项目名称: 模态信息非完备采样下被动声纳目标检测方法研究

项目编号: No.51479169

项目类型: 面上项目

立项/批准年度: 2015

项目学科: 其他

项目作者: 孙超

作者单位: 西北工业大学

项目金额: 84万元

中文摘要: 与基于模态信息的水下目标定位问题相同,当模态信息采样不完备时,基于海洋声环境所设计的水下目标检测器的检测性能将显著下降。然而,模态信息非完备采样下的研究重点一直以来停留在模态系数的估计问题上,该因素对水下目标检测器会产生何种影响,以及如何克服或者利用该影响以恢复或者提高检测性能,是尚未开展但却值得深入研究的问题。这也是本申请项目重点研究的问题。 本项目研究步骤如下:针对水下远程低频窄带声源,结合简正波模型建立垂直线列阵接收信号的空时模型,根据经典统计信号处理理论构建相应的广义似然比检测器;通过蒙特卡洛实验方法,以及采用特征分解技术对广义似然比检测器进行处理,分析模态信息非完备采样对该检测器的影响;并结合对角加载、特征值截断、子检测器加权等方法对广义似然比检测器进行改进,最后,根据检测器的稳健性、可实现性、检测性能等指标给出一种最优的检测器改进方法。最终为声呐系统检测性能的改善奠定基础。

中文关键词: 模态信息;非完备采样;目标检测

英文摘要: Similar to the underwater passive localization problem based on modal information samples, underwater detectors designed based on the combination of acoustic modelling and sensor array sampling also suffer from performance degradation when the modal sampling information is incomplete. However, almost all the exsiting research in information sampling incompleteness focus on the modal parameter estimation problem rather than elaborating on the detection issues. Therefore, what impacts will be imposed on the detectors by the incompleteness of modal sampling and how to overcome or make use of them to restore or improve the detection performance, are worthy of in-depth research and are also the emphases of this proposed project. The project will be carried out as follows: 1) the spatial-temporal receiving signal model for the long-range narrow band acoustic source of low frequency will be established based on the normal model, and the corresponding generalized likelihood ratio test (GLRT) detector will be derived under the criterion of Neyman-Person; 2) the impacts of incomplete modal sampling on the detectors will be investigated via eigen decomposition of the GLRT detector and the Monte-Carlo experiment method; 3) according to the above analysis, the methods based on the truncated eigenvalue decompostion, the diagonal loading, and the weighting method of spectrum components to improve the detection performance will be proposed, respectively. The improved detectors will be compared with each other in terms of its robustness, realizability and detection probabilty in the same parameter scenarios, and the optimum improved method will be obtained.

英文关键词: modal information;incomplete sampling;target detection

成为VIP会员查看完整内容
0

相关内容

AAAI2022-无需蒸馏信号的对比学习小模型训练效能研究
专知会员服务
16+阅读 · 2021年12月23日
深度学习中的单阶段小目标检测方法综述
专知会员服务
45+阅读 · 2021年11月23日
专知会员服务
15+阅读 · 2021年10月4日
专知会员服务
27+阅读 · 2021年8月15日
专知会员服务
29+阅读 · 2021年7月30日
专知会员服务
20+阅读 · 2021年7月19日
专知会员服务
16+阅读 · 2021年5月23日
专知会员服务
29+阅读 · 2021年4月5日
深度学习目标检测方法综述
专知会员服务
273+阅读 · 2020年8月1日
对比学习在NLP和多模态领域的应用
专知
6+阅读 · 2022年2月25日
目标检测之殇—小目标检测
极市平台
4+阅读 · 2021年11月3日
【速览】ICCV 2021丨Oriented R-CNN:有向目标检测
中国图象图形学学会CSIG
0+阅读 · 2021年8月25日
CVPR 2019:精确目标检测的不确定边界框回归
AI科技评论
13+阅读 · 2019年9月16日
从锚点到关键点:目标检测方法最新进展(2019)
GAN生成式对抗网络
14+阅读 · 2019年8月22日
已删除
黑白之道
19+阅读 · 2018年12月23日
国家自然科学基金
6+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2008年12月31日
Arxiv
19+阅读 · 2018年5月17日
小贴士
相关主题
相关VIP内容
AAAI2022-无需蒸馏信号的对比学习小模型训练效能研究
专知会员服务
16+阅读 · 2021年12月23日
深度学习中的单阶段小目标检测方法综述
专知会员服务
45+阅读 · 2021年11月23日
专知会员服务
15+阅读 · 2021年10月4日
专知会员服务
27+阅读 · 2021年8月15日
专知会员服务
29+阅读 · 2021年7月30日
专知会员服务
20+阅读 · 2021年7月19日
专知会员服务
16+阅读 · 2021年5月23日
专知会员服务
29+阅读 · 2021年4月5日
深度学习目标检测方法综述
专知会员服务
273+阅读 · 2020年8月1日
相关资讯
对比学习在NLP和多模态领域的应用
专知
6+阅读 · 2022年2月25日
目标检测之殇—小目标检测
极市平台
4+阅读 · 2021年11月3日
【速览】ICCV 2021丨Oriented R-CNN:有向目标检测
中国图象图形学学会CSIG
0+阅读 · 2021年8月25日
CVPR 2019:精确目标检测的不确定边界框回归
AI科技评论
13+阅读 · 2019年9月16日
从锚点到关键点:目标检测方法最新进展(2019)
GAN生成式对抗网络
14+阅读 · 2019年8月22日
已删除
黑白之道
19+阅读 · 2018年12月23日
相关基金
国家自然科学基金
6+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2008年12月31日
微信扫码咨询专知VIP会员