mV, 25 mV, 50 mV, 100 mV, 1 V og 10 V. Transmissionstiden for hvert signal er 60 s, og lydkildeniveauet for den lille signalemission passerer formlen 20 lg (A1/A2) beregnes, hvor A1 og A2 er peak-to-peak værdierne for signalkildeindstillingerne. Fra signalemissionslydkildeniveauet kan signal-til-støj-forholdet for hver kanal i vektorhydrofonen beregnes baseret på afstanden mellem vektorhydrofonen og lydkilden. Tabel 1 viser resultaterne af det gennemsnitlige bredbåndssignal-til-støj-forhold for lydkildesignalet modtaget af hver kanal i vektorhydrofonen og giver den gennemsnitlige værdi af signal-til-støj-forholdet for hver kanal under forskellige lydkildeemissionsintensiteter. Det kan ses, at peak-to-peak værdien af ​​signalkildens output er henholdsvis Ved 10 mV, 20mV, 25mV, 50 mV, 100 mV, 1 V og 10 V, akustisk bredbåndstransducers gennemsnitlige signal-til-støj-forhold for lydkildesignalet modtaget af vektorhydrofonen er −13 dB, −7 dB, −5 dB, 1 dB, 7 dB, 27 dB og 47 dB.

 

De syv signal-til-støj-forholdssignaler behandles separat ved hjælp af histogramalgoritmen. De beregnede azimut-estimeringsresultater ændrer sig med tiden som vist i figur 7. Figuren markerer også peak-to-peak værdien af ​​signaloutputtet og vektorhydrofonen i hver tidsperiode. Modtagerens signal-til-støj-forhold. Det kan ses af figur 7, at den estimerede azimut af lydkildemålet gradvist stabiliserer sig, efterhånden som det modtagne signal-til-støj-forhold stiger og i bund og grund falder sammen med den sande azimut. Figur 8 og figur 9 viser henholdsvis azimut-estimeringsfejlen og -3 dB azimutspektrumbredde af signal-til-støj-forholdssignalerne udsendt af de syv lydkilder af histogramalgoritmen. Forholdet stiger og falder gradvist. Retningsfindingsfejlen øges, når lydkilden udsender et 10 V peak-to-peak støjsignal sammenlignet med 1V peak-to-peak. Dette skyldes, at lydkilden udsender et højt lydkildeniveausignal.

Poolen har ufuldstændig støjreduktion i lavfrekvensbåndet, og der er stærk grænsefladerefleksion; når signal-til-støj-forholdet er -7 dB, er retningsfindingsfejlen ca. 8°, og -3 dB azimutspektrumbredden er ca. 23°; og når signal-til-støj-forholdet er større end Ved 1 dB, er retningsfindingsfejlen og -3 dB azimutspektrumbredde mindre end henholdsvis 4◦ og 19◦. Figur 10 er kurven for målsporingsmærket med intensiteten af ​​lydkildeemissionssignalet beregnet i overensstemmelse med den autonome måldetektions- og sporingsalgoritme. Det kan ses, at når signal-til-støj-forholdet er -7 dB, kan histogramalgoritmen opnå autonom sporing af lydkildemålet.

 

 

2.3 Marine testanalyse

 

Ved at bruge data fra de undersøiske akustiske bøjemåldetektions-testdata udført i de nordlige farvande i Det Sydkinesiske Hav i august 2019, blev enkeltvektor-hydrofonhistogramalgoritmen brugt til at analysere detekteringsydelsen af ​​maritime mål. Dybden af ​​testhavområdet er omkring 1500 m. I testperioden er vejrforholdene gode og vinden.

 

 

Hastigheden er omkring niveau 2. Måleresultaterne af det skibsbårne opgivelsestermosaltdybdeinstrument viser, at lydhastighedsprofilen er et ensartet lag inden for en dybde på 40 m, og lydhastighedens hovedkatastrofale lag er inden for en dybde på 40 ~ 200 m, og lydkanalaksen er på 1000 m. Tæt på dybden. I løbet af testdagen fra 12:33-14:02 passerede et overfladefartøj med en længde på 42 m, en bredde på 6 m og en hastighed på 8,4 kn i nærheden af ​​den undersøiske akustiske bøje i en kurs på 301°. I perioden overfladefartøjet og undervandsakustikken. Bøjens afstand er ca. 2 km på korteste tid og 13,8 km på det fjerneste tidspunkt. Et sammenligningsdiagram af målazimut-estimeringsresultatet beregnet af histogramalgoritmen og overfladeskibets reelle azimut er givet, og det kan ses, at histogramalgoritmen er i hele 12:33-14:02 tiden.

 

Figur 13 og figur 14 viser henholdsvis histogramalgoritmen til overfladeskibets målretningsfindingsfejl og −3 dB azimutspektrumbreddeændringskurve med tiden i tidsrummet 12:33-14:02. Det kan ses, at retningsfindingsfejlen er den bedste. Den kan nå inden for 5°, og −3 dB azimutspektrumbredden kan nå omkring 10° nær det nærliggende sted; desuden er afstanden mellem overfladeskibet og bøjeplatformen tættere på grund af afvigelsen af ​​den undersøiske estimerede position for den undervands akustiske bøje. Retningsfejlen til tider øges. Figur 15 er kurven for målsporingsmærket over tid beregnet af den autonome måldetektions- og sporingsalgoritme. Det kan ses, at algoritmen kan opnå autonom målsporing i hele rækkevidden for et overfladefartøj med en hastighed på 8,4 kn inden for en afstand af 13,8 km.

 

3 Konklusion

Med sigte på de tekniske applikationskrav for enkeltvektorhydrofoner på ubemandede undervandsplatforme foreslår dette papir en autonom detektion og sporing af undervandsmål. Sporingsmetode og brug simuleringsberegning, ekkofri tanktest og havtestanalyse til at opsummere histogramalgoritmen baseret på enkeltvektorhydrofon. Standard detektionsydelse. Resultaterne af computersimulering og ekkofri tanktestdata viser, at histogramalgoritmen opnår det signal-til-støj-forhold, der kræves til autonom sporing. Hvis det er større end -7 dB, er retningsfindingsfejlen omkring 8°, og azimutspektrumbredden på -3 dB er omkring 20°. Havtestdataene viser, at dybhavet er gode hydrologiske forhold, histogramalgoritmen kan opnå fuld måldetektion og sporing for et overfladefartøj med en hastighed på 8,4 kn inden for en afstand af 13,8 km. Den bedste retningsfindende fejl kan nå 5◦, og −3 dB azimutspektrumbredden kan nå tæt på 10◦.