一、数字式声呐中一种新的背景均衡算法(论文文献综述)
王功兵,陈托[1](2021)在《基于数学形态学的主动声呐探测信息净化方法》文中进行了进一步梳理针对主动声呐探测画面中混响和被动条状干扰问题,提出了一种基于数学形态学滤波的主动探测信息净化方法。该算法通过研究数学形态学滤波器的频响特性,构造与主动声呐探测画面中目标频率特性匹配的结构元素,然后对主动声呐探测画面进行形态学滤波处理,估计主动声呐探测画面的干扰背景,最后进行探测信息净化,并利用形态学滤波对净化后图像进行增强。海试数据处理结果表明,该文方法能够有效抑制低频被动条状干扰以及混响背景,使点状目标在图像中表现更为明显,更有利于目标检测。
沈彤[2](2020)在《基于声呐图像的小目标检测算法研究》文中进行了进一步梳理由于国际形式的日益开放,各国之间的竞争也日趋激烈,海洋资源和港口因其重要性,一直是国际争端的焦点,这使得国家近海区域的水下安全问题尤为突出。随着水下武器装备的不断小型化发展,蛙人、水下机器人等小目标成为“非对称”战略中,水下袭击的重要作战手段,因此各个国家都把对水下蛙人的检测作为研究的重点。声呐技术作为水下探测的重要方法,利用声呐系统进行水下探测环境的成像,并利用声呐图像进行蛙人小目标的检测,有助于构建近海区域港口的水下监视系统,也为国家水下安全提供相应的技术保障。因此,本文致力于将声呐数据转换为图像,并研究新的声呐图像小目标检测算法。本文的主要研究内容如下:首先,本文研究了改进最近邻插值法的坐标转换算法。考虑到声呐系统的视域范围是极坐标系中的扇形区域,利用改进最近邻法对波束形成的声呐图像数据矩阵进行坐标转换,消除了由直接转换引起的图像空洞现象,同时改善了因为声波扩散使得波束角度变宽而引起的数据缺失问题,改善了图像的质量。其次,本文研究了一种基于残差图像的自适应K奇异值分解(K Singular Value Decomposition,K-SVD)声呐图像去噪算法。针对声呐图像混响噪声满足服从瑞利分布的乘性噪声特点,将稀疏表示理论应用到声呐图像去噪算法。由实验结果可知,该算法既有效去除了噪声又实现了图像细节信息的保留,在主观和客观指标上都有较好的评价结果。然后,本文研究了基于积分图的自适应阈值声呐图像小目标检测算法。考虑到声呐图像的像素值对应声回波数据,同时一般情况下目标的回波信息比水下背景环境的回波强度大的特点,引入积分图,计算自适应阈值,采用阈值分割的算法进行声呐小目标的检测。实验结果表明此算法可以有效检测到水下环境中的小目标,同时积分图的使用可以加快计算速度,从而提高算法的实时性。将连续帧图像的目标检测位置,进行连接得到检测小目标的运动轨迹结果。最后,本文提出了一种基于对比度的声呐图像小目标检测算法。利用声呐图像的积分图进行亮度的像素值计算,对计算得到的对比度图像进行阈值分割处理,进行小目标的检测。实验结果验证了此算法的有效性,提高了小目标的检测率,改善了检测精度,实现了更好的检测效果。针对声呐图像中小目标检测的问题,本文重点研究了两种新的小目标检测算法,实验结果验证了算法的有效性,从而可以将其应用于水下监测系统的建设。
王益乐,王海宁[3](2019)在《基于信号线谱特征的被动声呐航迹关联算法》文中认为针对仅利用纯方位信息进行航迹关联在目标密集或交叉等复杂场景下性能较差的问题,提出了一种基于信号线谱特征的被动声呐航迹关联算法。利用水声目标方位、低频分析记录(LOFAR)线谱和噪声调制包络检测(DEMON)线谱信息构造航迹关联特征向量,对各特征因子的关联系数根据其数值分布区间进行动态加权,通过灰关联度分析计算多目标航迹关联度。仿真结果表明,该算法航迹关联性能与纯方位关联算法的相比有较大提高。
孙亚晶[4](2019)在《基于深度学习的声呐图像目标识别技术研究》文中研究表明基于声呐图像的水下目标识别技术应用广泛,民用和军用技术等都对其有着巨大需求。面对日益复杂的国际环境,特别是南海海域,各国虎视眈眈,发展声呐图像目标识别技术,加强海军力量建设,统筹使用多种手段维护和拓展国家海洋权益,妥善应对海上侵权行为,维护好我国领海的海洋航行自由和海上通道安全十分重要。语义分割算法作为一种新型的基于精细特征,特征增强的像素级目标分割识别方法,可以有效弥补上述技术局限。因此为提高声呐图像目标个体识别性能,研究面向声呐图像的语义分割算法十分重要。学术界针对光学图像的语义分割算法已有很大发展,但对声呐图像进行语义分割目标识别还存在以下问题:不同的水下环境噪声属性差别很大,很难有一个通用的统计模型适用所有水声环境,可迁移性差;声图像本身可用信息有限,传统算法下对噪声的处理会造成图像中有用信息的丢失,影响后续目标物的识别。针对以上问题,本文首先从声呐图像的成像特点出发,从水下噪声场特性和声呐成像原理两个角度对声呐图像噪声特性进行研究,分析声呐图像噪声组成和噪声形成原理,为后续声呐图像目标识别的工作奠定基础;其次建立了一个可靠可用的声呐图像数据集,使用了数据集增广方法对声呐图像数据集进行扩张,并运用去噪技术对声呐图像进行预处理、运用主动学习的方法选取合适的声呐图像进行标记;然后结合深度学习语义分割技术提出了新的多尺度(multi-scale)卷积核融合法来对声呐图像中的目标物进行像素级的分割与识别;最后除了声呐图像外,本文还研究了如何对声呐视频序列进行实时的目标分割识别,在保证声呐视频序列目标分割准确性的前提下减少每帧分割时间。实验结果表明,本文提出的基于深度学习的声呐图像(视频)目标分割识别方法解决了传统声呐图像目标分割识别算法的智能化程度低、鲁棒性差、实时性差、识别准确率低等问题,对声呐图像(视频)目标分割识别技术的实际应用有重要作用。
邱家兴,王易川,丁超,程玉胜[5](2019)在《一种自适应门限时间方位历程显示背景均衡算法》文中提出根据目标信号与背景噪声的特点,结合机器自动提取BTR弱目标轨迹时的需求,本文设计了一种自适应门限背景均衡算法。相比于现有方法,该算法有两点改进:1)根据目标信号与背景噪声幅度比值,自适应生成滤波阈值,不需要人工设置与调试;2)根据目标信号与背景噪声在BTR中的显示特点,自动识别噪声并进行抑制,提高了弱目标与噪声的区分度。实测信号处理结果证明,本文算法能够在保护弱目标轨迹的情况下较干净地滤除背景噪声。
叶武[6](2019)在《基于时空频联合处理的目标辐射噪声特征提取方法》文中指出线谱特征是水声目标辐射噪声信号的主要特征之一,线谱特征的检测和提取是水声信号处理的重要内容。减震降噪技术的应用使得水声目标的辐射噪声强度和特征持续减弱,在实际海洋环境中,线谱特征越来越难以被检测。但与此同时,弱目标的探测却越来越依赖于线谱特征的检测。在阵列获取的多波束数据中,线谱的检测和跟踪需要在时间、频率和空间维度进行,扩展了常规线谱检测和跟踪处理的维度,并大大增加了计算量,给实时处理带来了困难。本文针对传感器及阵列获取的目标信号,开展基于功率谱、LOFAR谱和多波束LOFAR谱数据的线谱检测研究。本文首先讨论课题研究的背景和现状,介绍了舰船辐射噪声的产生及机理,梳理了水声信号的获取基本方法和频谱特征提取基本方法。其次,讨论了六种拟合方法对信号频谱进行背景均衡,并通过设定拟合优度和线谱能量保存度两个特征参数来判断拟合方法的优劣。在对舰船辐射噪声频谱进行背景均衡的基础上,提出利用改进的局部3?准则进行线谱检测,提升了线谱检测的算法性能。再次,在LOFAR图线谱检测研究中,提出了基于生灭过程的LOFAR图线谱检测方法,实现了LOFAR图中的线谱检测和跟踪。针对低信噪比的线谱信号,提出基于HMM的LOFAR图线谱检测方法,推导了信噪比未知条件下的HMM三要素中观测概率矩阵元素的计算公式。采用了高虚警检测对数据集进行预处理,降低HMM模型检测的虚警概率。提出了网格化处理的方法,相较于常规HMM模型线谱检测方法,大大地降低了算法的计算量。最后,针对多波束LOFAR数据的线谱检测问题,扩展了基于生灭过程的LOFAR图线谱检测方法和基于HMM的LOFAR图线谱检测方法,再增加空间维度处理,包括(1)提出了干扰带置零法和作差法两种方法剔除主瓣及旁瓣虚警,消除了由于基阵指向性函数特性带来空间信号干扰;(2)提出了一种降维计算的方法,实现了将三维数据降维至二维数据进行处理,并在波束域和频率域两个维度上利用K-means算法进行异常值判断,确保结果的正确性。(3)提出了波束预筛选的方法,通过统计各个波束内预筛选出的频点个数,剔除不存在线谱的波束,从而大大降低了计算量,提高了线谱检测效率。
李宝磊[7](2019)在《被动声呐信号的时延估计》文中研究指明被动声呐信号的时延估计研究一直是水声领域的重点。本文在总结时延估计发展历史和现状的基础上,重点研究了被动声呐宽带信号精确时延估计和多途环境下的时延估计。讨论了时延估计的基础理论,包括时延估计的性能评价标准和基于最大似然准则的时延估计方法,建立了时延估计的数学模型。研究了宽带信号精确时延估计。为解决相关类时延估计方法时延估计精度受采样率限制的问题,研究提出了分数时延估计算法,能够有效实现相关峰的插值;研究了频域补零法,提高了时延估计精度;针对频域补零法计算量较大的问题,研究了基于改进的Chirp-Z变换的相关峰精确插值方法,减少了计算量;结合被动声呐信号频带有限的特点,研究了带限信号的频谱细化方法,进一步降低了计算量,同时又提高了时延估计精度。研究了多途环境下的时延估计方法。分析了相关类算法存在的问题;研究了具有高分辨率的MUSIC时延估计算法,以实现多途环境下的时延估计和相关峰分辨;针对MUSIC时延估计算法计算量大的问题,研究提出了最小方差时延估计算法;为解决多途环境中时延估计不稳定的问题,研究了时延跟踪算法,利用相关峰的特点和稳定性对其进行跟踪,提高了多途环境下的时延估计精度。仿真实验验证了上述方法的有效性。
田真[8](2019)在《多目标检测前跟踪的粒子滤波算法研究》文中进行了进一步梳理在复杂探测环境中对多目标的检测跟踪是现代探测领域一项重要的共性基础研究,在国防领域具有重要意义。相对于传统的检测后跟踪(Detect before track,DBT)技术,新近提出的检测前跟踪(Track before detect,TBD)技术更为有效。大量研究表明,基于粒子滤波(Particle filter,PF)算法的TBD技术对弱小目标检测效果显着,但现阶段在理论、方法以及工程实践等方面仍存在不少亟待解决的问题。例如:多目标维数灾难、临近目标干扰、采样粒子数规模的合理设定等。本文主要研究用于多目标PF-TBD算法,主要工作如下:1、针对多目标跟踪的维数灾难问题,研究了独立分区交叉采样技术,并以此为基础,推导了独立分区粒子滤波算法,该算法利用后验独立假设,将高维度的多目标联合采样降维成为多个单目标采样,通过子分区交叉采样提高了粒子效率,从而使得计算量与目标数线性相关。2、针对独立分区算法没有考虑目标临近干扰的问题,提出了基于并行分区状态采样的粒子滤波改进算法,在保持其后验独立假设的前提下,改进一阶权重的计算方法,将临近目标的影响纳入似然函数,从而提高了目标相互临近时的跟踪精度。3、针对粒子滤波预设固定粒子数的问题,研究了一种基于KL距离(KullbackLeibler distance,KLD)采样的自适应设定样本规模的采样方法,将其推广到多目标场景下,提出了基于KLD的动态粒子数并行分区粒子滤波算法。该算法以后验估计精度为依据,通过先验概率和后验概率分布的差异大小自适应地决定粒子数规模,在预设跟踪精度下使用尽可能少的粒子数,达到了减少计算量的目的。4、针对无源声呐多目标TBD问题,研究了多目标PF-TBD的工程实现方案,利用多目标PF-TBD算法对两批某型无源声呐实测数据进行了离线处理,并对处理结果进行性能分析,验证了本文提出的KLD-PP-PF的TBD算法的有效性。
徐璐霄[9](2018)在《基于被动阵列的水声弱目标检测前跟踪算法研究》文中指出随着现代舰船、深潜器等设备的不断发展,原本人类无法探知的水域逐渐走进了人的视野,蕴含了的丰富资源的海洋环境越来越受到人们的重视。随着世界各国的不断的竞争,提升维护海洋环境权益的能力刻不容缓。被动声呐系统由于其优秀的隐蔽性而日益受到科研人员的重视。受自身特性影响,被动声呐系统接收到的大量目标信号均有信噪比低下的特点,传统跟踪算法对此的处理能力十分有限,而目前被动声呐检测前跟踪算法研究仍然处于较为空缺的状态。本文针对上述问题,详细研究了基于被动声呐阵列的检测前跟踪算法,主要做了如下工作:1.针对被动声呐系统目标检测、跟踪算法研究不充分的问题,研究了被动声呐系统的基本模型和多目标粒子滤波算法的基本理论,建立了合适的多目标跟踪框架和阵列信号模型,为本文的算法做了理论基础的铺垫。2.针对被动声呐目标信噪比低的问题,提出了基于被动声呐阵列的双参数似然水声弱目标粒子滤波检测前跟踪算法,算法通过建立被动声呐纯方位跟踪的目标运动和量测模型,利用基于最小CV距离准则的空间谱似然函数概率模型拟合准则设计了双参数空间谱似然函数,实现了对水声阵列目标的检测前跟踪处理,并通过仿真验证了该算法相比传统跟踪对被动声呐弱目标处理的优越性。3.针对实际运用中被动声呐系统目标先验信息均未知且目标数目可变的问题,提出了基于权值假设检验的粒子滤波检测前跟踪算法,算法分析了所提被动声呐粒子滤波检测前跟踪算法的先验依赖问题,通过研究目标和杂波在空间谱似然函数上的特征,建立了基于权值假设检验的目标“起始”和“终止”粒子滤波模型,实现了算法对先验未知目标的处理,并且通过仿真验证了算法相比于传统跟踪算法在跟踪精度和实时性方面的优势。最后通过实测数据验证了算法的有效性和实用性。
郭俊[10](2018)在《基于主动声呐水下高速航行体测速技术研究》文中认为本论文以主动声呐测速作为研究对象,围绕主动声呐测速中影响测速精度的混响及水下背景噪声这两个干扰进行了研究。主要研究内容如下:基于入水弹道理论及超空泡流体动力理论,建立常用坐标系,分析了航行体高速入水时的受力情况,忽略航行体的浮力等一些次要影响简化了动力学模型,结合牛顿第二运动定律,建立了航行体入水段的纵向动力学模型。在航行体动力学模型的基础上,通过分析声呐常用波形的模糊度图,结合航行体入水速度快,加速度大的特点,结合多普勒频移理论,建立了抗混响的航行体长单频脉冲信号回波模型,提升了声呐检测精度。对航行体回波信号中的水下背景噪声进行分析,研究了小波阀值降噪算法对主动声呐回波中背景噪声去噪的可能性。从小波变换理论出发,给出了小波阀值降噪法的基本原理和算法,分析了小波阀值降噪的主要影响因素,重点讨论了阀值函数,在已有阀值函数的基础上提出了一个介于软阀值与硬阀值之间的阀值函数。通过仿真实验,验证了该新型函数阀值函数在本文回波模型上具有良好的降噪性能,提高了声呐在干扰背景下的测量精度。利用短时傅里叶变换作为时频分析工具,对降噪后的回波信号进行速度信息提取,通过仿真实验,将所提取的速度信息与原航行体的速度信息进行对比,验证该算法在主动声呐测速中的有效性。
二、数字式声呐中一种新的背景均衡算法(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、数字式声呐中一种新的背景均衡算法(论文提纲范文)
(1)基于数学形态学的主动声呐探测信息净化方法(论文提纲范文)
0 引言 |
1 主动声呐探测原理 |
1.1 主动声呐信号检测流程 |
1.2 主动探测画面干扰成因 |
2 数学形态学滤波基本原理 |
3 形态学滤波在主动探测中的应用 |
3.1 结构元素确定 |
3.2 结构元素长度确定 |
4 海试数据验证与分析 |
5 结论 |
(2)基于声呐图像的小目标检测算法研究(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 引言 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 国外研究现状 |
1.2.2 国内研究现状 |
1.3 本文研究内容和结构 |
1.4 本章小结 |
2 声呐数据成像原理 |
2.1 数据预处理 |
2.1.1 数据格式转换 |
2.1.2 正交解调 |
2.1.3 匹配滤波 |
2.1.4 降采样 |
2.2 波束形成技术 |
2.3 改进最近邻坐标转换算法 |
2.3.1 最近邻算法 |
2.3.2 改进最近邻算法 |
2.4 本章小结 |
3 声呐图像去噪 |
3.1 声呐图像去噪理论发展 |
3.1.1 声呐图像的噪声模型 |
3.1.2 自适应K-SVD算法 |
3.1.3 向导滤波原理 |
3.2 基于残差图像的自适应K-SVD声呐图像去噪算法 |
3.3 实验结果与分析 |
3.3.1 模拟图像去噪实验结果与分析 |
3.3.2 声呐图像去噪实验结果与分析 |
3.3.3 客观评价结果与分析 |
3.4 本章小结 |
4 基于声呐图像的小目标检测 |
4.1 常用声呐图像目标检测算法 |
4.2 积分图原理 |
4.3 基于积分图的自适应阈值声呐图像小目标检测 |
4.3.1 算法实现步骤 |
4.3.2 背景估计 |
4.3.3 前景估计 |
4.3.4 阈值确定方法 |
4.3.5 伪目标去除 |
4.3.6 实验结果与分析 |
4.4 基于对比度的声呐图像小目标检测 |
4.4.1 算法实现步骤 |
4.4.2 前景和背景亮度值计算 |
4.4.3 对比度阈值化处理 |
4.4.4 伪目标去除 |
4.4.5 实验结果与分析 |
4.5 本章小结 |
5 结论 |
5.1 总结 |
5.2 展望 |
参考文献 |
作者简历及攻读硕士学位期间取得的研究成果 |
学位论文数据集 |
(3)基于信号线谱特征的被动声呐航迹关联算法(论文提纲范文)
0 引 言 |
1 目标信号线谱特征 |
1.1 LOFAR线谱特征 |
1.2 DEMON线谱特征 |
2 航迹关联算法 |
2.1 航迹特征向量构造 |
2.2 航迹数据标准化 |
2.3 灰关联系数计算 |
2.4 灰关联度计算 |
2.5 航迹关联准则 |
2.6 算法流程 |
3 仿真与验证 |
4 结束语 |
(4)基于深度学习的声呐图像目标识别技术研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 传统声呐图像目标识别技术研究现状 |
1.2.2 基于深度学习的目标识别技术研究现状 |
1.3 论文研究内容 |
1.4 论文组织结构 |
第二章 相关技术研究 |
2.1 水下噪声场特性研究 |
2.1.1 混响特性研究 |
2.1.2 环境噪声特性研究 |
2.2 声呐成像特性研究 |
2.2.1 声呐系统模型 |
2.2.2 波束形成原理 |
2.3 本章小结 |
第三章 声呐图像数据集的建立与处理 |
3.1 声呐图像数据集建立 |
3.1.1 数据集内容 |
3.1.2 数据集增强 |
3.2 声呐图像数据集预处理 |
3.2.1 声呐图像的预处理 |
3.2.2 使用主动学习预先选取数据进行标记 |
3.3 本章小结 |
第四章 基于多尺度卷积核融合的声呐图像语义分割算法 |
4.1 整体架构 |
4.2 噪声对抗模块 |
4.2.1 声呐图像噪声建模 |
4.2.2 噪声对抗网络 |
4.3 语义分割模块 |
4.3.1 深度残差网络 |
4.3.2 多尺度(Multi-scale)卷积核融合 |
4.3.3 空洞空间金字塔池化 |
4.4 预测分割模块 |
4.5 实验结果与分析 |
4.6 本章小结 |
第五章 基于视频序列的声呐图像目标分割算法 |
5.1 视频目标分割算法研究 |
5.1.1 利用时序信息提高精度方向 |
5.1.2 降低视频冗余计算量方向 |
5.2 声呐视频序列目标分割算法 |
5.2.1 OSVOS算法分析 |
5.2.2 基于OSVOS算法的抗噪网络训练模块 |
5.3 实验结果与分析 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
致谢 |
参考文献 |
作者简介 |
(6)基于时空频联合处理的目标辐射噪声特征提取方法(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 统计模型 |
1.2.2 图像处理 |
1.2.3 神经网络 |
1.3 全文结构 |
第二章 舰船辐射噪声及其获取 |
2.1 舰船辐射噪声的产生 |
2.1.1 机械噪声 |
2.1.2 螺旋桨噪声 |
2.1.3 水动力噪声 |
2.2 舰船辐射噪声的获取 |
2.2.1 单一水听器获取 |
2.2.2 阵列获取 |
2.3 舰船辐射噪声的频谱特征提取 |
2.4 本章小结 |
第三章 线谱检测 |
3.1 功率谱拟合 |
3.1.1 多项式拟合 |
3.1.2 低通滤波拟合 |
3.1.3 数值形态滤波拟合 |
3.1.4 本征模态函数拟合 |
3.1.5 基于回归参数的方法 |
3.1.6 采样后插值方法 |
3.1.7 拟合方法的选择准则 |
3.2 线谱检测 |
3.2.1 全局3σ准则 |
3.2.2 局部3σ准则 |
3.2.3 仿真实验 |
3.3 本章小结 |
第四章 LOFAR图线谱检测 |
4.1 LOFAR图获取方法 |
4.1.1 短时傅里叶变换 |
4.1.2 多尺度谱估计 |
4.2 LOFAR图线谱检测方法——生灭过程 |
4.2.1 计算功率谱 |
4.2.2 背景均衡 |
4.2.3 线谱检测 |
4.2.4 生灭过程的具体实现 |
4.2.5 生灭过程检测方法的算法流程图 |
4.2.6 算法参数设定 |
4.2.7 实验验证 |
4.2.8 结论 |
4.3 LOFAR图线谱检测方法——HMM |
4.3.1 隐马尔科夫模型介绍 |
4.3.2 FB算法及其改进 |
4.3.3 网格化viterbi算法 |
4.4 三种算法的性能分析及对比 |
4.4.1 检测结果对比 |
4.4.2 ROC曲线对比 |
4.5 本章小结 |
第五章 时空频联合线谱检测 |
5.1 LOFAR数据扩展到多波束LOFAR所带来的问题 |
5.1.1 多波束LOFAR图及检测结果的表示 |
5.1.2 去除多波束LOFAR中波束主瓣引入的干扰 |
5.2 多波束LOFAR图线谱检测算法介绍 |
5.2.1 三维生灭过程算法 |
5.2.2 三维viterbi算法 |
5.3 本章小结 |
第六章 总结与展望 |
6.1 全文总结 |
6.2 研究展望 |
致谢 |
参考文献 |
作者攻读硕士学位期间的研究成果 |
(7)被动声呐信号的时延估计(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景和意义 |
1.2 研究历史及现状 |
1.3 本文主要工作及内容安排 |
第二章 时延估计基础 |
2.1 声呐系统的一般概念 |
2.1.1 声呐的系统模型 |
2.1.2 被动声呐目标信号的特点 |
2.2 时延估计的基本模型 |
2.2.1 宽带信号模型 |
2.2.2 多途环境下的信号模型 |
2.2.3 虚源原理 |
2.3 评价标准 |
2.3.1 参数估计的基本性能 |
2.3.2 时延估计的性能评价标准 |
2.4 基于最大似然准则的时延估计 |
2.5 本章小结 |
第三章 宽带信号的精确时延估计 |
3.1 互相关时延估计算法 |
3.1.1 基本互相关时延估计 |
3.1.2 广义相关时延估计 |
3.1.3 相关峰检测存在的问题及解决办法 |
3.2 相关峰插值法 |
3.2.1 分数时延估计算法 |
3.2.2 频域补零法 |
3.3 相关峰精确插值算法FICP |
3.3.1 Chirp-Z变换(CZT) |
3.3.2 改进的Chirp-Z变换算法(MCZT) |
3.3.3 相关峰精确插值算法FICP |
3.4 带限信号的频谱细化 |
3.4.1 带限信号谱细化(BCZT) |
3.4.2 用IBCZT实现快速相关峰细化 |
3.5 仿真实验 |
3.6 本章小结 |
第四章 多途环境下的时延估计 |
4.1 相关类时延估计算法存在的问题 |
4.2 MUSIC时延估计算法 |
4.2.1 MUSIC算法原理 |
4.2.2 MUSIC时延估计算法 |
4.3 最小方差时延估计算法 |
4.4 多途环境下的时延跟踪算法 |
4.5 仿真实验 |
4.6 本章小结 |
第五章 全文总结与展望 |
5.1 全文总结 |
5.2 后续工作展望 |
致谢 |
参考文献 |
(8)多目标检测前跟踪的粒子滤波算法研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景与研究意义 |
1.2 国内外研究动态 |
1.3 本文主要工作 |
第二章 多目标粒子滤波检测前跟踪算法 |
2.1 状态空间模型与贝叶斯推理框架 |
2.2 粒子滤波算法的基础理论 |
2.2.1 序贯重要性采样 |
2.2.2 粒子退化与重采样 |
2.2.3 使用粒子估计目标状态的实现 |
2.2.4 单目标SIR-TBD算法 |
2.2.5 辅助粒子滤波 |
2.3 多目标跟踪的联合多目标概率密度模型 |
2.3.1 多目标检测跟踪的贝叶斯推理建模 |
2.3.2 多目标系统模型与量测模型 |
2.4 算法仿真与性能分析 |
2.5 本章小结 |
第三章 基于并行分区状态采样的多目标PF-TBD改进算法 |
3.1 典型多目标粒子滤波算法 |
3.1.1 维数灾难问题 |
3.1.2 独立分区交叉采样 |
3.1.3 临近目标干扰问题 |
3.2 并行分区状态采样粒子滤波改进算法 |
3.3 算法仿真与性能分析 |
3.4 本章小结 |
第四章 基于KL距离的自适应粒子数多目标PF-TBD算法 |
4.1 基于KL距离的粒子数自适应设定 |
4.1.1 KL距离基本理论 |
4.1.2 引入KL距离估计后验估计精度 |
4.1.3 基于KL距离变粒子数采样的PP-PF算法设计与流程 |
4.2 算法仿真与性能分析 |
4.3 本章小结 |
第五章 无源声呐水声目标PF-TBD处理方案及性能验证 |
5.1 无源声呐水声目标的PF-TBD处理方案 |
5.1.1 无源声呐系统接收信号模型 |
5.1.2 接收信号的波束形成方法与方位历程图 |
5.1.3 无源声呐水声目标的系统模型和量测模型 |
5.1.4 方位历程图的背景均衡处理 |
5.1.5 目标航迹起始与终止 |
5.2 无源声呐水声目标PF-TBD算法实测数据处理 |
5.2.1 第一批实测数据处理 |
5.2.2 第二批实测数据处理 |
5.3 本章小结 |
第六章 结束语 |
6.1 全文总结 |
6.2 工作展望 |
致谢 |
参考文献 |
攻读硕士学位期间取得的研究成果 |
(9)基于被动阵列的水声弱目标检测前跟踪算法研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究动态 |
1.2.1 国外研究动态 |
1.2.2 国内研究动态 |
1.3 本文主要工作 |
第二章 阵列信号粒子滤波检测前跟踪基本模型 |
2.1 线列阵声呐信号模型 |
2.2 多目标粒子滤波检测前跟踪算法 |
2.2.1 检测前跟踪技术 |
2.2.2 基于贝叶斯估计的目标跟踪框架 |
2.2.3 多目标运动和量测模型 |
2.2.4 多目标粒子滤波算法 |
2.2.5 总结 |
2.3 独立分区多目标粒子滤波算法 |
2.4 算法仿真 |
2.5 本章小节 |
第三章 被动声呐粒子滤波检测前跟踪算法 |
3.1 舰船辐射噪声模型建立 |
3.1.1 舰船辐射噪声源 |
3.1.2 舰船辐射噪声频谱特性 |
3.1.3 连续谱噪声仿真方法设计 |
3.1.4 被动声呐系统方位历程图 |
3.1.5 宽带信号模型 |
3.1.6 水声弱目标定义 |
3.2 声呐信号似然函数模型 |
3.2.1 被动声呐系统运动量测模型 |
3.2.2 最小CV距离准则 |
3.2.3 宽带波束形成似然函数模型 |
3.2.4 双参数分布特性以及信噪比参数问题 |
3.3 算法仿真实现 |
3.4 本章小节 |
第四章 基于权值假设检验的粒子滤波检测前跟踪算法 |
4.1 先验依赖的粒子滤波TBD算法 |
4.2 基于权值和的假设检验方法 |
4.2.1 新生目标判别 |
4.2.2 消失目标判别 |
4.2.3 联合多帧判别 |
4.3 算法仿真实现 |
4.4 实测数据验证 |
4.5 本章小节 |
第五章 工作总结与展望 |
5.1 全文总结 |
5.2 工作展望 |
致谢 |
参考文献 |
攻硕期间取得的研究成果 |
(10)基于主动声呐水下高速航行体测速技术研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 课题的背景及意义 |
1.2 国内外水下高速航行体速度测量现状 |
1.3 主动声呐的发展现状 |
1.4 主动声呐信号处理发展现状 |
1.4.1 水下目标特征提取、目标识别的发展现状 |
1.4.2 声呐束波形成的发展现状 |
1.4.3 数字声呐的发展现状 |
1.4.4 小波变换在声呐信号领域的运用 |
1.5 主动声呐测速的发展现状 |
1.6 论文的研究内容 |
2 小型水下高速航行体回波模型的建立及抗混响能力的研究 |
2.1 高速航行体动力学模型 |
2.1.1 常用坐标系的建立 |
2.1.2 高速航行体运动学方程的建立 |
2.1.3 高速航行体主要受力分析 |
2.1.4 高速航行体运动方程组的建立 |
2.2 主动声呐常用波形的抗混响能力分析 |
2.2.1 单频脉冲信号(CW) |
2.2.2 线性调频信号(LFM) |
2.2.3 双曲线调频信号(HFM) |
2.2.4 主动声呐常用波形抗混响能力分析 |
2.3 水下高速航行体的多普勒模型 |
2.3.1 傅里叶分析 |
2.3.2 短时傅里叶变换(Gabor变换) |
2.4 高速航行体回波的仿真与分析 |
2.5 本章小结 |
3 小波分析对噪声干扰背景下高速小目标的信号处理 |
3.1 小波分析 |
3.1.1 小波变换 |
3.1.2 连续小波变换(Continuous Wavelet transform) |
3.1.3 离散小波变换 |
3.1.4 二进小波变换 |
3.1.5 小波基函数 |
3.1.6 多分辨率分析 |
3.1.7 小波变换的Mallat算法 |
3.2 小波阀值降噪法 |
3.2.1 小波阀值降噪法原理 |
3.2.2 小波阀值降噪法的影响因素 |
3.3 阀值的选取 |
3.4 阀值函数的改进 |
3.5 针对主动声呐波形的仿真实验 |
3.6 本章小结 |
4 基于主动声呐回波的水下高速小型航行体速度提取与分析 |
4.1 位变率法 |
4.2 回波脉冲比较法 |
4.3 声呐多普勒测速 |
4.4 主动声呐测速数值仿真 |
4.5 本章小结 |
5 总结 |
5.1 本文主要贡献 |
5.2 下一步工作展望 |
致谢 |
参考文献 |
附录 |
四、数字式声呐中一种新的背景均衡算法(论文参考文献)
- [1]基于数学形态学的主动声呐探测信息净化方法[J]. 王功兵,陈托. 应用声学, 2021(02)
- [2]基于声呐图像的小目标检测算法研究[D]. 沈彤. 北京交通大学, 2020(03)
- [3]基于信号线谱特征的被动声呐航迹关联算法[J]. 王益乐,王海宁. 指挥信息系统与技术, 2019(06)
- [4]基于深度学习的声呐图像目标识别技术研究[D]. 孙亚晶. 东南大学, 2019(06)
- [5]一种自适应门限时间方位历程显示背景均衡算法[J]. 邱家兴,王易川,丁超,程玉胜. 舰船科学技术, 2019(11)
- [6]基于时空频联合处理的目标辐射噪声特征提取方法[D]. 叶武. 东南大学, 2019(06)
- [7]被动声呐信号的时延估计[D]. 李宝磊. 东南大学, 2019(06)
- [8]多目标检测前跟踪的粒子滤波算法研究[D]. 田真. 电子科技大学, 2019(12)
- [9]基于被动阵列的水声弱目标检测前跟踪算法研究[D]. 徐璐霄. 电子科技大学, 2018(09)
- [10]基于主动声呐水下高速航行体测速技术研究[D]. 郭俊. 南京理工大学, 2018(01)