特征协助的水声融合探测技术
2019-01-09韩一娜杨益新刘清宇马远良
韩一娜, 杨益新, 刘清宇, 马远良
特征协助的水声融合探测技术
韩一娜1, 杨益新1, 刘清宇2, 马远良1
(1.西北工业大学 航海学院, 陕西 西安, 710072; 2.海军研究院, 北京, 100073)
为克服多基地声呐网络杂波率高、目标微弱、传感器检测概率低等问题, 业界日益重视特征协助的水声融合探测技术, 以利用回波特征与目标的相关性抑制杂波, 提供更适宜的探测输入。文章首先介绍了特征协助的水声融合探测技术的发展背景; 综述了国外特征协助跟踪的最新进展, 并基于探测前跟踪的思想, 重点讨论了基于回波特征协助的跟踪前预处理技术; 同时进一步回顾了国内在多基地声呐定位、跟踪、回波特征提取与信息融合等相关方面的贡献; 最后指出该领域尚待进一步研究的内容, 包括获取测试数据的原型系统、适用的信号与信息处理技术、自动融合与跟踪能力的提高。
多基地声呐; 水声探测; 融合跟踪
0 引言
声呐是水下环境最为常用也最为有效的信息源[1-2], 主要分为主动声呐和被动声呐。主动声呐为显性系统, 工作时会暴露自身; 而被动声呐则具有隐蔽性, 能够提供战术优势。但是, 由于当前安静型潜艇的威胁, 被动声呐的探测距离和覆盖面积与主动声呐相比要小得多, 需要具有响亮声源ping的主动声呐来获取更大的信号余量和探测距离。因此, 主/被动声呐的异构混合组成的多基地声呐网络可提供声学与操作上互补的性能优势, 如更高的目标检测概率、更大的监控覆盖面积等。此外, 分布式网络的几何多样性, 还可提供对目标的多视角测量[3]。因此, 近年来世界强国都积极研究在海洋中部署多基地声呐网络, 如图1所示为美国水下战中心的分布式硬件原型——分布式水下多基地实验系统(deployable experimental multistatic undersea system, DEMUS)总览, 以对抗恶劣的高杂波浅海区与深海环境中小而静的潜艇威胁, 提高反潜战性能[4-7]。
但是, 在实际的海洋环境中部署多基地声呐网络又引发了一系列新的挑战, 如大规模部署的成本因素, 使得多基地声呐网络中采用的传感器通常不够精确, 且检测概率较低。杂波在主/被动传感方式中都很盛行, 被动方式常常被附近或远处的舰船所迷惑, 而主动方式则有可能被混响所淹没[8]。因此, 随着发/收装置(主/被动声呐)数量的增加, 杂波数也将随之增多。对此, 业界日益重视探测前跟踪的策略, 如图2所示, 即同时处理若干连续帧, 并根据目标的运动学特性(即轨迹), 判断目标的存在。探测前跟踪策略保证了在统计特性未知的干扰下的恒虚警率(constant false alarm rate, CFAR)特性。
网络环境下目标的探测前跟踪通常可从融合各传感器对目标的测量中受益。这对于低杂波、高检测率的系统处理上较为简单。但是, 对于检测概率低, 且存在大量杂波的多基地声呐网络环境, 则要困难得多。对此, 国际信息融合协会专门成立了多基地跟踪工作组(multistatic track ing working group, MSTWG), 着力研究多基地声呐网络中目标跟踪及其相关技术。
特征是声呐回波中的可量化测量, 由接收装置从接收到的回波信号中计算得到。目标跟踪历来最重视运动学特征, 如方位、距离等信息。运动学特征在具有少量杂波的场景中运行良好, 但是当杂波密度变高时, 其性能将会严重下降, 甚至完全失效。能否获得额外的非运动学特征, 如信噪比、目标强度以及人耳听觉感知等特征, 将其与跟踪所需的运动学信息一起协力作用？对于此问题, 美国海军空间和海战系统司令部专门研发了主被动目标仿真器(Passive-active contact si- mulator, PACsim)多基地声呐数据集[8], 研究如何在多基地声呐跟踪中使用特征信息以及特征信息的价值。MSTWG主席Mellema在其初步的实验中指出: 与基准方法相比, 当跟踪器中还使用了非运动学特征时, 能够减少1/3的虚假航迹[9]。因此, 特征协助的跟踪问题已成为近年MSTWG成员间协同分析的主题。
那么, 如何才能将这些特征所携带的信息最有效地与跟踪相结合？美国海军空间和海战系统司令部Grimmett明确了特征协助跟踪的3种主流方式[3]: 基于回波特征协助的跟踪前预处理、基于航迹累积特征的跟踪后处理和跟踪过程中的回波特征协助。华盛顿大学应用物理实验室(applied physics laboratory, APL)性能评估指出[10], 现有的跟踪器已达到其性能极限, 跟踪质量通常是跟踪器获取的回波数量与质量的函数。而特征协助的跟踪前预处理具有显著的技术优势, 主要表现在: 能充分利用回波特征与目标的各种相关属性; 抑制杂波的同时可显著降低跟踪器的计算复杂度; 为各种跟踪器灵活地提供更适宜的表征, 改善跟踪性能。
文中介绍了特征协助的水声融合探测技术的发展背景, 综述了国外特征协助的跟踪技术, 重点论述了具有显著技术优势的特征协助跟踪前预处理技术, 同时回顾了我国在多基地声呐定位、跟踪、回波特征提取与信息融合等相关方面的贡献, 指出该领域尚待进一步研究的内容。
1 国外研究现状
1.1 特征协助的跟踪
近年来, 特征协助的跟踪策略为业界广为关注, 即除通过主动声呐获得的方位和距离测量外, 还将获得的其他特征引入到跟踪框架中。这方面最早的工作是利用目标幅度, 即接收到的目标能量与环境噪声间的信噪比(signal to noise ratio, SNR)。Lerro等[11]改进了概率数据关联(probability data association, PDA)滤波器以包含幅度信息(PDA filter with amplitude information, PDAFAI)。PDAFAI假设目标幅度分布与杂波或背景噪声的幅度分布不同。试验证明引入幅度信息后, 即使SNR不断减小, PDAFAI也能提高跟踪性能。目标幅度通常是目标距离、环境与目标强度(target strength, TS)的函数。目标强度与方位有着直接相关性[1]: 大部分目标不是径向对称的, 因此返回的强度应该是方位的函数。
近来, Pitton等[12]研究利用方位相关的目标强度曲线来改进PDAFAI跟踪, 如图3所示, 目标强度在舷侧(90°和270°)时显著高于其他角度。用来自当前跟踪状态空间的速度信息生成方位上的分布, 再将该分布与目标强度曲线相结合来提高PDAFAI算法。Krout等[13]为PDAFAI引入了目标强度信息(PDAFAI with target strength, PDAFAIwTS)进行跟踪, 并证明了该算法可在更困难的跟踪场景(如更低的SNR)下提高性能。
此外, 还可以利用目标强度曲线提高航迹的初始化能力, 即当且仅当镜面反射发生时进行航迹的初始化[14-18]。镜面是指发射脉冲撞击到目标舷侧的情况, 即当目标方位为90°和270°时,此时回波的幅度将显著高于非镜面角度时的情况, 因此易于探测这些回波, 并可据此推测出目标的朝向。此时由于已知目标的朝向, 与其他的初始化技术相比则可获得具有更高置信的轨迹初始化状态。
文献[19]对镜面方法进行推广, 跟踪轨迹逐步建立与之相应的目标幅度历史, 接着将这些累积的幅度与某个模板相比对, 可对目标与杂波轨迹进行分类。PDAFAI和PDAFAIwTS均始于幅度信息。幅度信息是对时间域的回波信号进行目标检测的结果。信号多普勒频移是具有特定功能的特征, 早期使用多普勒的方法是利用均方误差拟合技术来跟踪连续波形(continuous wave, CW)辐射目标[20], 多普勒被用于提高被动声呐环境下的目标定位与跟踪[21-23]。Wang等[24]利用多普勒测量来提高对目标速度的初始估计, 实验证明该方法既可提高跟踪性能又能减少所需计算量。文献[25]指出, 如果可以发射整个时间域的信号, 移动的接收装置则可利用信号处理技术来定位固定的发射装置。La Cour[26]在贝叶斯跟踪框架下利用多普勒测量来跟踪跨多个时间片段的目标。
鉴于声呐兵可有效地区分源自目标的回波和杂波, 研究人员因此尝试通过模拟人类对声音的感知过程来建立基于人类听觉系统的听觉模型[27-29]。Georgescu等[30]基于人耳的外耳道和内耳道功能对声呐回波进行处理, 提取多种听觉感知特征, 利用最小冗余最大相关(maximum relevance minimum redundancy, MRMR)技术进行特征选择, 并利用决策树分类器进行目标回波与杂波的分类, 在Clutter09数据集上的实验显示可取得良好的跟踪性能。
1.2 多基地跟踪预处理技术
跟踪预处理技术源自跟踪器对大规模低质量传感器数据进行分析的需要。Krout等[31]采用多种跟踪器对Metron数据集进行分析。其中在采用联合概率数据关联((joint probabilistic data association, JPDA)跟踪器对数据集进行分析时[32], 为了缓和算法产生的大量错误轨迹, 在跟踪前引入了一个预处理步骤, 即从所有接收器计算得到的似然面中, 提取前个局部最大作为某一扫的测量信息, 送至JPDA跟踪器。该算法在Metron数据集的场景1和场景4上效果令人满意, 但在跟踪碎片和探测概率方面仍有待提高。这可看作最早的预处理技术。
一种称之为跟踪前融合(fusion before tracking, FbT)的预处理结构第一次明确地强调了如何最优地处理由大量廉价但性能有限的传感器所组成的大规模传感器监测网络所产生的数据[33]。FbT通过静态融合操作来组合扫描所得的测量信息[34]。接着, 对经静态融合所得的输出采用基于扫描的处理, 获取实时监测结果。仿真数据集上的实验结果证明, FbT处理能够带来比集中式跟踪更好的性能。但是FbT没有充分利用度量协方差信息, 因而无法区分空间距离近的目标。
由Guerriero等[35]提出的多假设广义似然比检验(generalized likelihood ratio test, GLRT)为多基地声呐传感器网络数据的预处理问题提供了一种自然的方式。对每一个假定目标, 均需找到最大化位置估计的似然函数, 然后在关于各目标的似然中选择最大似然。因为似然函数需同时关于目标数和其所在的笛卡尔坐标位置进行最大化, 所以计算负荷极高, 无法满足实际应用的需要。对此, Georgescu等[36]提出一种更具实用性的方法, 首先采用度量协方差进行蒙特卡罗采样, 以此缓解低质量传感器所带来的问题, 接着进行测量筛选, 再由期望最大化(expectation maximization, EM)算法进行处理, 以进一步提高探测位置的精确性。与GLRT相比, 该方法虽然显著提高了计算效率, 但是却引入了相当大的性能损失。
为了平衡性能与计算复杂度, Georgescu等[37]提出一种基于随机有限集马尔科夫链-蒙特卡罗(random finite set Markov Chain Monte Carlo, RFS MCMC)方法。该方法将潜在目标及其测量看作是由有限个随机变量组成的集合, 该集合可由概率质量函数(probability mass function, PMF)和联合概率密度完全刻画, 然后通过MCMC采样依次估计目标的势(即目标数)和每一个目标的位置及其相应的协方差。与最优GLRT相比, 其定位误差仍有待进一步提高。
Hanusa等[38-46]采用了基于聚类的多基地声呐跟踪预处理技术, 其主要思想是: 第一, 先对来自相同目标的测量进行聚类, 再将其融合; 第二, 未能与其他测量聚为一类的将被视为噪声或杂波而丢弃。
2 国内研究现状
我国多基地声呐研究始于20世纪90年代初。然而尚未看到国内在特征协助的水声融合探测领域的公开报道。1991年, 西北工业大学赵俊渭等[47]率先在国内发表了双基地声呐研究综述, 重点论述双基地声呐的特点和实现的关键问题。在国家“八·五”计划期间, 西北工业大学和中船重工集团760所、715所进行了有关双基地声呐定位原理、定位方法和测向精度等方面的理论研究。西北工业大学张小凤[48]、哈尔滨工程大学凌青[49]均就多基地声呐的定位解算方法以及定位误差的空间分布等问题, 从不同角度给出了详尽阐述。
此后, 业界针对多基地声呐工作给出诸多的优异研究成果, 如海军装备研究院李涛等[50]提出总体最小二乘的多基地声呐系统定位算法能取得更好的定位精度和稳定性。海军工程大学杨丽[51]提出双基地声呐系统最大可探测范围的数学模型, 海军潜艇学院徐景峰等[52]研究了T2-R型多基地声呐定位精度。中科院声学所李嶷等[53]依托能量约束, 提出一种用圆来代替检测覆盖区的多基地声呐配置算法, 以解决多基地声呐能量约束下的探测能力过于复杂问题。哈尔滨工程大学邹吉武和孙大军、东南大学高勇等给出几种直达波干扰和混响抑制和剔除方法[54-56]。
在多基地声呐水下机动目标跟踪方面, 海军航空工程学院张林琳和杨日杰首先综述研究[57], 哈尔滨工程大学刘立昕和卞红雨针对前视声呐成像, 提出水下目标跟踪的多特征融合PSOPF算法[58],韩建辉和杨日杰[59-60]提出一种定量度量航空声呐浮标阵多基地性能方法, 可定量评估多基地航空声呐浮标阵特性。
在水下目标回波特征提取研究方面, 上海交通大学范军、哈尔滨工程大学朴胜春和孙辉对回波特征分析、回声转发器设计以及回波测量深入研究[61-63]。国内研究现状表明, 在多基地声呐的定位理论和算法、定位精度和干扰等方面, 我国已有深入研究且取得了一些关键性突破。
此外, 在信息融合领域, 国内著名学者何友[64]、敬忠良[65]、潘泉[66]以及韩崇昭[67]等近年来出版了多部专著, 为这一领域的发展做出了积极的贡献。
3 结束语
事实上, 探索多基地声呐监视网络的潜力需要系统发展以下几个方面:
1) 获取测试数据的原型系统。常用的多基地声呐监视场景有基于移动平台(适用于远征任务)或固定/漂移部署的平台(适用于监视港口, 阻塞点等)。这2个系统概念均已得到NURC的评估。
2) 适用的信号与信息处理技术, 为每一ping发射-接收装置产生一组可管理的接触数据, 该接触数据可通过无线电或卫星链路进行交换, 以便在融合中心得到进一步利用。NURC已通过海试证明其在上述2种系统概念下的有效性。
3) 即是文中所关注的自动融合与跟踪能力, 这是在具有持续速率的多基地声呐配置中兑现多源附加值的核心环节。通常, 主动声呐处理将为每个发射-接收装置产生数百个疑似目标的接触。由此, 典型的多基地监视网络每分钟即可产生数千个接触。该项技术的目标是从这个庞大的数据中提取一小部分可控数目的潜在目标轨迹, 供给声呐操作员用于进一步的分析。
如文中所述, 特征协助跟踪的多基地声呐网络预处理技术已成为国际新兴研究热点。引入回波幅度、目标强度、或人耳的听觉感知等特征, 在预处理阶段进行杂波抑制能够有效地改善水声融合探测的性能。
但是, 现有特征协助跟踪的研究分别针对单个传感器上基础特征与目标的相关性进行杂波抑制, 然后针对多传感器对目标位置的测量进行线性融合, 而对多传感器、多特征系统而深入的融合策略仍有待于进一步的研究。
[1] Urick R J.Principles of Underwater Sound[M].3rd Edition.New York: McGraw-Hill, 1975.
[2] 李启虎.声呐信号处理引论[M].北京: 海洋出版社, 1985.
[3] Grimmett D, Coraluppi S.Multistatic Active Sonar System Interoperability, Data Fusion and Measures of Performance[R].US: NURC, NURC-FR-2006-004, 2006.
[4] Scott R.UK Moves Ahead with Multistatic Active ASW Upgrade for Merlin[R].United Kingdom: International Defence Review, 2014.
[5] Scott R.GLINT in the Eye: NURC Explores Novel Autonomous Concepts for Future ASW[R].United Kingdom: International Defence Review, 2009.
[6] Jane’s Information Group.Spartan Scout/ASW USV.Jane’s Unmanned Maritime Vehicles and Systems[R].UK: Jane’s Information Group, 2009.
[7] Jane’s Information Group.Sonic Boom: Underwater Sensor Market Proliferates[R].Jane’s Information Group, 2010.
[8] Grimmett D, Wakayama C, Ricks R.Simulation of Passive and Multistatic Active Sonar Contacts[C]//4th International Conference on Underwater Acoustic Measurements: Technologies & Results.Kos Island, Greece, 2011.
[9] Mellema G R.Feature-assisted Multistatic Tracking Using the PACsim Data Set[C]//2012 15th International Conference on Information Fusion.Singapore: IEEE, 2012.
[10] Hanusa E.Incorporation of Features in Multistatic Active Sonar Tracking[D].US: University of Washington, 2012.
[11] Lerro D, Bar-Shalom Y.Automated Tracking with Target Amplitude Information[C]//1990 American Control Conference.San Diego: IEEE, 1990.
[12] Pitton J W, Fox W L J.Incorporating Target Strength into Environmentally Adaptive Sonar Tracking[C]//Oceans 2007.Aberdeen: IEEE, 2007.
[13] Krout D W, Morrison D.PDAFAI vs.PDAFAIwTS: TNO blind dataset and SEABAR’07[C]//2009 12th International Conference on Information Fusion.Seattle: IEEE, 2009.
[14] Grimmett D.Reduction of False Alarm Rate in Distributed Multistatic Sonar Systems through Detection Cueing[C]//Oceans 2007-Europe.Aberdeen: IEEE, 2007.
[15] Grimmett D.Multistatic Target Tracking Using Specular Cue Initiation and Directed Data Retrieval[C]//2008 11th International Conference on Information Fusion.Cologne: IEEE, 2008.
[16] Grimmett D.SPECSweb Multistatic Tracking on a Truth- Blind Simulated Scenario of the MSTWG[C]//2009 12th International Conference on Information Fusion.Seattle: IEEE, 2009.
[17] Ricks R, Grimmett D, Wakayama C.Passive Acoustic Tracking for Cueing a Multistatic Active Acoustic Tracking System[C]//2012 Oceans-Yeosu.Yeosu: IEEE, 2012.
[18] Wakayama C, Grimmett D, Ricks R.Active Multistatic Track Initiation Cued by Passive Acoustic Detection[C]// 2012 15th International Conference on Information Fusion.Singapore: IEEE, 2012.
[19] Grimmett D, Wakayama C, Plate R.Multistatic Post- Track Classification Using a Target Strength Function [C]//2012 15th International Conference on Information Fusion.Singapore: IEEE, 2012.
[20] Weinstein E, Levanon N.Passive Array Tracking of a Continuous Wave Transmitting Projectile[J].IEEE Transactions on Aerospace and Electronic Systems, 1980, AES-16(5): 721-726.
[21] Chan Y T, Towers J J.Passive Localization from Doppler Shifted Frequency Measurements[C]//1991 International Conference on Acoustics, Speech, and Signal Processing.Toronto: IEEE, 1991.
[22] Chan Y T, Towers J J.Sequential Localization of a Radiating Source by Doppler Shifted Frequency Measurements[J].IEEE Transactions on Aerospace and Electronic Systems, 1992, 28(4): 1084-1090.
[23] Chan Y T, Rudnicki S W.Bearings-only and Doppler- Bearing Tracking Using Instrumental Variables[J].IEEE Transactions on Aerospace and Electronic Systems, 1992, 28(4): 1076-1083.
[24] Wang X, Musicki D, Ellem R, et al.Enhanced Multi- Target Tracking with Doppler Measurements[C]// 2007 Information, Decision and Control.Adelaide: IEEE, 2007.
[25] Amar A, Weiss A J.Localization of Narrowband Radio Emitters Based on Doppler Frequency Shifts[J].IEEE Transactions on Signal Processing, 2008, 56(11): 5500-5508.
[26] La Cour B R.Bayesian Sensor Registration For Multistatic Active Sonar[C]//Europe Oceans 2005.Brest: IEEE, 2005.
[27] Allen N, Hines P C, Young V W, et al.Study on the Human Ability To Aurally Discriminate Between Target Echoes And Environmental Clutter In Recordings Of Incoherent Broadband Sonar[J].The Journal of the Acoustical Society of America, 2006, 119(5): 3395-3395.
[28] Philips S, Pitton J, Atlas L.Perceptual Feature Identification For Active Sonar Echoes[C]//Oceans 2006.Boston: IEEE, 2006.
[29] Allen N, Hines P C, Young V W.Performances of Human Listeners and an Automatic Aural Classifier in Discriminating between Sonar Target Echoes and Clutter[J].The Journal of the Acoustical Society of America, 2011, 130(3): 1287-1298.
[30] Georgescu R, Willett P.The GMCPHD Tracker Applied to the Clutter09 Dataset[C]//Proceedings of the 16th International Conference on Information Fusion.Istanbul: IEEE, 2013.
[31] Krout D, Morrison D.PDAFAI vs.PDAFAIwTS: TNO Blind Dataset and SEABAR 07[C]//2009 12th International Conference on Information Fusion.Seattle: IEEE, 2009.
[32] Krout D, Hanusa E.Likelihood Surface Preprocessing with the JPDA Algorithm: Metron Data Set[C]// 2010 13th International Conference on Information Fusion.Edinburgh: IEEE, 2010.
[33] Coraluppi S, Carthel C.Multi-stage Data Fusion and the MSTWG TNO Datasets[C]//2009 12th International Conference on Information Fusion.Seattle: IEEE, 2009.
[34] Guerriero M.Statistical Signal Processing in Sensor Networks[D].US: University of Connecticut, 2009.
[35] Guerriero M, Coraluppi S, Willett P.Analysis of Scan and Batch Processing Approaches to Static Fusion in Sensor Networks[C]//Signal and Data Processing of Small Targets.Orlando: SPIE, 2008.
[36] Georgescu R, Willett P, Marano S, et al.Predetection Fusion in Large Sensor Networks with Unknown Target Locations[J].ISIF Journal of Advances in Information Fusion, 2012, 7(1): 61-77.
[37] Georgescu R, Willett P.Random Finite Set Markov Chain Monte Carlo Predetection Fusion[C]//14th International Conference on Information Fusion.Chicago: IEEE, 2011.
[38] Hanusa E, Krout D.Improving Contact Classification Using an Estimate of Aspect from Track State[C]// Oceans'11 MTS/IEEE Kona.Waikoloa: IEEE, 2011.
[39] Krout D, Hanusa E.Likelihood Surface Preprocessing with the JPDA Algorithm: Metron Data Set[C]//2010 13th International Conference on Information Fusion.Edinburgh: IEEE, 2010.
[40] Hanusa E, Krout D W.Posterior Distribution Preprocessing with the JPDA Algorithm: Pacsim Data Set[C]/ 2012 15th International Conference on Information Fusion.Singapore: IEEE, 2012.
[41] Krout D W, Okopal G, Hanusa E.Video Data and Sonar Data: Real World Data Fusion Example[C]//14th International Conference on Information Fusion.Chicago: IEEE, 2011.
[42] Krout D W, Kooiman W, Okopal G, et al.Object Tracking with Imaging Sonar[C]//2012 15th International Conference on Information Fusion.Singapore: IEEE, 2012.
[43] Krout D W, Okopal G, Jessup A, et al.Tracking Drifting Surface Objects with Aerial Infrared and Electro-Optical Sensors[C]//Oceans 2012.Hampton Roads: IEEE, 2012.
[44] Hanusa E, Krout D, Gupta M R.Estimation of Position from Multistatic Doppler Measurements[C]// 2010 13th International Conference on Information Fusion.Edinburgh: IEEE, 2010.
[45] Hanusa E, Gupta M R, Krout D W.Contact Clustering and Classification Using Likelihood-Based Similarities[C]// Oceans 2012.Hampton Roads: IEEE, 2012.
[46] Hanusa E, Krout D, Gupta M R.Clutter Rejection by Clustering Likelihood-Based Similarities[C]//14th International Conference on Information Fusion.Chicago: IEEE, 2011.
[47] 赵俊渭, 阎宜生, 丁纬, 等.双基地声呐的性能与展望[J].声学与电子工程, 1991(3): 29-33.
[48] 张小凤.双/多基地声呐定位及目标特性研究[D].西安: 西北工业大学, 2003.
[49] 凌青.基于多站址信息综合的水下探测定位技术研究[D].哈尔滨: 哈尔滨工程大学, 2006.
[50] 李涛, 屈也频, 梅风华.基于总体最小二乘的多基地声呐系统定位算法[J].探测与控制学报, 2015, 37(3): 82-85.Li Tao, Qu Ye-pin, Mei Feng-hua.Multistatic Sonar Space Location Algorithm Based on Total Least Squares Method[J].Journal of Detection & Control, 2015, 37(3): 82-85.
[51] 杨丽, 蔡志明.混响背景下双基地声呐的探测范围分析[J].哈尔滨工程大学学报, 2006, 27(4): 597-602.Yang Li, Cai Zhi-ming.Analysis of Detectable Region for the Bistatic Sonar in Reverberation Background[J].Journal of Harbin Engineering University, 2006, 27(4): 597- 602.
[52] 徐景峰, 舒象兰, 韩树平, 等.T2-R型多基地声呐定位精度研究[J].兵工学报, 2014, 35(7): 1052-1059.Xu Jing-feng, Shu Xiang-lan, Han Shu-Ping, et al.Research on Accuracy of Localization Algorithm for T2-R Multistatic Sonar[J].Acta Armamentarii, 2014, 35(7): 1052-1059.
[53] 李嶷, 孙长瑜, 余华兵, 等.多基地声呐系统检测性能分析[J].声学技术, 2010, 29(5): 478-483.Li Yi, Sun Chang-yu, Yu Hua-bing, et al.Analysis of the Detection Performance of Multistatic Sonar System[J].Technical Acoustics, 2010, 29(5): 478-483.
[54] 邹吉武, 孙大军, 师俊杰, 等.双基地声呐矢量传感器直达波抑制技术[J].高技术通讯, 2010, 20(11): 1138- 1141.Zou Ji-wu, Sun Da-jun, Shi Jun-jie, et al.Vector Sensor Based Reduction of Direct Wave Interference for Bistatic Sonar Systems[J].Chinese High Technology Letters, 2010, 20(11): 1138-1141.
[55] 邹吉武, 孙大军, 兰华林.基于矢量传感器的双基地声呐数据融合[J].高技术通讯, 2009, 19(9): 946-950.Zou Ji-wu, Sun Da-jun, Lan Hua-lin.A Data Fusion Algorithm for Bistatic Sonar Based on Vector Transducer[J].Chinese High Technology Letters, 2009, 19(9): 946-950.
[56] 高勇.收发分置主动声呐混响特性和抑制方法的研究[D].南京: 东南大学, 2014.
[57] 张林琳, 杨日杰, 杨春英.水下机动目标跟踪技术研究[J].声学技术, 2011, 30(1): 68-73.Zhang Lin-lin, Yang Ri-jie, Yang Chun-ying.Research on Underwater Manoeuvre Target Tracking Technology[J].Technical Acoustics, 2011, 30(1): 68-73.
[58] 刘立昕, 卞红雨.用于水下目标跟踪的多特征融合PSOPF算法[J].应用科学学报, 2013, 31(6): 564-568.Liu Li-xin, Bian Hong-yu.Multi-feature Fused PSOPF for Underwater Target Tracking[J].Journal of Applied Sciences, 2013, 31(6): 564-568.
[59] 韩建辉, 杨日杰, 苗康乐, 等.一种定量度量航空声呐浮标阵多基地性能方法研究[J].测试技术学报, 2015, 29(4): 315-320.Han Jian-hui, Yang Ri-jie, Miao Kang-le, et al.Research on a Method to Quantitatively Evaluate Multistatic Aerial Sonobuoy Array Performance[J].Journal of Test and Measurement Technology, 2015, 29(4): 315-320.
[60] 肖超超, 杨日杰, 韩建辉.多基地声呐搜索性能模型研究[J].系统仿真学报, 2014, 26(6): 1315-1319.Xiao Chao-chao, Yang Ri-jie, Han Jian-hui.Research on Model of Search Performance of Multi-static Sonar[J].Journal of System Simulation, 2014, 26(6): 1315-1319.
[61] 陈燕, 汤渭霖, 范军, 浅海波导中目标回声计算的射线声学方法[J].声学学报, 2010, 25(3): 335-342.Chen Yan, Tang Wei-lin, Fan Jun.The Geometrical Acoustic Method for Calculating the Echo of Targets Submerged in a Shallow Water Waveguide[J].Acta Acustica, 2010, 25(3): 335-342.
[62] 徐翔.目标回波仿真与应用研究[D].哈尔滨: 哈尔滨工程大学, 2008.
[63] 朱广平, 王飞, 孙辉.时频域滤波沉底目标亮点特征提取方法研究[J].哈尔滨工程大学学报, 2015, 36(5): 616- 622.Zhu Guang-ping, Wang Fei, Sun Hui.Extraction Method of Highlight Features of a Bottom Target Based on Time-Frequency Dominant Filtering[J].Journal of Harbin Engineering University, 2015, 36(5): 616-622.
[64] 何友.信息融合理论及应用[M].北京: 电子工业出版社, 2010.
[65] 敬忠良, 肖刚, 李振华.图像融合: 理论与应用[M].北京: 高等教育出版社, 2007.
[66] 潘泉, 程咏梅, 梁彦, 等.信息融合理论与应用[M].北京: 清华大学出版社, 2012.
[67] 韩崇昭, 朱洪艳, 段战胜.多源信息融合[M].2版.北京: 清华大学出版社, 2010.
The Technology of Feature-Aided Underwater Acoustic Fusion Detection
HAN Yi-na1, YANG Yi-xin1, LIU Qing-yu2, MA Yuan-liang1
(1.School of Marine and Technology, Northwestern Polytechnical University, Xi’an 710072, China; 2.Institute of Navy Research of China, Beijing 100073, China)
To overcome the problems such as high clutter rate, dim target, and low detection rate of sensors in multi-static sonar network, increasing attention has been paid to the feature-aided underwater acoustic fusion detection technology, which suppresses the clutter by using the correlation between the features derived from echo and the target, and provides more suitable inputs to detectors.Based on the idea of track before detection, this paper reviews the recent progress of feature-aided tracking, focusing on echo feature-aided pre-processing techniques.Domestic contributions in related areas such as multi-static sonar localization, tracking, echo feature extraction and information fusion are further discussed.Finally, the issues that will be further studied in this field are pointed out, including the prototype system for obtaining test data, the suitable signal and information processing technology, and the enhancement of automatic fusion and tracking ability.
multi-static sonar; underwater acoustic detection; fusion and tracking
TJ630.34; TB566
A
2096-3920(2018)06-0581-07
10.11993/j.issn.2096-3920.2018.06.012
2018-07-26;
2018-11-07.
国家重点研发计划(2016YFC1400200), 国家自然科学基金面上项目(61671388)资助.
韩一娜(1981-), 女, 博士, 教授, 主要研究方向为水声多源融合跟踪、水声智能探测.
韩一娜, 杨益新, 刘清宇, 等.特征协助的水声融合探测技术[J].水下无人系统学报, 2018, 26(6): 581-587.
(责任编辑: 陈 曦)
