Analys av detekteringsprestandan för en vektor för hydrofonhistograms riktningssökningsalgoritm

Histogramalgoritmen för a enkelvektorhydrofon har god robusthet och prestanda för uppskattning av målazimut. Den här artikeln analyserar och sammanfattar måldetekteringsprestandan för histogramalgoritmen och föreslår en autonom detektering av undervattensmål baserat på målazimutuppskattning. Spårningsalgoritm, denna algoritm kan uppnå autonom detektering av närvaro eller frånvaro av mål i vattnet. Simulerings- och ekofria pooltestresultat visar att signal-brusförhållandet som krävs av histogramalgoritmen för att uppnå autonom målspårning måste vara större än -7 dB. Vid denna tidpunkt är riktningsavkänningsfelet cirka 8◦, och azimutspektrumbredden på −3 dB är cirka 20◦. Analysen av marina testdata visar att histogramalgoritmen kan uppnå full måldetektering och spårning inom ett avstånd av 13,8 km för ett ytfartyg med en hastighet på 8,4 kn, med ett optimalt riktningsavkänningsfel på 5◦ och en −3 dB bäring på ett avstånd av 2 km. Spektral bredd kan nå 10◦

 

 

Vektorkanalen för vektorhydrofonsensor har frekvensoberoende dipoldirektivitet och har förmågan att motstå isotropisk brusstörning. En vektorhydrofon kan uppnå oskärpa utan utrymme, vilket ger en lösning för måldetektering på små undervattensplattformar utrustade med akustiska undervattenssensorer.

dess fördel med utrymme. Under de senaste åren, med den kontinuerliga förbättringen av vektorhydrofonteknologin, har vektorsignalbehandlingsteknologin också tillämpats kraftfullt. Driven av efterfrågan har den utvecklats snabbt. Jämfört med konventionella ljudtryckshydrofoner ger vektorhydrofoner mer omfattande ljudfältsinformation. Endast ljudfältets skalär kan mätas, och ljudfältets vektoregenskaper kan också erhållas, vilket avsevärt breddar signalbehandlingsutrymmet. Det finns många målazimutuppskattningsalgoritmer baserade på enkelvektorhydrofoner, i allmänhet kan de delas in i två kategorier enligt principen för riktningsavkänning: en är azimutuppskattning baserad på ljudenergiflöde; den andra är att betrakta varje kanal i vektorhydrofonen. Det är en array med flera element, varje element är ungefär på samma position i rymden, och den befintliga arraysignalbehandlingsmetoden tillämpas på enkelvektorhydrofonen genom att använda egenskaperna hos arrayflödesmönstret för själva enkelvektorhydrofonen. Olika målriktningssökningsalgoritmer för vektorhydrofon har sina egna fördelar och nackdelar. Jämfört med andra algoritmer har mediumhistogramalgoritmen bättre robusthet och prestanda för uppskattning av målorientering och har förmågan att undertrycka smalbands- och stark linjespektruminterferens, vilket är särskilt lämpligt för tekniska tillämpningar. Det här dokumentet analyserar och sammanfattar algoritmen för att hitta histogramriktningen baserad på en enkel vektorhydrofon, och föreslår en autonom detektions- och spårningsalgoritm för undervattensmål baserat på uppskattning av målorientering, med hjälp av datorsimulering, ekofria poolmätningsdata och marina experimentdata analyserad histogram och grafalgoritm för måldetektering.

 

 

1 Teoretisk algoritm

1.1 Histogramriktningssökningsalgoritm

 

Histogramalgoritmen måste först beräkna målazimutuppskattningarna vid olika frekvenspunkter, och beräkningsuttrycket är

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) representerar θ(f) målazimuten beräknad vid olika frekvenser f, och Pw, Vxw och Vyw representerar vektorhydrofonens ljudtryck i P respektive vibrationen i x-riktningen. Hastighetskanalen och vibrationshastighetskanalen i y-riktningen samlar in signalspektrumvärden, och Ix och Iy representerar det akustiska energiflödet i x-riktningen respektive y-riktningen. Det kan ses från ekvation (1) att målazimuten beräknad med ekvation (1) är relaterad till frekvensen f, och målazimutuppskattningarna vid olika frekvenspunkter är olika. Metoden för att uppskatta målazimuten genom histogrammet kan användas för att beräkna målazimuten i miljön. Smalbandsinterferens och stark linjespektrumstörning, men när det finns flera mål i miljön. När de utstrålade brusfrekvenserna överlappar varandra kan histogrammetoden inte få den verkliga azimuten för varje mål, bara ljudenergiflödet för varje mål.

 

Den kombinerade orienteringen kommer att vara förspänd mot den mer intensiva målorienteringen. Histogrammets azimutstatistik ska räkna den uppskattade målazimuten θ(f) i motsvarande azimutintervall enligt antalet frekvenspunkter. Om azimutintervallet divideras med 1◦, då k = [θ(f) × 180/π], φ (k) = φ(k) + 1, (2) I formel (2), representerar [] avrundningsoperationen, k är värdet som erhålls genom avrundning av θ(f), såsom θ(f)(f) θ(f)(f) θ(f)(f)+ 60 360◦, så att den uppskattade azimuten för målet faller på intervallet [0◦ 360◦), φ är frekvensen för azimutuppskattningen vid varje vinkel, och vinkelvärdet som motsvarar det maximala värdet är den uppskattade azimuten för målet.

 

1.2

En algoritm för autonom måldetektion och spårning

Den autonoma detekterings- och spårningsalgoritmen för undervattensmål baserat på uppskattning av målorientering. Grundidén är att utföra statistisk analys av målorienteringen uppskattad av histogramalgoritmen och jämföra orienteringsstatistiken med förinställda trösklar, vilket äntligen kan realisera autonom detektering av undervattensmål och spårning. Flödesschemat för autonom måldetektering och spårning inkluderar följande fem steg: (1) Använd först hydrofonhistogramalgoritmen med enkel vektor för att skanna hela rumsriktningen för att erhålla den uppskattade azimuten Ag för den mottagna signalen; (2) Använd konstant virtuell Larmdetektor (CA-CFAR-detektor) utför konstant falsklarmbearbetning på målorienteringen som erhölls i steg (1); (3) Om CA-CFAR-detektorn bedömer Ag som målsignalens orientering tilldelas Ag-värdet matrisen AgT[i], i annat fall tilldela −1 till matrisen AgT[i] (i = 1, 2, ·, N); (4) Om antalet värden för matrisen AgT = −1 är större än AT (AT är det förinställda tröskelvärdet , AT

 

Beräkning av rotmedelkvadratfelet StdAT, om StdAT är mindre än tröskelvärdet StdDT, bedöms det att det finns ett mål, och målpositionen spåras, annars upprepas steg (1) ~ (4). Genom ovanstående 5 steg kan autonom detektering och spårning av undervattensmål uppnås. Principen för CA-CFAR-bearbetning är att vid detektering och spårning av ett visst azimutmål, på grund av den marina miljöns icke-stationära karaktär, är sannolikheten för falsklarm instabil nära en viss detekteringssannolikhet, och realtidsspårningen av miljöbrusnivån sätter ett tidsvarierande tröskelvärde kan uppnå en konstant detekteringssannolikhet med ett konstant detekteringssannolikhet för larmmålet. I allmänhet är tröskeln en funktion av detekteringssannolikheten och sannolikheten för falsklarm. CA-CFAR bearbetningsteknologi är en signalbehandlingsalgoritm som tillhandahåller detektionströskeln i det automatiska detekteringssystemet och minimerar påverkan av brus och störningar på detektionssystemets sannolikhet för falsklarm. I CA-CFAR-processtekniken, när en specifik enhet behöver testas, kallas den testade enheten för testenheten (Cell under test, CUT), och provenheten som används för att extrahera bruseffekten runt testenheten kallas referensenheten (Reference). celler, RC). För att förhindra att målsignalen läcker in i referensenheten, vilket kommer att påverka uppskattningen av bruseffekten negativt, bör en del av provet reserveras som en skyddscell (GC) mellan referensenheten och testenheten. Förhållandet mellan testenhet, referensenhet och skyddsenhet anges.

2 Resultatanalys för måldetektering

Det här avsnittet kommer att ge datorsimuleringsresultaten av måldetekteringsprestandan för histogramalgoritmen och använda den ekofria poolen och sjötestdata för att analysera

Algoritm för målriktningssökning och autonom spårningsprestanda. För enkelhetens skull analyserar den här artikeln endast situationen med ett enda mål.

2.1 Simuleringsanalys

Simuleringsförhållandena är följande: med tanke på att en bredbandsmålsignal infaller på en enkel vektorhydrofon med en infallande azimut på 100◦, och signal-brusförhållandet (Signal-to-brus-förhållandet (SNR)) i samma frekvensband är inställt på -20 ~ 16 dB, med 2 dB-ingen infallande intervall är Gaus inte relaterade till infallande intervaller. signal, och samplingsfrekvensen är 20 kHz. Datalängden för varje beräkningsprocess är 5 s, och 75 % av datan reproduceras i tidsfönstret.

Stackhastigheten är uppdelad i 17 bitar av data med en längd på 1 s, och 32768-punkters Fast Fourier Transform (Fast Fourier Transform) utförs på varje bit av data.form, FFT) beräkning, bearbetningsfrekvensbandet är 200 Hz ~3 kHz, 17 medelvärde spektra grupper av ljud och histogram beräknas sedan. algoritm används för ändamålet.

Beräknad standardorientering. Figur 3 visar azimutuppskattningsresultaten för histogramalgoritmen med användning av ovanstående simuleringsförhållanden som en funktion av signal-till-brusförhållandet (det vill säga det normaliserade azimutspektrumet varierar med signalen. Brusförhållandet ändras och azimutspektrumet är amplituden i olika azimuter), och simuleringsförhållandet är under 200 Monte Carlo-signaler i varje experiment. kan ses att den uppskattade azimuthistoriken gradvis blir tydlig när signal-brusförhållandet ökar. För att kvantitativt beskriva målorienteringsuppskattningens prestanda för histogramalgoritmen, figur 4 och figur 5. Kurvan för riktningsavkänningsfel och -3 dB azimutspektrumbredd mot SNR ges respektive. Det kan ses att när signal-brusförhållandet är −7 dB, är riktningsavkänningen .Felet är cirka 8◦, och −3 dB azimutspektrumbredden är cirka 19◦; när signal-brusförhållandet är större än 0 dB, är riktningsavkänningsfelet och −3 dB azimutspektrumbredd mindre än 3◦ respektive 7◦

Figur 6 är kurvan för den autonoma målspårningsflaggan med signal-brusförhållandet enligt den autonoma målspårningsalgoritmen som föreslås i avsnitt 1. Målspårningsflaggan 1 representerar att algoritmen uppnår målspårning, och 0 betyder att målspårningen inte uppnås. Det kan ses från figur 6 att när signal-brusförhållandet är större än -7 dB. Tidshistogramalgoritm kan uppnå autonoma mål.

2.2 Tanktestanalys

För att bemästra måldetekteringsprestandan för enkelvektors hydrofonhistogramalgoritm, utfördes ett verifieringstest för måldetektering av hydrofoner med en enda vektor i en ekofri pool. UW350 användes som ljudkällasmål under testet, och djupet användes för 3 m under vattnet. Signalen som används i testet är bredden på signalkällans utgång. Med Gaussiskt vitt brus är utgångens topp-till-toppvärde inställd på 10 mV, 20 mV, 25 mV, 50 mV, 100 mV, 1 V respektive 10 V. Sändningstiden för varje signal är 60 s, och ljudkällans nivå för den lilla signalemissionen passerar formeln 20 lg (A1/A2) beräknas, där A1 och A2 är topp-till-topp-värdena för signalkällans inställningar. Från signalemissionsljudkällans nivå kan signal-till-brusförhållandet för varje kanal i vektorhydrofonen beräknas baserat på avståndet mellan vektorhydrofonen och ljudkällan. Tabell 1 visar resultaten av det bredbandiga genomsnittliga signal-brusförhållandet för ljudkällans signal som tas emot av varje kanal i vektorhydrofonen, och ger medelvärdet för signal-brusförhållandet för varje kanal under olika ljudkällas emissionsintensiteter. Det kan ses att topp-till-topp-värdet för signalkällans utsignal är vid 10 mV, 20 mV, 25 mV, 50 mV, 100 mV, 1 V respektive 10 V, akustisk bredbandsgivares genomsnittliga signal-brusförhållande för ljudkällans signal som tas emot av vektorhydrofonen är −13 dB, −7 dB, −5 dB, 1 dB, 7 dB, 27 dB och 47 dB.

 

De sju signal-brusförhållandesignalerna behandlas separat med hjälp av histogramalgoritmen. De beräknade azimutuppskattningsresultaten ändras med tiden som visas i figur 7. Figuren markerar också topp-till-topp-värdet för utsignalen och vektorhydrofonen under varje tidsperiod. Mottagarens signal-brusförhållande. Det kan ses från figur 7 att den uppskattade azimuten för ljudkällans mål gradvis stabiliseras när det mottagna signal-brusförhållandet ökar och i princip sammanfaller med den verkliga azimuten. Figur 8 och figur 9 visar azimutuppskattningsfelet och -3 dB azimutspektrumbredd för signal-brusförhållandesignalerna som emitteras av de sju ljudkällorna av histogramalgoritmen. Förhållandet ökar och minskar gradvis. Riktningsfelet ökar när ljudkällan avger en 10 V topp-till-topp brussignal jämfört med 1V topp-till-topp. Detta beror på att ljudkällan avger en signal med hög ljudkälla.

Poolen har ofullständig brusreducering i lågfrekvensbandet och det finns stark gränssnittsreflektion; när signal-brusförhållandet är −7 dB, är riktningsavkänningsfelet cirka 8° och azimutspektrumbredden på −3 dB är cirka 23°; och när signal-brusförhållandet är större än Vid 1 dB, är riktningsavkänningsfelet och −3 dB azimutspektrumbredd mindre än 4◦ respektive 19◦. Figur 10 är kurvan för målspårningsmärket med intensiteten hos ljudkällans emissionssignal beräknad enligt den autonoma måldetektions- och spårningsalgoritmen. Det kan ses att när signal-brusförhållandet är −7 dB, kan histogramalgoritmen uppnå autonom spårning av ljudkällans mål.

 

 

2.3 Marin testanalys

 

Med hjälp av data från testdata för verifiering av prestanda för detektering av akustiska bojmål under vattnet som utfördes i de norra vattnen i Sydkinesiska havet i augusti 2019, användes enkelvektors hydrofonhistogramalgoritm för att analysera detekteringsprestandan för maritima mål. Djupet av testhavsområdet är ca 1500 m. Under testperioden är väderförhållandena bra och vinden.

 

 

Hastigheten är ungefär nivå 2. Mätresultaten av det fartygsburna termosaltdjupsinstrumentet visar att ljudhastighetsprofilen är ett enhetligt skikt inom ett djup av 40 m, och ljudhastighetens huvudsakliga katastrofskikt ligger inom ett djup av 40 ~ 200 m, och ljudkanalaxeln är på 1000 m. Nära djupet. Under testdagen från 12:33-14:02 passerade ett ytfartyg med en längd av 42 m, en bredd på 6 m och en hastighet av 8,4 kn nära den akustiska undervattensbojen med en kurs på 301°. Under perioden ytfartyget och undervattensakustiken. Bojens avstånd är ca 2 km vid kortast tid och 13,8 km längst bort. Ett jämförelsediagram av målazimutuppskattningsresultatet beräknat av histogramalgoritmen och den verkliga azimuten för ytfartyget ges, och det kan ses att histogramalgoritmen är i hela 12:33-14:02 tiden.

 

Figur 13 respektive figur 14 visar histogramalgoritmen till fartygets målriktningsfel och −3 dB azimutspektrumets breddförändringskurva med tiden under tidsperioden 12:33-14:02. Det kan ses att riktningsavkänningsfelet är det bästa. Det kan nå inom 5° och −3 dB azimutspektrumbredden kan nå cirka 10° nära den närliggande lokaliseringspunkten; Dessutom, på grund av avvikelsen av den undervattensberäknade positionen för den akustiska undervattensbojen, är avståndet mellan ytfartyget och bojplattformen närmare. Felet i riktningsavkänningen ökar vid tidpunkten. Figur 15 är kurvan för målspårningsmärket över tid beräknad av den autonoma måldetektions- och spårningsalgoritmen. Det kan ses att algoritmen kan uppnå autonom målspårning över hela räckvidden för ett ytfartyg med en hastighet av 8,4 kn inom ett avstånd av 13,8 km.

 

3 Slutsats

Syftar på de tekniska tillämpningskraven för enkelvektorhydrofoner på obemannade undervattensplattformar, föreslår detta dokument en autonom detektering och spårning av undervattensmål. Spårningsmetod och använd simuleringsberäkning, ekofri tanktest och sjötestanalys för att sammanfatta histogramalgoritmen baserad på hydrofon med enkel vektor. Standarddetekteringsprestanda. Resultaten av datorsimulering och ekofria tanktestdata visar att histogramalgoritmen uppnår det signal-brusförhållande som krävs för autonom spårning. Om det är större än -7 dB är riktningsavkänningsfelet ca 8° och azimutspektrumbredden på -3 dB är ca 20°. Havstestdata visar att djuphavet är bra hydrologiska förhållanden, histogramalgoritmen kan uppnå full måldetektering och spårning för ett ytfartyg med en hastighet av 8,4 kn inom ett avstånd av 13,8 km. Det bästa riktningsavkänningsfelet kan nå 5◦, och −3 dB azimutspektrumbredden kan nå nära 10◦ nära positionen.