舰船科学技术  2021, Vol. 43 Issue (10): 149-152    DOI: 10.3404/j.issn.1672-7649.2021.10.030   PDF    
一种基于子频段的弱目标检测方法
楼万翔, 傅仁琦, 侯觉     
中国船舶集团有限公司 第七一五研究所,浙江 杭州,310023
摘要: 针对被动声呐弱目标检测问题,提出一种基于子频段的弱目标的检测方法。该方法把子频段峰值能量检测和Eckart后置处理滤波器相结合,对波束形成后的子频段谱进行Eckart加权,从而提高强干扰下的弱目标检测能力。仿真实验和海试数据分析验证了该方法的有效性。
关键词: 子频段峰值能量检测     Eckart滤波器     弱目标检测    
An method based on sub-band peak energy detection for weak target detection
LOU Wan-xiang, FU Ren-qi, HOU Jue     
The 715 Research Institute of CSSC, Hangzhou 310023, China
Abstract: In order to enhance the capability of weak target detection, a method based on sub-band peak energy detection for weak target detection is proposed. The method combines the sub-band peak energy detection and Eckart filter, which uses the Eckart equation to define the weight value and the sub-band spectrum is weighted by it. The proposed method can increase the performance of weak target detection in shallow water with multi-strong interferences. Simulation and sea trials prove its validity and superiority.
Key words: sub-band peak energy detection     Eckart filter     weak target detection    
0 引 言

在水下作战时,随着安静型/低噪声潜艇、声隐身水面舰等出现,降低了目标的辐射/反射噪声强度,使声呐系统探测能力快速下降。弱目标探测的难点在于干扰功率和背景噪声强度远大于弱目标噪声,干扰数的数量远大于弱目标数量。因此在被动声呐时间-方位历程(Bearing Time Recording,BTR)显示中,弱目标显示往往受到干扰目标和海洋环境背景噪声的影响,从而导致目标(特别是弱目标)的无法被检测和跟踪[1-2]

为了提高弱目标的检测能力和显示效果,国内外已经对其做了大量的研究。M.Bono[3-4]提出了子频段峰值能量检测(Sub-band Peak Energy Detection,SPED)算法,该算法根据频率方位图信息,利用信号峰值的“空间一致性”,对每个子频段各个方位上的峰值能量进行求和作为波束输出,以改善声呐显示效果。文献[5-6]提出了一种波束域宽带峰值能量检测方法(Beam-domain Broadband Peak Energy Detection),该方法增强目标出现的波束显示强度,但是对于目标不存在的波束降低了显示强度,这有可能降低非目标所在波束的干扰,达到改善目标显示效果的目的。文献[7]提出一种利用Eckart后置处理滤波器来提高被动声呐宽带信号检测的方法。

本文综合利用文献[3, 7]的思想,利用子频段峰值检测和Eckart后置处理滤波器相结合,提出一种基于子频段的弱目标检测方法。仿真结果和海试数据分析结果表明,该方法能够有效提高弱目标的检测效果。

1 子频段峰值能量检测

假设声呐阵元接收到的时间快拍为 $x(n)$ ,对其作FFT转换到频率快拍 $X(f)$ ,其中 $n$ 为时间快拍点、 $f$ 为FFT频点。频域波束形成后所获得的波束输出为:

$P(f,{\theta _i}) = w(f,{\theta _i}) \cdot X(f),$ (1)

其中 ${\theta _i}$ 为波束号。

假设整个处理频带为 $\left[ {{f_{\min }},{f_{\max }}} \right]$ ,被分成 $L$ 个子频段,第 $l$ 个子频段频率范围为 $\left[ {{f_{l,\min }},{f_{l,\max }}} \right]$ 。对每个子频段进行波束形成,得到每个子频段的波束输出,即

$P({f_l},{\theta _i}) = \sum\limits_{f = {f_{l,\min }}}^{{f_{l,\max }}} {P(f,{\theta _i})}, $ (2)

对每个 $P({f_l},{\theta _i})$ 进行平方检波、积分可得到新的输出 $P'({f_l},{\theta _i})$ ,然后对每个子频段进行峰值检测,提取局部峰值,即

$\begin{split}& {P}_{pks}({f}_{l},{\theta }_{i})=\\ &\left\{ \begin{array}{*{20}{c}}P{\rm{'}}({f}_{l},{\theta }_{i}) &P{\rm{'}}({f}_{l},{\theta }_{i})>P{\rm{'}}({f}_{l},{\theta }_{i-1})\&\&P{\rm{'}}({f}_{l},{\theta }_{i})>P{\rm{'}}({f}_{l},{\theta }_{i+1}),\\ 0& \text{otherwise}\text{。}\end{array} \right.\end{split} $ (3)

最后对同一波束上的 ${P_{pks}}({f_l},{\theta _i})$ 进行累加合成,得到最后的输出:

${P_{subband}}({\theta _i}) = \sum\limits_{l = 1}^L {{P_{pks}}({f_l},{\theta _i})}\text{。}$ (4)

从式(2)和式(3)可以看出,如果在某一方位上存在宽带信号,则在该方位上对应的几个子频段中都会出现局部峰值,累加后信号得到加强。而噪声在各个子频段内随机出现峰值,累加后其能量被平滑。

2 基于子频段的弱目标检测方法

基于子频段的弱目标检测方法把子频段峰值能量检测和Eckart加权方法相结合。Eckart[8]滤波器基于偏差最大准则,它使有信号存在时均值相关器输出的变化与无信号存在时相关器输出的标准偏差之比最大化。这种滤波器的特点是可以抑制噪声较强频段的响应,改善时延估计的精度。其加权函数的定义如下

$W(f) = {G_{ss}}(f)/\left[ {{G_{{n_1}{n_1}}}(f){G_{{n_2}{n_2}}}(f)} \right]\text{。}$ (5)

其中: ${G_{ss}}(f)$ 表示源信号的自功率谱密度函数; $ {G}_{{n}_{1}{n}_{1}}(f), $ $ {G}_{{n}_{2}{n}_{2}}(f)$ 表示加性噪声的子功率谱密度。

从定义中可以看出,Eckart滤波器需要了解信号和噪声的功率谱。在被动声呐目标检测中,利用序截断平均(OTA)[9]算法来估计背景噪声。该算法是Struzinski在讨论频率域历程检测时提出来的。

每个子频段进行波束形成后得到子频段谱矩阵为 $P'({f_l},{\theta _i})$ (维数为 $ {\rm{L}}({\text{子频段数}})\times I({\text{波束}})$ ),对每个子频段的 $N$ 个波束进行背景噪声估计。为了消除数据的边缘效应。选择窗口长度为 $2K + 1$ ,由于多波束系统的波束分布十分密集,也就是说子频段谱具有局部连续性,所以可以通过将端点单侧的 $K$ 点数据对称扩展到另一侧,以此来消除边缘效应。扩展后的数据为:

$\begin{split}&P'({f_l},{\theta _{K + 1}}),\cdots,P'({f_l},{\theta _2}),P'({f_l},{\theta _1}),\cdots,\\ &P'({f_l},{\theta _I}),P'({f_l},{\theta _{I - 1}}),\cdots,P'({f_l},{\theta _{I - K}}),\end{split}$ (6)

处理后,左右端点在扩展后的数据中都处于窗口中,避免了边缘效应。将式(6)重新表示为:

$Y(1),Y(2),\cdots,Y(M + 2K),$ (7)

OTA算法只针对 $Y(K + 1)$ $Y(K + M)$ 中的数据来做。将窗口中的数据 $Y(i)$ $Y(2K + i)$ 按从小到大排列得到:

$y(1),y(2),\cdots,y(2K + 1),$ (8)

式(5)序列中的中位数为 $y(K + 1)$ ,定义序列 $y(K + 1),\cdots,y(2K + 1)$ 的截断平均值为:

$\bar y = \frac{1}{{K + 1}}\sum\limits_{m = 1}^{K + 1} {y(K + m)}, $ (9)

$\bar y$ 即表示该波束处的背景噪声估计,同时令 $N({f_l},{\theta _i}) = \bar y$

根据Eckart滤波器定义,得到子频段加权系数矩阵,即

${{\rm{W}}}({f_l},{\theta _i}) = \left[ {\begin{array}{*{20}{c}} {P'({f_1},{\theta _1})/{N^2}({f_1},{\theta _1})}& \cdots &{P'({f_1},{\theta _I})/{N^2}({f_1},{\theta _I})} \\ \cdots & \ddots & \cdots \\ {P'({f_L},{\theta _1})/{N^2}({f_L},{\theta _1})}& \cdots &{P'({f_L},{\theta _I})/{N^2}({f_L},{\theta _I})} \end{array}} \right],$ (10)

对子频段进行加权后,得到子频段最终输出结果

${P_{subband}}({\theta _i}) = \sum\limits_{l = 1}^L {{P_{pks}}({f_l},{\theta _i})W({f_l},{\theta _i})}\text{。} $ (11)
3 仿真分析

为了验证算法的有效性,对其进行多目标仿真。仿真基阵为128元线列阵,阵元间距为0.1 m,其工作频段范围为1000~3500 Hz,假设目标的辐射噪声为带限信号,其速度大小为相对于平台的速度,目标的参数如表1所示。数据处理采样频率为15 kHz,采样点数为2048,OTA算法中K=11,子频段数目为100。

表 1 多目标运动参数 Tab.1 Multiple targets motion parameters

某一时刻的波束形成结果如图1所示。

图 1 起始时刻波束形成结果 Fig. 1 Three methods beamforming result

方位历程如图2图4所示。

图 2 常规CBF方位历程图 Fig. 2 The BTR estimation result of CBF

图 4 本文算法方位历程图 Fig. 4 The BTR estimation result of the proposed method

图2图3可以看出,常规算法中目标1轨迹基本不可见,目标3轨迹隐约可见,目标4轨迹断断续续。从图4可以看出,本文所提方法4个目标的轨迹都连续可见。仿真试验表明,本文所提的方法能够提高弱目标的检测能力。

图 3 CBF-SPED方位历程图 Fig. 3 The BTR estimation result of CBF-SPED
4 海试数据分析

为了进一步验证所提算法的有效性,给出一组海试数据结果。数据为116元线列阵,海试数据的波束形成结果如图5所示,方位历程结果如图6图7所示。

图 5 某时刻波束形成结果 Fig. 5 Three methods beamforming result

图 6 常规CBF方位历程图 Fig. 6 The BTR estimation result of CBF

图 7 CBF-SPED方位历程图 Fig. 7 The BTR estimation result of CBF-SPED

图5图6可以看出,目标1的轨迹几乎不可见,目标难以被发现;从图7中可以看出,目标1的轨迹较为清晰。图8提供了300 s时刻的波束形成归一化幅度图,CBF和CBF-SPED方法能够检测目标1,但其相对幅值较小,本文所提算法检测结果优于CBF和CBF-SPED。

图 8 本文算法方位历程图 Fig. 8 The BTR estimation result of the proposed method
5 结 语

本文结合了子频段峰值能量检测方法与Eckart后置处理滤波方法,提出一种基于子频段的弱目标检测方法。它通过对子频段谱进行Eckart加权,提高了弱目标在环境背景噪声和强干扰的检测能力,仿真试验和海试数据分析验证了该方法的有效性。在计算Eckart权值时,所提方法无法准确估计背景噪声功率谱和信号的功率谱,从而会影响弱目标的检测,在后续的工作中将继续研究改进。

参考文献
[1]
ZHANG Wei, CONG Mingyu, WANG Liping. Algorithms for optical weak small targets detection and tracking: review[c]// IEEE int. Conf. Neural Networks & Signal Processing, pp.643−647, 2003.
[2]
BRIAN H. Maranda, JOHN A. Fawcett. Detection and localization of weak targets by space-time integration[J]. IEEE Journal of Oceanic Engineering, Vol. 16, No.2, pp.189−194, 1991.
[3]
BONO M, SHAPO B. Sub-band energy detection in passive array processing[R].ADA405484, 2000.
[4]
M.Bono. SEED ED vs. SPED ED Evaluation. Signal processing Working Group, Applied Research Laboratories: The University of Texas at Austin, ARL-TL-EV-00-61.
[5]
杨晨辉, 马远良, 杨益新. 峰值能量检测及其在被动声纳显示中的应用[J]. 应用声学, 2003, 22(5): 31-35. DOI:10.3969/j.issn.1000-310X.2003.05.008
[6]
杨晨辉. 被动声纳宽带信号检测与现实方法研究[D]. 西安: 西北工业大学, 2002.
[7]
S.k.MEHTA, J.FAY, P.MACIEJEWSKI. A modified Eckart post-beamformer filter for improved detection using broadband features[c]//Proc.ICASSP 96, 3045−3048.
[8]
邱天爽, 王宏禹. Eckart加权的自适应时间延迟估计[J]. 大连理工学报, 1996, 36(2): 230-235.
[9]
李启虎, 潘学宝, 尹力. 数字式声呐中一种新的背景均衡算法[J]. 声学学报, 2000, 25(1): 5-9. DOI:10.3321/j.issn:0371-0025.2000.01.002