基于lofar图的自动检测线谱的智能方法

基于lofar图的自动检测线谱的智能方法

0低信噪比情况下的被动声鞣线谱检测和提取技术lofar处理每个被动噪声系统都起着重要的作用：操作人员可以通过robot图像确定目标是否存在，并跟踪和识别目标。近年来,现代舰艇的隐身性能得到了高度重视,随着减振降噪技术在舰艇、水中兵器中的大量运用,目标辐射噪声大幅度降低,出现了许多安静型目标。为了能够利用被动声呐在远距离上检测这些安静型目标,人们采用了许多方法试图提高被动声呐在低信噪比时的线谱检测、跟踪能力。在文献中对国内外采用的各种线谱检测方法的现状进行了综述。从当前的研究现状看,在低信噪比情况下利用机器自动进行线谱检测和提取依然非常困难。其主要原因是:一是由于信噪比低,随机出现的噪声点不易剔除。二是由于存在背景起伏、多途效应、随机干扰等原因,窄带信号时强时弱,在LOFAR图中表现为谱线时明时暗,甚至在谱线中间会出现断点的现象;三是无论宽带噪声分量还是线谱分量,其动态范围都比较大。通过观察LOFAR图,即使在极低的信噪比下,声呐兵可以很容易地检测和提取出窄带信号形成的谱线。研究表明,人之所以有很强的谱线检测和提取能力,首先是由于人眼具有很强的模式识别能力,在检测过程中自动利用了谱线的形状特点;其次是由于存在视觉积累,自动利用了多个时刻的谱值信息。为了提高在低信噪比下的线谱检测和提取能力,本文模拟声呐兵通过观察LOFAR图检测谱线的过程,将线谱识别、线谱检测和线谱跟踪融合在一起,给出了低信噪比下的自动检测线谱的智能算法,并用海上试验数据验证了算法的性能。1谱线的编码和图像加工舰艇和鱼雷等目标的辐射噪声的功率谱是由连续分布的宽带噪声谱和在若干个离散频率上的窄带线谱构成的。水声信号中的窄带信号可以用一组正弦信号来表示:s(t)=Ρ∑j=1Ajsin(i2πfj+φj)+n(t)(1)s(t)=∑j=1PAjsin(i2πfj+φj)+n(t)(1)式中fj、Aj、φj分别为第j个窄带线谱信号分量对应的频率、幅度和初始相位,n(t)表示宽带噪声。为了简便起见,用x(n)表示上式中的信号经滤波、采样、解析变换等处理后的信号,则分段周期图可用K次谱样点值相加平均过程来计算:Ι(k)=1ΚΚ∑i=1|Yi(k)|2(2)I(k)=1K∑i=1K|Yi(k)|2(2)式中Yi(k)是利用输入序列:w(n)x[n+(i-1)N/R],n=0,…,N-1计算的第i个DFT第k个频率点的值:Yi(k)=Ν-1∑n=0w(n)x[n+(i-1)ΝR]e-j2πkn/Ν(3)Yi(k)=∑n=0N−1w(n)x[n+(i−1)NR]e−j2πkn/N(3)其中w(n)是窗函数,R定义为R=N/Nnew,是DFT的冗余度。由R的定义可知,每一次计算DFT时,输入序列只移动了Nnew个样点。若把各个时刻的谱值以瀑布图形式显示,用x轴表示信号的频率,y轴表示时间,亮度表示幅度。这种表示时频平面的M×N的二维图象就是LOFAR图。窄带信号经过谱分析和累加平均后的谱表现为线状谱。线谱除了在谱的形状,如幅值高、满足一定的斜率和宽度要求外,在时间上具有连续性。在信噪比较高时,在LOFAR图上,由对应同一窄带信号的多个时刻线谱点形成了一条清晰的亮线,即谱线。经过上述处理后得到的谱值中含有一个宽带噪声分量,并且在一般情况下,宽带噪声分量的动态范围非常大。为了压缩动态范围,提高线谱检测和提取的能力,需首先减去宽带噪声分量,对经短项积累后的每一时刻新计算的谱值作背景均衡处理。不妨设Xk为k个频率点的值,μk是k点的噪声均值估计值:Νk=Xk-μk(4)Nk=Xk−μk(4)μk可以利用排序截断平均算法求得。Vol.26No.32004SHIPENGINEERING692次取门限检测研究表明,当声呐兵通过观察LOFAR图判断是否存在窄带信号时,执行了一个双门限检测过程:第一次是设置一个门限,根据不同时刻、频率的点的灰度值的大小初步判断该点是否可能是谱线上的点;然后利用线谱的形状特点和时间上的连续性,并第二次取门限来完成检测。声呐兵在此过程中自动进行了模式识别和视觉积累,对一些幅值虽高,但孤立的点会作为噪声剔除掉;而一些即使幅值较低的点,只要相邻各个时刻连续出现,和相临的点组成了一条谱线,也会认为这些点是窄带信号对应的点而保留下来。声呐兵一旦判断窄带信号存在,即使是在谱线中间断裂的点,也会认为对应的时间-频率点上线谱是存在的。为了模拟声呐兵在LOFAR图中提取谱线的双门限检测过程,本文将线谱检测分三步完成:第一步,对新计算的LOFAR谱值进行线谱识别;第二步,延迟一段时间后进行线谱跟踪,统计线谱出现次数;第三步,根据线谱跟踪结果,剔除噪声点,并自动产生暂时丢失的线谱点。2.1线谱的制作线谱在文献中给出了两种线谱识别方法,本文对线谱识别方法进行了优化,具体的线谱识别方法如下:(1)按频率从低到高找出线谱所在的局部最大点。判断局部最大点的条件为两个:一是局部最大点左边斜率为正,右边斜率为负,则该点两侧的斜率之积小于零。即若设k-1,k,k+1三个点的值分别为Nk-1,Nk,Nk+1,ΔNk=Nk+1-Nk,ΔNk-1=Nk-Nk-1,则ΔNk-1·ΔNk-1<0;二是局部最大值比其两侧的值大,即Nk>Nk-1,一旦上面两条件满足,k点即是局部最大点。(2)对局部最大点进行卡门限处理,即根据各个频率点谱值和噪声均值大小判断Νk/μk=(Xk-μk)/μk＞d0(5)是否满足,d0的值可以根据要求的检测概率和虚警概率确定。(3)判断超过门限的局部最大点是否具备线谱的形状,若谱宽小于设定的谱宽门限,则认为是线谱;否则认为非线谱点予以剔除。这里谱宽定义为超过该局部最大点一半的频率点数。从局部最大点向两侧计算超过此局部最大值一半的点数即可求出谱宽。经过线谱识别后,保留识别出的线谱值,而将其余值置零。2.2窄带信号对应点识别算法经线谱识别处理后保留下来的点,除了对应窄带信号形成的线谱点处,也有一部分对应着满足了线谱识别逻辑的噪声点,加上事先不知道窄带信号的数量和起止时间,经线谱识别后保留的谱值非零点,既可能是噪声点,又可能是窄带信号对应的线谱点;而窄带信号对应的线谱点可能对应窄带信号开始、终止,以及中间时刻。因此,为了能够判断经线谱识别处理后的谱值非零点是否对应窄带信号形成的线谱点,可进一步利用窄带信号在时间上的连续性,由窄带信号形成的谱线上必然会有更多的点被识别为线谱,这意味着可根据非零谱值点前后多个时刻识别出的线谱识别情况来判断该点是否是窄带信号对应的点。考虑到声呐检测和识别目标只允许延迟一小段时间,算法中只固定利用M个时刻的谱信息,若对应窄带信号,相当于只利用了LOFAR图中一小段长度为M的谱线。统计前后M个时刻线谱识别情况可以通过类似频率跟踪的技术来实现,具体做法是:(1)按频率从低到高找出M时刻的谱值非零点。(2)从第M时刻的谱值非零点开始,向前后两侧搜索,统计两侧M个时刻的谱值非零点出现次数。频率搜索范围限定在相邻时刻最大频率偏移量的范围内,不妨设为2N+1;搜索中心是根据最近搜索结果外推的线谱最可能出现的频率点,其位置由下式来确定:Fk+1=Fk+(Fk-Fk-1)(6)其中Fk表示第k时刻谱值非零点对应的频率。70船舶工程2004年第26卷第3期2.3基于中间丢失数据的噪声自动识别由于窄带信号在一段时间上是一直存在的,其对应的线谱必然在时间上具有一定的连续性,并且同一窄带信号所对应的线谱在相邻时刻的峰值点之间的频率变化范围由信号的频率变化和多普勒频移决定,一般不会很大。对应窄带信号的线谱点,其线谱跟踪路径上出现的谱值非零点数应多于噪声点对应的跟踪路径上出现的谱值非零点数。因此可以根据上一步的线谱跟踪结果进一步剔除噪声点。由于在M时刻识别出的非零峰值点,即可能是噪声点,又可能是窄带信号对应的线谱点。而窄带信号对应的线谱点可能对应窄带信号开始、终止,以及中间时刻。只要是与M时刻的非零点相邻的M行数据中搜索到的线谱数大于设置门限gatel,就认为该线谱点是窄带信号所对应的线谱点,否则,则认为是噪声点予以剔除。经过噪声点剔除处理后,随机噪声点基本上剔除干净。由于信号起伏、噪声干扰等原因,部分线谱点可能在线谱识别时被剔除,或原本就淹没在噪声中。若直接利用剔除后的结果进行目标识别,丢失的线谱必然影响系统的性能。为了提高系统的性能,需要在进行目标检测和识别之前,产生中间丢失的线谱。具体方法是对M时刻判为线谱的点搜索下一时刻信号出现情况,若在搜索范围内信号丢失,根据前后识别线谱的情况,若丢失的是中间点,并且丢失时刻小于最大允许丢失的时刻数MM,则在线谱最可能出现的点,自动产生一个表示线谱信号的非零点,供下一时刻判断,中间丢失的信号点的位置,同样由式(6)来确定:从处理过程可以看出,算法在实现过程中只要保存2M+1个时刻的谱值信息,并实时更新数据,则会自动输出前面第M时刻的处理结果,最后处理结果共延迟了M个时刻。由于算法能够自动剔除大部分噪声点,自动产生丢失的线谱点,在检测窄带信号形成的线谱时可以同时保证高检测概率和低虚警概率。3智能线谱检测算法处理效果本节用实测数据验证了算法的性能。图1给出了某海上目标的不同处理过程对应的处理结果。用横坐标表示频率,纵轴表示时间,线谱识别前用256级灰度表示幅度,线谱识别后所有非零值全部用黑点表示。算法中所用的参数如下:选择的频带为全频带,抽样数为4,DFT的长度为2048(图中只显示了512个频率点的处理结果),数据窗为矩形窗,数据不重叠,平均次数为10;线谱识别中谱宽门限为5,峰高门限d0=1;M=20,搜索范围2N+1=7,允许丢失的时刻数MM=5,判断是否为噪声点的门限gatel=9。图1(a)是原始LOFAR图,图1(b)是去除宽带噪声分量的线谱图,图1(c)表示经线谱识别后的线谱识别结果,图1(d)是经智能线谱检测算法处理后的最终处理结果。为了分析方便,图2给出了图1中的各个时刻的线谱识别后的非零谱值数、剔除的噪声点数、产生的丢失线谱数,以及最终经智能线谱检测方法处理后得到的线谱数。从图1(b)中可以看出,经过去除宽带噪声分量后,图1(a)中窄带信号对应的线谱有所增强。图1(c)是对LOFAR图中的各个时刻的谱值进行线谱识别处理的结果,满足了线谱识别逻辑的点用黑点表示,图2(a)给出了各个时刻线谱识别后保留的线谱数。显然有许多噪声点被判为线谱,虚警非常高。经过双门限线谱检测处理后,在图1(d)中噪声点已经基本剔除干净,但窄带信号所对应的线谱基本保留下来,并且自动产生了中间短暂丢失的线谱点,图2(d)给出了各个时刻经智能线谱检测算法处理后的线谱数。同图1(c)相比,噪声点明显减少,谱线上中间暂时丢失的线谱也已自动填补上了,图2(b)和图2(c)分别给出了各个时刻的剔除的噪声点数和产生的丢失线谱数。由于该算法能够自动剔除大部分噪声点,自动产生丢失的线谱点,使算法在检测窄带信号形成线谱时可以同时保证高检测概率和低虚警概率。4线谱检测方法本文模拟声呐兵在LOFAR图上检测和提取谱线的双门限过程,将线谱识别、线谱检测和跟踪合并成一个统一的算法。该算