Yksivektorihydrofonin histogrammin suunnanmääritysalgoritmin havaitsemissuorituskyvyn analyysi

A:n histogrammi-algoritmi Yksivektorihydrofonilla on hyvä kestävyys ja tavoite atsimuuttiarviointi. Tässä artikkelissa analysoidaan ja tehdään yhteenveto histogrammi-algoritmin kohteen havaitsemissuorituskyvystä ja ehdotetaan vedenalaisten kohteiden autonomista havaitsemista kohteen atsimuuttiarvioinnin perusteella. Seuranta-algoritmi, tämä algoritmi voi saavuttaa autonomisen havaitsemisen kohteiden läsnäolon tai puuttumisen vedessä. Simulaatio- ja kaiuttoman poolin testitulokset osoittavat, että histogrammi-algoritmin vaatiman signaali-kohinasuhteen autonomisen kohteen seurannan saavuttamiseksi on oltava suurempi kuin -7 dB. Tällä hetkellä suunnanhakuvirhe on noin 8◦ ja -3 dB atsimuuttispektrin leveys on noin 20◦. Meritestitietojen analyysi osoittaa, että histogrammi-algoritmilla voidaan saavuttaa täydellinen kohteen havaitseminen ja seuranta 13,8 km:n etäisyydellä pinta-alukselta, jonka nopeus on 8,4 kn, optimaalisella suunnanmääritysvirheellä 5◦ ja -3 dB:n suuntimalla 2 km:n etäisyydellä. Spektrin leveys voi olla 10◦

 

 

Sen vektorikanava vektorihydrofonianturilla on taajuudesta riippumaton dipolin suuntaavuus, ja se pystyy vastustamaan isotrooppisia kohinan häiriöitä. Vektorihydrofonilla voidaan saavuttaa koko tilan epäterävyyttämätön orientaatio, mikä tarjoaa ratkaisun kohteen havaitsemiseen pienillä vedenalaisilla alustoilla, jotka on varustettu vedenalaisilla akustisilla antureilla.

sen tilan etu. Viime vuosina vektorihydrofonitekniikan jatkuvan parantamisen myötä myös vektorisignaalinkäsittelytekniikkaa on sovellettu voimakkaasti. Kysynnän vetämänä se on kehittynyt nopeasti. Verrattuna perinteisiin äänenpainehydrofoneihin, vektorihydrofonit tarjoavat kattavampaa äänikenttätietoa. Vain äänikentän skalaari voidaan mitata, ja äänikentän vektoriominaisuudet voidaan myös saada, mikä laajentaa huomattavasti signaalinkäsittelytilaa. Yksivektorihydrofoneihin perustuvia kohdeatsimuutin estimointialgoritmeja on monia, yleensä ne voidaan jakaa kahteen kategoriaan suunnanhakuperiaatteen mukaan: yksi on atsimuuttiestimaatio, joka perustuu äänienergiavirtaan; toinen on tarkastella vektorihydrofonin jokaista kanavaa. Se on monielementtinen ryhmä, jokainen elementti on suunnilleen samassa paikassa avaruudessa, ja olemassa olevaa ryhmäsignaalinkäsittelymenetelmää sovelletaan yksivektorihydrofoniin käyttämällä itse yksivektorihydrofonin matriisivirtauskuvion ominaisuuksia. Erilaisilla vektorihydrofonin kohdesuunnan etsintäalgoritmeilla on omat etunsa ja haittansa. Muihin algoritmeihin verrattuna keskikokoisella histogrammialgoritmilla on parempi kestävyys ja kohdesuuntauksen estimointisuorituskyky, ja sillä on kyky vaimentaa kapeakaistaisia ​​ja voimakkaita linjaspektrihäiriöitä, mikä sopii erityisesti suunnittelusovelluksiin. Tässä artikkelissa analysoidaan ja esitetään yhteenveto histogrammin suunnanhakualgoritmista, joka perustuu yksittäiseen vektorihydrofoniin, ja ehdotetaan autonomista havaitsemis- ja seurantaalgoritmia vedenalaisille kohteille, jotka perustuvat kohteen suuntauksen estimointiin, käyttämällä tietokonesimulaatiota, kaiuton allasmittaustietoja ja merikokeiden tietoja analysoitujen histogrammien ja graafisten algoritmien kohteen havaitsemissuorituskykyä.

 

 

1 Teoreettinen algoritmi

1.1 Histogrammin suunnanhakualgoritmi

 

Histogrammi-algoritmin on ensin laskettava tavoiteatsimuuttiestimaatit eri taajuuspisteissä, ja laskentalauseke on

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

⟨Ix(i, f)⟩, (1) Kaavassa (1) θ(f) edustaa tavoiteatsimuuttia, joka on laskettu eri taajuuksilla f, ja Pw, Vxw ja Vyw edustavat vektorihydrofonin äänenpainetta P:ssä ja värähtelyä x-suunnassa. Nopeuskanava ja y-suuntainen värähtelynopeuskanava keräävät signaalin spektriarvot, ja Ix ja Iy edustavat akustista energiavirtaa x-suunnassa ja y-suunnassa vastaavasti. Yhtälöstä (1) voidaan nähdä, että yhtälön (1) avulla laskettu tavoiteatsimuutti liittyy taajuuteen f ja eri taajuuspisteissä tavoiteatsimuuttiestimaatit ovat erilaisia. Tavoitteen atsimuutin estimointimenetelmää histogrammin avulla voidaan käyttää ympäristön kohdeatsimuutin laskemiseen. Kapeakaistainen häiriö ja voimakas viivaspektrihäiriön vaimennus, mutta kun ympäristössä on useita kohteita. Kun säteilevät melutaajuudet menevät päällekkäin, histogrammimenetelmä ei voi saada kunkin kohteen todellista atsimuuttia, vain kunkin kohteen äänienergiavirtaa.

 

Yhdistetty suuntautuminen painottuu kohti intensiivisempää kohdeorientaatiota. Histogrammin atsimuuttitilastojen tarkoituksena on laskea kohdeestimoitu atsimuutti θ(f) vastaavassa atsimuuttivälissä taajuuspisteiden lukumäärän mukaan. Jos atsimuuttiväli jaetaan luvulla 1◦, niin k = [θ(f) × 180/π], φ (k) = φ(k) + 1, (2) Kaavassa (2) [] edustaa pyöristysoperaatiota, k on pyöristämällä θ(f) saatu arvo, kuten θ(f) 60, sitten θ(f) 60, sitten θ(f) 60, sitten θ(f) siten, että kohteen arvioitu atsimuutti osuu väliin [0◦ 360◦), φ on atsimuuttiestimoinnin taajuus kussakin kulmassa ja maksimiarvoa vastaava kulman arvo on kohteen arvioitu atsimuutti.

 

1.2

Algoritmi autonomiseen kohteen havaitsemiseen ja seurantaan

Vedenalaisten kohteiden autonominen tunnistus- ja seurantaalgoritmi, joka perustuu kohteen suuntauksen arviointiin. Perusideana on tehdä tilastollinen analyysi histogrammi-algoritmin arvioimasta kohdesuunnasta ja verrata orientaatiotilastoja ennalta asetettuihin kynnysarvoihin, mikä voi lopulta toteuttaa autonomisen vedenalaisten kohteiden havaitsemisen ja seurannan. Autonomisen kohteen havaitsemisen ja seurannan vuokaavio sisältää seuraavat viisi vaihetta: (1) Käytä ensin yksivektorihydrofonin histogrammi-algoritmia skannataksesi koko spatiaalisen suunnan saadaksesi vastaanotetun signaalin arvioitu atsimuutti Ag; (2) Käytä jatkuvaa virtuaalista Hälytysilmaisin (CA-CFAR-ilmaisin) suorittaa jatkuvan väärän hälytyksen käsittelyn vaiheessa (1) saadulle kohdesuuntaukselle; (3) Jos CA-CFAR-ilmaisin arvioi Ag:n kohdesignaalin suunnaksi, Ag-arvo osoitetaan matriisille AgT[i], muussa tapauksessa määritä -1 matriisille AgT[i] (i = 1, 2, ·, N); (4) Jos matriisin AgT = −1 arvojen määrä on suurempi kuin AT (AT on esiasetettu kynnys, AT

 

Laskettaessa keskimääräistä neliövirhettä StdAT, jos StdAT on pienempi kuin kynnys StdDT, päätellään, että kohde on, ja kohteen sijaintia seurataan, muuten toista vaiheet (1) - (4). Yllä olevien 5 vaiheen avulla voidaan saavuttaa vedenalaisten kohteiden autonominen havaitseminen ja seuranta. CA-CFAR-käsittelyn periaate on, että havaittaessa ja seurattaessa tiettyä atsimuuttikohdetta meriympäristön epästationaarisuudesta johtuen väärän hälytyksen todennäköisyys on epävakaa lähellä tiettyä havaitsemistodennäköisyyttä, ja ympäristömelun tason reaaliaikainen seuranta on ajallisesti vaihtelevan kynnyksen asettaminen voi saavuttaa jatkuvan tunnistustehokkuuden jatkuvalla hälytystavoitteella b. Yleensä kynnysarvo on havaitsemistodennäköisyyden ja väärän hälytyksen todennäköisyyden funktio. CA-CFAR-käsittelytekniikka on signaalinkäsittelyalgoritmi, joka tarjoaa tunnistuskynnyksen automaattisessa tunnistusjärjestelmässä ja minimoi kohinan ja häiriön vaikutuksen tunnistusjärjestelmän väärän hälytyksen todennäköisyyteen. CA-CFAR-käsittelytekniikassa, kun tiettyä yksikköä on testattava, testattavaa yksikköä kutsutaan testiyksiköksi (Cell under test, CUT) ja näyteyksikköä, jota käytetään kohinan tehon poistamiseen testiyksikön ympäriltä, ​​kutsutaan referenssiyksiköksi (Reference). solut, RC). Jotta estetään kohdesignaalin vuotaminen vertailuyksikköön, mikä vaikuttaa haitallisesti kohinatehon estimointiin, osa näytteestä tulisi varata suojasoluksi (GC) referenssiyksikön ja testiyksikön väliin. Testiyksikön, vertailuyksikön ja suojayksikön välinen suhde on annettu.

2 Kohteen havaitsemisen suorituskyvyn analyysi

Tässä osiossa annetaan tietokonesimulaatiotulokset histogrammi-algoritmin kohteen havaitsemissuorituskyvystä ja käytetään kaiuttoman allas- ja meritestitietoja analysoimaan

Algoritmin kohdesuunnan etsintä ja autonominen seurantakyky. Yksinkertaisuuden vuoksi tässä artikkelissa analysoidaan vain yksittäistä kohdetilannetta.

2.1 Simulaatioanalyysi

Simulointiolosuhteet ovat seuraavat: kun otetaan huomioon, että laajakaistainen kohdesignaali osuu yksittäiseen vektorihydrofoniin, jonka tuleva atsimuutti on 100◦, ja signaali-kohinasuhde (SNR) samalla taajuuskaistalla on -20 ∼ 16 dB, 2 dB:n ja ei kohinaa signaaliin ei liity Gau-intervalleina, näytteenottotaajuus on 20 kHz. Kunkin laskentaprosessin datan pituus on 5 s ja 75 % tiedoista toistetaan aikaikkunassa.

Pinonopeus on jaettu 17 tietoon, joiden pituus on 1 s, ja jokaiselle data.form, FFT) laskennalle suoritetaan 32768-pisteinen Fast Fourier Transform (Fast Fourier Transform), prosessointitaajuuskaista on 200 Hz ~3 kHz, 17 äänenvoimakkuuden ja spektrin keskimääräistä ryhmää lasketaan. algoritmia käytetään tähän tarkoitukseen.

Arvioitu vakiosuunta. Kuvassa 3 on histogrammi-algoritmin atsimuuttiestimointitulokset käyttämällä yllä olevia simulointiolosuhteita signaali-kohinasuhteen funktiona (eli normalisoitu atsimuuttispektri vaihtelee signaalin mukaan. Kohinasuhde muuttuu, ja atsimuuttispektri on amplitudi eri atsimuutteissa), ja 200 riippumatonta Monte Carlo -suhdetta voidaan nähdä kunkin signaalin alla. arvioitu atsimuuttihistoria tulee vähitellen selväksi signaali-kohinasuhteen kasvaessa. Histogrammi-algoritmin kohdeorientaation estimointisuorituskyvyn kvantitatiiviseksi kuvaamiseksi kuvassa 4 ja kuviossa 5 on annettu suuntahakuvirheen käyrä ja -3 dB atsimuuttispektrin leveys SNR:n funktiona. Voidaan nähdä, että kun signaali-kohinasuhde on −7 dB, suuntahaku .Virhe on noin 8◦ ja −3 dB atsimuuttispektrin leveys on noin 19◦; kun signaali-kohinasuhde on suurempi kuin 0 dB, suuntahakuvirhe ja -3 dB atsimuuttispektrin leveys ovat vastaavasti pienempiä kuin 3◦ ja 7◦

Kuva 6 on kohteen autonomisen seurantalipun käyrä signaali-kohinasuhteella osassa 1 ehdotetun kohteen autonomisen tunnistus- ja seurantaalgoritmin mukaisesti. Kohteenseurantalippu 1 tarkoittaa, että algoritmi saavuttaa kohdeseurannan, ja 0 tarkoittaa, että kohdeseurantaa ei saavuteta. Kuvasta 6 voidaan nähdä, että kun signaali-kohinasuhde on suurempi kuin -7 dB.Time histogrammi-algoritmi voi saavuttaa autonomisen kohteen.

2.2 Säiliön testianalyysi

Yksivektorin hydrofonin histogrammi-algoritmin kohteen havaitsemissuorituskyvyn hallitsemiseksi suoritettiin yksivektorihydrofonin kohteen havaitsemissuorituskyvyn varmistustesti kaiuttomassa poolissa. UW350 käytettiin äänilähdekohteena testin aikana ja syvyyttä käytettiin 3 m veden alla. Testissä käytetty signaali on signaalilähteen lähdön leveys. Gaussin valkoisen kohinan avulla lähdön huipusta huippuun arvoksi asetetaan 10 mV, 20 mV, 25 mV, 50 mV, 100 mV, 1 V ja 10 V. Kunkin signaalin lähetysaika on 60 s ja pienen signaalin läpäisemisen äänilähdetaso lasketaan kaavasta 20 lg (A1/A2), jossa A1 ja A2 ovat signaalilähteen asetusten huipusta huippuun arvoja. Signaalipäästöäänen lähteen tasosta voidaan laskea vektorihydrofonin kunkin kanavan signaali-kohinasuhde vektorihydrofonin ja äänilähteen välisen etäisyyden perusteella. Taulukko 1 esittää vektorihydrofonin kunkin kanavan vastaanottaman äänilähdesignaalin laajakaistaisen keskimääräisen signaali-kohinasuhteen tulokset ja antaa kunkin kanavan signaali-kohinasuhteen keskiarvon eri äänilähteen emissiointensiteeteillä. Voidaan nähdä, että signaalilähteen lähdön huipusta huippuun -arvo on vastaavasti 10 mV, 20 mV, 25 mV, 50 mV, 100 mV, 1 V ja 10 V, Laajakaistaisen akustisen muuntimen vektorihydrofonin vastaanottaman äänilähdesignaalin keskimääräinen signaali-kohinasuhde on −13 dB, −7 dB, −5 dB, 1 dB, 7 dB, 27 dB ja 47 dB.

 

Seitsemän signaali-kohinasuhteen signaalia käsitellään erikseen käyttämällä histogrammi-algoritmia. Lasketut atsimuuttiestimointitulokset muuttuvat ajan myötä kuvan 7 mukaisesti. Kuvassa on myös merkitty signaalilähdön ja vektorihydrofonin huipusta huippuun arvo kullakin aikajaksolla. Vastaanottimen signaali-kohinasuhde. Kuvasta 7 voidaan nähdä, että äänilähteen kohteen arvioitu atsimuutti tasaantuu vähitellen vastaanotetun signaali-kohinasuhteen kasvaessa ja on periaatteessa yhteneväinen todellisen atsimuutin kanssa. Kuva 8 ja kuva 9 esittävät histogrammi-algoritmin seitsemän äänilähteen lähettämien signaali-kohinasuhdesignaalien atsimuuttiarviointivirheen ja -3 dB atsimuuttispektrin leveyden. Suhde kasvaa ja pienenee vähitellen. Suunnanhakuvirhe kasvaa, kun äänilähde lähettää 10 V huipusta huippuun -kohinasignaalia verrattuna 1 V huipusta huippuun. Tämä johtuu siitä, että äänilähde lähettää korkean äänilähteen signaalin.

Poolissa on epätäydellinen kohinanvaimennus matalataajuuskaistalla ja siinä on voimakas rajapinnan heijastus; kun signaali-kohinasuhde on -7 dB, suunnanhakuvirhe on noin 8° ja -3 dB atsimuuttispektrin leveys on noin 23°; ja kun signaali-kohinasuhde on suurempi kuin 1 dB, suunnanhakuvirhe ja -3 dB atsimuuttispektrin leveys ovat pienempiä kuin 4◦ ja 19◦, vastaavasti. Kuvio 10 on kohteen seurantamerkin käyrä, jossa äänilähteen emissiosignaalin intensiteetti on laskettu kohteen autonomisen tunnistus- ja seurantaalgoritmin mukaan. Voidaan nähdä, että kun signaali-kohinasuhde on -7 dB, histogrammi-algoritmi voi saavuttaa äänilähteen kohteen autonomisen seurannan.

 

 

2.3 Meritestianalyysi

 

Merenkulun kohteiden havaitsemissuorituskyvyn analysoinnissa käytettiin yksivektorihydrofonin histogrammialgoritmia käyttämällä Etelä-Kiinan meren pohjoisilla vesillä elokuussa 2019 tehdyn vedenalaisen akustisen poijun kohteen havaitsemissuorituskyvyn varmistustestin tietoja. Koemerialueen syvyys on noin 1500 m. Testijakson aikana sääolosuhteet ovat hyvät ja tuuli.

 

 

Nopeus on noin tasolla 2. Laivan hylkäämisen termosuolasyvyysmittarin mittaustulokset osoittavat, että äänen nopeusprofiili on tasainen kerros 40 metrin syvyydessä ja äänennopeuden pääkatastrofikerros on 40 ~ 200 metrin syvyydessä ja äänikanavan akseli on 1000 metrin päässä. Lähellä syvyyttä. Testipäivän aikana klo 12.33-14.02 pinta-alus, jonka pituus oli 42 m, leveys 6 m ja nopeus 8,4 kn, kulki lähellä vedenalaista akustista poijua suunnassa 301°. Jakson aikana pinta-alus ja vedenalainen akustiikka Poijun etäisyys on lyhimmällä hetkellä noin 2 km ja kauimpana 13,8 km. Vertailukaavio histogrammi-algoritmilla lasketusta kohdeatsimuutin estimointituloksesta ja pinta-aluksen todellisesta atsimuutista on nähtävissä, että histogrammi-algoritmi on koko ajan 12:33-14:02.

 

Kuvassa 13 ja kuvassa 14 on esitetty histogrammi-algoritmi pinta-aluksen kohteen suuntahakuvirheelle ja -3 dB atsimuuttispektrin leveysmuutoskäyrälle ajan suhteen ajanjaksolla 12:33-14:02. Voidaan nähdä, että suunnanhakuvirhe on paras Se voi saavuttaa 5°:n sisällä ja -3 dB atsimuuttispektrin leveys voi olla noin 10° lähellä sijaintipistettä; lisäksi vedenalaisen akustisen poijun vedenalaisen arvioidun sijainnin poikkeaman vuoksi pinta-aluksen ja poijualustan välinen etäisyys on lähempänä. Suunnanhakuvirhe ajankohdassa kasvaa. Kuvio 15 on kohteen seurantamerkin käyrä ajan funktiona, joka on laskettu kohteen autonomisella tunnistus- ja seurantaalgoritmilla. Voidaan nähdä, että algoritmi voi saavuttaa autonomisen kohteen seurannan koko kantamalla pinta-alukselle, jonka nopeus on 8,4 kn 13,8 km:n etäisyydellä.

 

3 Johtopäätös

Tässä artikkelissa pyritään täyttämään yksivektorihydrofonien tekniset sovellukset vedenalaisilla miehittämättömillä alustoilla. Tässä artikkelissa ehdotetaan vedenalaisten kohteiden autonomista havaitsemista ja seurantaa. Jäljitysmenetelmä ja simulaatiolaskennan, kaiuttoman säiliötestin ja meritestianalyysin avulla voidaan tehdä yhteenveto histogrammi-algoritmista, joka perustuu yksivektorihydrofoniin. Vakiotunnistussuorituskyky. Tietokonesimulaatioiden ja kaiuttoman säiliötestin tulokset osoittavat, että histogrammi-algoritmi saavuttaa autonomisen seurannan vaatiman signaali-kohinasuhteen. Jos se on suurempi kuin -7 dB, suuntahakuvirhe on noin 8° ja atsimuuttispektrin leveys -3 dB on noin 20°. Meritestitiedot osoittavat, että syvänmeren hydrologiset olosuhteet ovat hyvät, histogrammi-algoritmilla voidaan saavuttaa täydellinen kohteen havaitseminen ja seuranta pinta-alukselle, jonka nopeus on 8,4 kn 13,8 km:n etäisyydellä. Paras suunnanmääritysvirhe voi olla 5◦ ja -3 dB atsimuuttispektrin leveys 10◦ lähellä lähiasemaa.