Оценка частотного спектра сигнала в условиях частично когерентных полей

Размещено на http://www.allbest.ru/

Оценка частотного спектра сигнала в условиях частично когерентных полей

Введение

Доклад посвящен актуальному вопросу оценки временного спектра сигнала. Его актуальность главным образом обуславливается использованием параметров спектра сигнала наблюдаемой цели, в интересах классификации излучающего шум объекта, отнесение его к тому или иному классу из возможного алфавита.

Одним из наиболее важных признаков, по которому осуществляется классификация, является наличие дискрет в спектре сигнала цели, которые могут образовывать звукоряды либо наблюдаться отдельно, они же и являются отличительными особенностями различных классов, которые наиболее актуальны для распознавания.

В свою очередь при достаточно близком нахождении двух целей, наблюдается взаимное влияние спектров их сигналов. В связи, с чем возникает задача оценки данного влияния, что соответственно можно использовать в интересах классификации целей в гидроакустических станциях и комплексах (ГАС и ГАК).

В рамках данного доклада рассматривается влияние дискретной составляющей (ДС) в спектре одной цели на сплошную часть спектра близкорасположенной другой цели. А именно вероятность ложного обнаружения ДС в спектре наблюдаемого сигнала, вызванного боковым полем близкорасположенного источника иного происхождения.

Для решения поставленной задачи было использовано имитационное моделирование.

1.Модель среды

Океанская среда в вертикальной плоскости может быть представлена как акустическая линза, в которой акустические лучи претерпевают рефракцию, т.е. искривление траектории распространения в неоднородной водной среде, а также отражаются от поверхности и дна. Как следствие, возникает многолучевая картина распространения, которая определяется заглублением источника и приемника и распределением скорости звука по глубине.

Дополнительным фактором, приводящим к изменчивости звукового поля, является рассеяние звука на граничных поверхностях (поверхность моря и дно) и на случайных неоднородностях среды. Так как морская поверхность является неровной, и первичная волна, переизлученная поверхностью, состоит из двух компонент: регулярной или когерентной и рассеянной или некогерентной. Регулярная компонента подчиняется законам геометрической оптики, при плоской границе раздела двух сред она формулирует отраженную акустическую волну. Некогерентная компонента образует рассеянное акустическое поле. Если в точку приема попадает одновременно и когерентное и рассеянное поле, то суммарное поле начинает флюктуировать. Введение в суммарный сигнал рассеянной компоненты позволяет учесть флюктуирующий характер сигнала при распространении его в реальных условиях.

Для описания характеристик когерентных и рассеянных компонент гидроакустических сигналов, распространяющихся в случайно-неоднородной среде, использовалась модель среды с передаточной функцией Грина с гауссовским распределением, известная как Гауссов канал.

Передаточная функция Грина данного канала представляется в следующем виде:

, (1)

где ? определяет когерентную часть коэффициента передачи, - случайная функция, с нулевым средним, с помощью которой вводится некогерентная составляющая звукового поля.

В свою очередь ее корреляционная функция, известная как функция когерентности выглядит следующим образом:

.(2)

Для одномерного случая функция пространственной когерентности Гауссова канала имеет экспоненциальный вид:

, (3)

где - разность координат соответствующего параметра волновода (временная, частотная либо пространственная координата); - коэффициент когерентности; - интервал пространственной корреляции на уровне 0.6.

При проведении моделирования, выделялся достаточно небольшой участок поля, в котором обычно располагается антенна, на данном отрезке поле считалось условно однородным и стационарным. Если предположить, что поле терпит однородное рассеяние, не зависящее от направления, а зависящее от разности координат, такая модель представляет собой волновод на выходе, которого процесс, отвечающий модели плоских волн [1].

2.Рассматриваемые алгоритмы

Для проведения исследований были выбраны четыре алгоритма, которые достаточно полно характеризуют все непараметрические алгоритмы оценки пространственно частотного спектра:

1) Классический алгоритм Барлета, который обеспечивает обзор пространства после формирования веера неадаптивных пространственных характеристик направленности. Выходной эффект такого пространственного фильтра в j-ом направлении:

,(4)

где - вектор направления наблюдения (управляющий, опорный вектор), характеризующий направление прихода полезного сигнала, подлежащего обнаружению; - выборочная оценка корреляционной матрицы.

2) Режекционный алгоритм с когерентной компенсацией сильной цели, основанный на алгоритме Барлета. Выходной эффект j-го "основного" канала после компенсации мешающих целей имеет вид:

,(5)

где - n-й спектральный отсчет j-го рабочего канала; - вектор-строка, определяющая весовые коэффициенты, с которыми вычитаются сигналы компенсационных каналов, заданные вектором-столбцом .

3) Несобственно-структурный алгоритм Кейпона с линейными ограничениям, основанный на обращении выборочных оценок корреляционной матрицы:

.(6)

4) Собственно-структурный алгоритм Джонсона, основанный на спектральном разложении выборочных оценок корреляционных матриц на собственные вектора и собственные числа:

,(7)

где - собственное значение корреляционной матрицы; - соответствующий собственный вектор [2].

3.Моделирование

Рассматривалась линейная эквидистантная антенна, состоящая из 128 датчиков. Анализируемая частота составляла 0,9 от верхней частоты (то есть от частоты, соответствующей волновому расстоянию между датчиками).

При этом рассматривалось три типа ПФ волновода:

-полностью когерентный волновод;

-частично когерентный с крумномасшатбными флюктуациями;

-частично когерентный с мелкомасштабными флюктуациями.

Моделирование проводилось в два этапа:

1 этап: ДС отсутствовала, и при этом оценивалась СКО и математическое ожидание сплошной части спектра на некоторой статистической выборке;

2 этап: дискрета добавлялась, и оценивалось ее влияние.

Далее вычислялось индикаторное отношение сигнал/помеха (иОСП) в спектре второй цели. Вычислялась выборочная вероятность превышения значения 3 иОСП и считались характеристики самого иОСП, то есть его математическое ожидание, и СКО.

4.Результаты моделирования

Представлены результаты моделирования. А именно изменения вероятности ложной тревоги для четырех алгоритмов. На рис. 1 показаны результаты для полностью когерентного волновода. На рис. 2 и рис. 3 для волновода с крупномасштабными флюктуациями и мелкомасштабными соответственно.

Рис. 1. Когерентная ПФ

Рис. 2. Крупномасштабные флюктуации

Рис. 3. Мелкомасштабные флюктуации

На всех рисунках видны некоторые колебания вероятностей, вызванные нулями соответствующих характеристики направленности различных алгоритмов. Но в целом картина характеризует убывание вероятности с увеличением углового расстояния между целями, что и следовало ожидать.

Для мелкомасштабных флюктуациями наблюдается некоторое улучшение ситуации по сравнению с крупномасштабными в виду увеличения стохастичности сигналов.

Наилучший результат качества оценивания спектра показывал режекционный алгоритм, далее следует алгоритм Барлета. С некоторым отставанием идут Джонсон и Кейпон, которые вносят достаточно сильное искажение спектра. Разумеется, с ростом углового расстояния разница между алгоритмами сокращается.

Собственно это и показывает применимость сверхразрешающих алгоритмов в узкой области, а именно для определения курсовых углов на цели. А для полноценного решения задачи к ним разумно добавлять режекционный алгоритм, который позволит качественно оценить спектр сигнала. Но, безусловно, для него необходимо иметь данные обо всех сильных источниках.

Заключение

В результате моделирования была подтверждена эффективность алгоритма режекции для оценки спектра сигнала и для очистки спектра от влияния ДС или каких-либо иных помех.

Следовательно, режекционный алгоритм является наиболее приемлемым для оценки спектра, который следует использовать для построения тракта первичной обработки сигнала в ГАС. И целесообразно использовать именно его, предварительно определив курсовой угол на цели каким-либо рассмотренным сверхразрешающим алгоритмом либо алгоритмом Барлета.

Так же на основе полученных результатов можно построить модель вероятности ложной тревоги для различных алгоритмов и условий. И использовать ее для увеличения вероятности правильной классификации целей.

Литература

сигнал спектр моделирование

1. Малышкин Г.С. Оптимальные и адаптивные методы обработки гидроакустических сигналов. Т.1. Оптимальные методы. - СПб: ОАО "Концерн "ЦНИИ "Электроприбор",2011. - 400 с.

2. Малышкин Г.С. Оптимальные и адаптивные методы обработки гидроакустических сигналов. Т.2. Адаптивные методы. - СПб: ОАО "Концерн "ЦНИИ "Электроприбор", 2011. - 374 с.

Размещено на Allbest.ru