本发明属于主动声呐信号处理领域，主要针对传统测速方法受海洋信道、混响、杂波干扰等影响而准确率较低且不稳定的问题，提出了一种主动声呐目标动静辨识方法，利用回波与混响特征分布差异性，突破了平台运动、信道频散效应、海洋混响对目标运动速度估计的影响，提高了目标动静辨识和速度估计的准确性。经仿真分析与试验数据验证，该发明提出的目标动静辨识方法可以高精度估计出目标运动状态和速度，能够提高实际环境下的识别正确率和宽容性，为主动目标探测与识别设备研制提供技术基础。
1.一种主动声呐目标动静辨识方法，其特征在于：包括步骤如下：步骤一：获取包含全部目标回波的基阵数据，通过空时二维波束形成处理得到包含目标的空时二维特征谱S(θ,f)；
步骤二：计算多普勒频移，在频率维对空时二维特征谱S(θ,f)进行补偿，得到多普勒频移后的特征谱S1(θ,f)；
步骤三：对S1(θ,f)沿方位维进行规格化处理，得到在S1(θ,f)基础上进行方位维规格化处理后的特征谱S2(θ,f)；
步骤四：对S2(θ,f)沿频率维进行规格化处理，得到在S2(θ,f)基础上进行频率维规格化处理后的特征谱S3(θ,f)；
步骤五：对S3(θ,f)进行二维图像卷积，得到对S3(θ,f)进行二维图像卷积后的特征谱S4(θ,f)；对S4(θ,f)进行阈值筛选处理，设置门限阈值λ，得到筛选后的特征谱S5(θ,f)；
步骤六：计算目标区域的重心，确定目标所在方位和频率；
步骤七：计算目标的多普勒频移，由目标区域的频率维重心fg，计算目标自身运动产生的多普勒频移fd；
2.根据权利要求1所述的主动声呐目标动静辨识方法，其特征在于：在步骤一中，令X代表M×N维的基阵数据，M是阵元数，N是时间采样点数，Beamform代表波束形成，包含目标的空时二维特征谱S(θ,f)表示为：S(θ,f)＝Beamform(X)
其中0≤θ≤360是全空间维度上的采样，flow≤f≤fhigh是频率维度上的采样，flow是处理频率下限，fhigh是处理频率上限。
3.根据权利要求2所述的主动声呐目标动静辨识方法，其特征在于：在步骤二中，多普勒频移后的特征谱S1(θ,f)表示为：S1(θ,f)＝S(θ,f‑fd0)
其中c为声速，vs为平台运动速度，f0为发射信号中心频率，fd0为平台运动引起的多普勒频移；抵消后，多普勒频移后的特征谱S1(θ,f)中的混响成分将由原来在方位维度上呈正弦状起伏，变为沿方位维度呈直线状分布。
4.根据权利要求3所述的主动声呐目标动静辨识方法，其特征在于：在步骤三中，对频率维进行固定，在方位维上利用滑动矩形窗，对中心点进行归一化处理，得到在S1(θ,f)基础上沿方位维进行规格化处理后的特征谱S2(θ,f)；
其中μθ为方位维滑动矩形窗半窗长， 为方位维滑动矩形窗在S1(θ,f)上截取的片段。
5.根据权利要求4所述的主动声呐目标动静辨识方法，其特征在于：在步骤四中，对方位维进行固定，在频率维上利用滑动矩形窗，对中心点进行归一化处理，得到在S2(θ,f)基础上沿频率维进行规格化处理后的特征谱S3(θ,f)；
其中μf为频率维滑动矩形窗半窗长，f‑μf≤ω≤f+μf，S2(θ,ω)为频率维滑动矩形窗在S2(θ,f)上截取的片段。
6.根据权利要求5所述的主动声呐目标动静辨识方法，其特征在于：在步骤五中，根据目标运动特征和杂波干扰在空时特征谱上的分布差异，采用高斯核函数进行滤波；
其中G(θ,f)为高斯核函数，σθ和σf分别是方位维和频率维上的方差，得到对S3(θ,f)进行二维图像卷积后的特征谱S4(θ,f)；
其中图像卷积核在方位维和频率维上的长度分别为2τθ+1和2τf+1，τθ和τf分别是半窗长， 和 分别是卷积核在特征谱和核函数上截取的二维片段，其中f‑τf≤ω≤f+τf；
目标所在区域被筛选出来，目标区域的边界设定为θ1、θ2、f1、f2，θ1≤θ≤θ2，f1≤f≤f2。
7.根据权利要求6所述的主动声呐目标动静辨识方法，其特征在于：在步骤六中，其中θg为目标区域的方位维重心，是目标方位的估计；
其中fg为目标区域的频率维重心，是目标回波频率的估计。
8.根据权利要求7所述的主动声呐目标动静辨识方法，其特征在于：在步骤七中，目标自身运动产生的多普勒频移fd；
9.根据权利要求8所述的主动声呐目标动静辨识方法，其特征在于：在步骤八中，利用fd计算出目标真实速度在目标和平台连线方向的投影分量，也就是目标径向速度vh；
对连续3个以上主动探测周期内的目标径向速度进行统计，当满足以下两个条件时，判定目标是运动目标；
其中v＝[vh1,vh2,…,vhK]为K个主动探测周期内目标径向速度的统计序列，K≥3，vhk为第k个主动探测周期的目标径向速度，1≤k≤K，var(v)为序列v的方差，δ1为第一经验阈值，min(v)为序列v的最小值，δ2为第二经验阈值。
一种主动声呐目标动静辨识方法
技术领域
[0001] 本发明属于主动声呐信号处理领域，主要是一种主动声呐目标动静辨识方法。
背景技术
[0002] 针对主动声呐检测识别处理中普遍存在目标检测虚警率高、目标识别能力弱等突出问题，国外学者在主动声呐目标回波特征提取和识别方面做了大量研究，在分析水中目标特征形成机理的基础上，重点提取与目标结构、形状和材料等属性参数相关的特征，形成不同物理意义下的特征提取方法。但国内在主动目标回波特征提取与识别方面的研究起步相对较晚，主动目标识别技术与国外尚有差距，急需开展目标回波散射特征、宏观物理特征、波形结构特征等主动声呐目标声特征提取方法研究，其中运动特征是支撑主动声呐对鱼群、水面船、水下航行器等识别的关键特征之一，目标的动静辨识可以作为目标分类的重要依据，但传统测速方法受海洋信道、混响、杂波干扰等影响而准确率较低且不稳定，因此准确、快速获取目标动静状态尤为重要。本专利发明了一种主动声呐目标动静辨识方法，可以高精度判别目标的动静状态，极大缩短了对水下航行体的发现时间，提高了目标识别正确率。
发明内容
[0003] 本发明针对传统测速方法受海洋信道、混响、杂波干扰等影响而准确率低的问题，而提供一种主动声呐目标动静辨识方法。
[0004] 本发明的目的是通过如下技术方案来完成的。一种主动声呐目标动静辨识方法，包括步骤如下：
[0005] 步骤一：获取包含全部目标回波的基阵数据，通过空时二维波束形成处理得到包含目标的空时二维特征谱 ；
[0006] 步骤二：计算多普勒频移，在频率维对空时二维特征谱 进行补偿，得到多普勒频移后的特征谱 ；
[0007] 步骤三：对 沿方位维进行规格化处理，得到在 基础上进行方位维规格化处理后的特征谱 ；
[0008] 步骤四：对 沿频率维进行规格化处理，得到在 基础上进行频率维规格化处理后的特征谱 ；
[0009] 步骤五：对 进行二维图像卷积，得到对 进行二维图像卷积后的特征谱 ；对 进行阈值筛选处理，设置门限阈值 ，得到筛选后的特征谱和目标区域；
[0010] 步骤六：计算目标区域的重心，确定目标所在方位和频率；
[0011] 步骤七：计算目标的多普勒频移，由目标区域的频率维重心 ，计算目标自身运动产生的多普勒频移 ；
[0012] 步骤八：计算目标的径向速度，进行目标动静辨识。
[0013] 更进一步的，在步骤一中，
[0014] 令 代表 维的基阵数据， 是阵元数， 是时间采样点数， 代表波束形成，包含目标的空时二维特征谱 表示为：
[0015]
[0016] 其中 是全空间维度上的采样， 是频率维度上的采样， 是处理频率下限， 是处理频率上限。
[0017] 更进一步的，在步骤二中，多普勒频移后的特征谱 表示为：
[0018]
[0019]
[0020] 其中 为声速， 为平台运动速度， 为发射信号中心频率， 为平台运动引起的多普勒频移；抵消后，多普勒频移后的特征谱 中的混响成分将由原来在方位维度上呈正弦状起伏，变为沿方位维度呈直线状分布。
[0021] 更进一步的，在步骤三中，对频率维进行固定，在方位维上利用滑动矩形窗，对中心点进行归一化处理，得到在 基础上进行方位维归一化处理后的特征谱 ；
[0022]
[0023] 其中 为方位维滑动矩形窗半窗长， ， 为方位维滑动矩形窗在 上截取的片段。
[0024] 更进一步的，在步骤四中，对方位维进行固定，在频率维上利用滑动矩形窗，对中心点进行归一化处理，得到在 基础上进行频率维归一化处理后的特征谱 ；
[0025]
[0026] 其中 为频率维滑动矩形窗半窗长， ， 为频率维滑动矩形窗在 上截取的片段。
[0027] 更进一步的，在步骤五中，根据目标运动特征和杂波干扰在空时特征谱上的分布差异，采用高斯核函数进行滤波；
[0028]
[0029] 其中 为高斯核函数， 和 分别是方位维和频率维上的方差，得到对进行二维图像卷积后的特征谱 ；
[0030]
[0031] 其中图像卷积核在方位维和频率维上的长度分别为 和 ， 和 分别是半窗长， 和 分别是卷积核在特征谱和核函数上截取的二维片段，其中， ；
[0032]
[0033] 目标所在区域被筛选出来，目标区域的边界设定为 ，
[0034] 。
[0035] 更进一步的，在步骤六中，
[0036]
[0037] 其中 为目标区域的方位维重心，是目标方位的估计；
[0038]
[0039] 其中 为目标区域的频率维重心，是目标回波频率的估计。
[0040] 更进一步的，在步骤七中，目标自身运动产生的多普勒频移 ；
[0041]
[0042] 其中 为多普勒频移为零时的基准频率。
[0043] 更进一步的，在步骤八中，利用 计算出目标真实速度在目标和平台连线方向的投影分量，也就是目标径向速度 ；
[0044] ，其中 为声速， 为发射信号中心频率；
[0045] 对连续3个以上主动探测周期内的目标径向速度进行统计，当满足以下两个条件时，判定目标是运动目标；
[0046]
[0047]
[0048] 其中 为 个主动探测周期内目标径向速度的统计序列，， 为第 个主动探测周期的目标径向速度， ， 为序列 的方
差， 为第一经验阈值， 为序列 的最小值， 为第二经验阈值。
[0049] 本发明的有益效果为：本发明利用回波与混响特征分布差异性，突破了平台运动、信道频散效应、海洋混响对目标运动速度估计的影响，提高了速度估计和目标动静辨识的准确性。经仿真分析与试验数据验证，该发明提出的目标动静辨识方法可以高精度估计出目标运动状态和目标的径向速度，能够提高实际环境下的识别正确率和宽容性，为主动目标探测与识别设备研制提供技术基础。
附图说明
[0050] 图1为一种主动声呐目标动静辨识方法的处理流程；
[0051] 图2为谱线搬移后的特征谱图；
[0052] 图3为沿方位维归一化后的特征谱图；
[0053] 图4为沿频率维归一化后的特征谱图；
[0054] 图5为图像卷积处理后的特征谱；
[0055] 图6（a）—图6（d）为动目标判别、径向速度估计的性能仿真分析结果图。
具体实施方式
[0056] 下面将结合附图，通过理论推导、模拟仿真和水池试验对算法具体实现方式做详细说明。
[0057] (1) 基础理论
[0058] 目标径向速度指目标速度在目标与本船连线上的投影。目标相对本船的运动会引起回波接收频率的变化，目标单频回波接收频率与同方向混响的接收频率之差为目标运动引起的多普勒频移，与目标径向速度成正比。本发明提出了一种基于单周期回波多普勒频移的目标径向速度估计新方法，经试验数据验证表明，较好地实现了对水下动静目标的感知与判别。
[0059] 本发明所述的一种主动声呐目标动静辨识方法的处理流程如图1所示。下面以一段拖曳线列阵主动声呐目标数据为例，介绍算法的主要处理流程，如下：
[0060] 步骤一：算法以完整包含目标回波的基阵数据为输入，通过空时二维波束形成处理得到特征谱，令 代表 维的基阵数据， 是阵元数， 是时间采样点数，代表波束形成，则
[0061]
[0062] 是包含目标的空时二维特征谱，其中 是全空间维度上的采样， 是频率维度上的采样， 是处理频率下限， 是处理频率上限。
[0063] 步骤二：计算多普勒频移，补偿特征谱。根据平台运动速度 ，计算多普勒频移量，在频率维对特征谱进行补偿
[0064]
[0065] 其中 为声速， 为发射信号中心频率， 为平台运动引起的多普勒频移。
[0066] 步骤三：对特征谱进行补偿，抵消因本平台运动引起的频率维起伏。
[0067]
[0068] 其中 是抵消平台运动引起的多普勒频移后的得到的特征谱。抵消后，特征谱中的混响成分将由原来在方位维度上呈正弦状起伏，变为沿方位维度呈直线状分布，处理后的特征谱如图2所示。
[0069] 步骤四：对 沿方位维进行规格化处理，消除方位维度上的混响以及其他带状空间能量干扰。对频率维进行固定，在方位维上利用滑动矩形窗，对中心点进行归一化处理；
[0070]
[0071] 其中 为在 基础上进行方位维归一化处理后得到的特征谱， 为方位维滑动矩形窗半窗长， ， 为方位维滑动矩形窗在 上截取的片段。处理后的结果如图3所示。
[0072] 步骤五：对 沿频率维进行规格化处理，消除频率维度上的目标被动辐射噪声干扰。对方位维进行固定，在频率维上利用滑动矩形窗，对中心点进行归一化处理；
[0073]
[0074] 其中 为在 基础上进行频率维归一化处理后得到的特征谱， 为频率维滑动矩形窗半窗长， ， 为频率维滑动矩形窗在 上截取的片段。处理后的结果如图4所示。
[0075] 步骤六：对 进行二维图像卷积，去除杂波和野值点干扰。根据目标运动特征和杂波干扰在空时特征谱上的分布差异，采用高斯核函数进行滤波。
[0076]
[0077] 其中 为高斯核函数， 和 分别是方位维和频率维上的方差。则，图像卷积后的空时特征谱为
[0078]
[0079] 其中 是对 进行二维图像卷积后得到的特征谱。图像卷积核在方位维和频率维上的长度分别为 和 ， 和 分别是半窗长。 和分别是卷积核在特征谱和核函数上截取的二维片段，其中 ，
。
[0080] 这里跟步骤四、五不同处在于，步骤四、五重点对方位维上的全空间混响干扰和频率维上的全频段噪声干扰进行消除，干扰强度高、范围大，是平台和目标产生的固有干扰，所用滑动窗的半窗长 和 均较长。而步骤六重点对特征谱中的杂波、野值等不规则形态干扰进行消除，干扰强度低、范围小，是复杂环境和海洋生物造成的随机干扰，对应的滑动窗的半窗长 和 均较短。处理后的结果如图5所示。
[0081] 步骤七：对特征谱进行阈值筛选处理。设置门限阈值 ，对 进行筛选处理；
[0082]
[0083] 为筛选后的特征谱。其中，目标所在区域被筛选出来，基于目标特征和高斯核低通特性，形成区域为较规则的块状，令其边界为 。
[0084] 步骤八：计算目标区域 ， ， 的重心，确定目标所在方位和频率。
[0085]
[0086] 其中 为目标区域的方位维重心，是目标方位的估计。
[0087]
[0088] 其中 为目标区域的频率维重心，是目标回波频率的估计。
[0089] 步骤九：计算目标的多普勒频移。由目标所在的特征谱频率维重心 ，计算目标自身运动产生的多普勒频移
[0090]
[0091] 其中 为多普勒频移为零时的基准频率。
[0092] 步骤十：计算目标的径向速度。利用 可以计算出目标真实速度在目标和平台连线方向的投影分量，也就是径向速度
[0093]
[0094] 其中 为声速， 为发射信号中心频率， 即为目标径向速度。
[0095] 步骤十一：进行目标动静辨识。对连续3个以上主动探测周期内的目标径向速度进行统计，当满足以下条件时，认为目标是运动目标
[0096]
[0097] 其中 为 个主动探测周期内目标径向速度的统计序列， 为第 个主动探测周期的目标径向速度， 为序列 的方差，
为第一经验阈值，一般不大于0.5m/s， 为序列 的最小值， 为第二经验阈值，一般可设为0.5m/s 1m/s。
~
[0098] 满足上述两个条件，说明在连续3个以上周期内，目标存在稳定的、明显的运动速度，可判别为运动目标。
[0099] （2）性能分析
[0100] 采用实际数据与仿真相结合的方式分析了上述基于回波特征谱的目标多普勒特征提取方法在实际水下动目标判别、径向速度估计等方面的性能。
[0101] 本专利利用实际海洋环境下获取的主动声呐时空采样数据的基础上，通过以下仿真策略生成不同条件下含动目标回波的特征谱数据：（1）在阵元域数据中增加宽带随机噪声，控制混响与噪声强度比（简称混噪比RNR），以模拟不同距离或具有不同混响级下的海洋环境背景数据；（2）在阵元域数据中增加任意方位、具有不同多普勒频移和信混比（SRR）特性的目标回波。重点考察了在不同混噪比、信混比以及目标处于不同的运动速度条件下，基于回波特征谱的目标动静辨识方法在动目标判别、径向速度估计等方面的性能，分析结果如图6(a)‑ 图6(d)所示。图6 (a)为SRR=0dB时，目标动静判别正确率与目标实际径向速度的关系，图6 (b)为SRR=0dB时，径向速度估计的最大绝对误差与目标实际径向速度的关系，图6(c)为SRR=0dB，目标径向速度5kn时，径向速度估计的最大绝对误差与混噪比的关系，图6(d)为RNR=0dB、目径向速度为5kn时，径向速度估计的最大绝对误差与信混噪比的关系。
[0102] 通过图6(a)‑ 图6(d)中各图所示性能仿真结果表明，本成果提出的主动声呐目标动静辨识方法，在信混比（SRR）不小于0dB的条件下，对径向速度不低于0.5节的运动目标的动静状态判断正确率达95%。
[0103] 可以理解的是，对本领域技术人员来说，对本发明的技术方案及发明构思加以等同替换或改变都应属于本发明所附的权利要求的保护范围。
