Содержание к диссертации
Введение
ГЛАВА 1 Современное состояние методов обработки гидроакустического сигнала 5
1.1 Критерии обнаружения гидроакустических сигналов 5
1.2 Первичная обработка гидроакустического сигнала ...—7
1.3 Вторичная обработка гидроакустического сигнала ... ... 13
1.4 Нейронные сети как альтернативный метод обработки сигнала... . .—...14
1.5 Метод обработки гидроакустического сигнала при условиях существенной априорной неопределенности о параметрах сигнала и помех ..—... ... 16
ГЛАВА 2 Разработка математических моделей 22
2.1. Модель сигнала ... ... ... ...22
2.2. Модель среды распространения . ... ...31
2.3. Модель помехи 33
2.4. Модель наблюдения...—.. ... . ...34
2.5. Постановка задачи. Метод решения задачи 37
2.6. Формирование пространственно-частотных спектров сигнала и помехи .45
2.7.Формирование пространственно-частного спектра помехи 46
2.8. Формирование пространственно-частного спектра отношения сигнал-помеха... .49
ГЛАВА 3 Разработка программного обеспечения 52
3.1.Оценка параметров сигнала... ... ...52
3.2.Формирование описания классов источника... ... ...69
3.3. Описание алгоритма классификации... ... ... .75
3.4. Тестирование алгоритмов первичной и вторичной обработки гидроакустического сигнала сейсмического (взрывного) характера и анализ его результатов ... ...79
3.5.Программа "Вторичная обработка информации"... ... ... ... ..89
Заключение 101
Список литературы
- Первичная обработка гидроакустического сигнала
- Метод обработки гидроакустического сигнала при условиях существенной априорной неопределенности о параметрах сигнала и помех
- Модель среды распространения
- Тестирование алгоритмов первичной и вторичной обработки гидроакустического сигнала сейсмического (взрывного) характера и анализ его результатов
Введение к работе
Актуальность темы. В настоящее время наблюдение за подводной обстановкой, основанное на анализе акустической информации с использованием электронно-вычислительной техники, является одним из бурно развивающихся научных направлений. Интерес к области подводной гидроакустики, в последние годы, активно развивается, и это связано с переходом из области, имеющей, фактически, только оборонную направленность.
Значительный вклад в развитие теории обработки гидроакустического сигнала внесли выдающиеся отечественные ученые В.АЛкуличев, Б.П.Белов, Л.М.Бреховских, СН.Гурбатов, Н.А.Дубровский, С.П.Рокотов, О.В.Руденко, В.И.Тимошенко, А.Ю.Шмелев и другие.
Существующие на сегодняшний день методы получения информации из гидроакустических сигналов основываются на статистической обработке. Статистическую обработку выполняют подстановкой средних арифметических результатов наблюдаемых величин, подвергаемых прямым измерениям. Достаточно часто используется перенос статистических погрешностей входных величин на выходные. При этом обработка гидроакустического сигнала не может обеспечить вероятность его классификации, под которой принято понимать определение и измерение параметров сигнала, более 0,7. Это объясняется тем, что обнаружение полезного сигнала производится оператором-гидроакустиком методом сравнения с эталонным сигналом (полосовой фильтрации), взятым из существующей централизированной базы данных. Обработка обнаруженного сигнала выполняется в полуавтоматическом режиме под контролем оператора-гидроакустика, устанавливающего пороги эффективности, при обеспечении всего цикла приема постоянства амплитуды, огибающей помехи на выходе тракта первичной обработки сигнала. Затем сигнал подается в блок измерения признаков, в котором производится выделение признаков и преобразование их в форму (код), удобную для дальнейшего анализа. Далее производится сравнение кода объекта с кодами эталонов всех классов, и принимается решение по заданному критерию найденных количественных показателей об отнесении объекта к одному из эталонов, взятых из базы данных. Для совершенствования метода обработки сигнала необходимо создание новых алгоритмов первичной (обнаружение сигнала) и вторичной (определение параметров) обработки сигнала, позволяющих повысить вероятность классификации не менее 0,9.
Ведущей проблемой при обработке гидроакустических сигналов на сегодняшний день остается проблема повышения вероятности его классификации. Направлением исследований в настоящей работе является совершенствование модельного анализа, используемого в процессе обработки сигнала на основе возможностей современных компьютерных технологий. При этом основным АУЦШ^иш^с^щов&ний является
БИБЛИОТЕКА )
совершенствование математической модели гидроакустического сигнала путем обеспечения в ней учета основных нелинейных деформаций, возникающих при его распространении, а так же разработка алгоритма автоматизированной обработки информации гидроакустического сигнала и реализация этого алгоритма в программном комплексе.
Целью работы является совершенствование обработки гидроакустического сигнала и повышение вероятности его классификации до значения не менее 0,9.
Задачи исследования. Для достижения цели исследования необходимо решить следующие задачи:
- модифицировать математическую модель гидроакустического
сигнала сейсмического (взрывного) характера введя в нее учет нелинейных
деформаций при распространении для увеличения точности классификации
сигнала;
- найти решение задачи обнаружения сейсмического (взрывного)
гидроакустического сигнала в условиях существенной неопределенности о
параметрах плотности распределения сигнала;
- разработать алгоритм обнаружения и обработки сигнала,
обеспечивающую минимизацию вероятности пропуска сигнала, в условиях
априорной неопределенности о параметрах плотности распределения сигнала
и позволяющий автоматизировать процесс классификации обнаруженного
сигнала.
Научная новизна. К новым результатам, полученным в ходе проведения исследований, относится:
- предложенная модифицированная модель гидроакустического
сигнала сейсмического (взрывного) характера, учитывающая нелинейных
деформаций при его распространении;
разработанный алгоритм определения и классификации сигнала, который позволяет заменить оценками априорные неопределенности условных плотностей распределения сигнала;
созданный комплекс программ обработки сигнала на основе алгоритмов определения и классификации, позволяющий проводить классификацию сигнала с вероятностью 0,954.
Практическая значимость работы. Разработанный метод применяется на ФГУП «НПП ВОЛНА» для создания ПГАССПН нового поколения в рамках Федеральной целевой программы «Национальная технологическая база» по разделу «Радиоэлектронные, микроволновые и акустоэлектронные технологии» по техническому заданию «Разработка технологии создания системы подводного наблюдения с использованием гидроакустических антенн нового поколения».
Математические модели и программное обеспечение, разработанные в диссертационной работе, использованы в ФГУП «НПП ВОЛНА» в ОКР «Веретено», ОКР «Лира-77»,ОКР «Лира-МВ», ОКР «Мостик 77 ГАК», ОКР «АРМО-ГАК», ОКР «ПС-Лира».
Апробация работы. Основные результаты исследовательской работы докладывались и обсуждались на Всероссийской научно-технической конференции «Актуальные проблемы радиоэлектроники и телекоммуникаций» (г. Самара, 2004 г.); Всероссийской научно-технической конференции «Новые материалы и технологии» (Москва, 2004 г.); Всероссийской конференции «Современные проблемы науки и образования» (Москва, 2005 г.).
Публикации: по материалам и результатам, вошедшим в диссертацию, опубликовано 7 статей и докладов; получены 2 свидетельства об отраслевой регистрации алгоритмов и программ.
Структура работы. Диссертация состоит из введения, 3 глав, заключения, списка литературы и приложения. Объем диссертации 124 страницы, 22 рисунка и 2 таблицы. Список литературы - 225 наименований.
Первичная обработка гидроакустического сигнала
Представляет собой совокупность преобразований входного процесса, направленных на выделение информации, содержащейся в смеси полезного сигнала и шумов, поступающих от приемников пассивной системы подводного наблюдения. В результате первичной обработки сигнала максимизируется отношение сигнал-помеха, определяется факт существования полезных сигналов, обеспечивается их разрешение, грубо оцениваются координаты. В современных пассивных системах подводного наблюдения процесс первичной обработки сигнала реализуется в виде параллельных структур, выполненных на основе спец.процессоров, оптимизированных по структуре к ограниченному классу алгоритмов, и представляет собой:
1. анализ данных бюллетеней базы данных (БД) и выделение событий «подозрительных» по их принадлежности к источникам;
2. определение временных интервалов, содержащих гидроакустические сигналы (включая гидроакустическую и сейсмические фазы) и формирование запросов на получение из БД волновых форм.
Фрагменты реальных сигналов, полученных по запросу, поступают через коммутационный сервер и сохраняется в базе данных. Логические связи, обеспечивающие доставку сигналов на первичную обработку, отображены на рис. 1, 2, 3. Основным решающим недостатком вышеуказанного метода первичной обработки гидроакустической информации является человеческий фактор (оператор-гидроакустик).
Задача оператора-гидроакустика по получении на экранах мониторов следующих информационно-управляющих полей: 1. запросить и обработать шумовые сигналы гидроакустической станции (ГАС) для оценки зависимости статистических характеристик помех от условий измерения: сезонных, гидрометеорологических, транспортной и биологической активности и т.п.; 2. запросить в БД картографическую информацию: карты региона вероятного местоположения источника сигналов и гидроакустических станций; 3. выбрать волновую форму для окна одновременного просмотра в виде двух бегущих дорожек, совмещенных во времени записи волновой формы - рис.4.; 4. для выбранного оператором фрагмента волновой формы отображается окно предоставления оператору результатов обработки этого фрагмента с помощью различных видов обработки цифровой фильтрацией; 5. зафиксировать текущую дату и время поступления сигнала; 6. если оператор видит совпадение формы сигнала с формой сигнала из БД — рис.5, то данный сигнал заносится в формуляр, т.е. оператор принимает окончательное решение.
При выполнении операции 1-6 оператору-гидроакустику приходится прослушивать сигнал, т.к. слуховые анализаторы человека обладают высокой разрешительной способностью для различных звуковых образов.
Вторичная обработка гидроакустического сигнала начинается с приходом новых волновых форм и заканчивается выдачей, при необходимости, результатов анализа.
При вторичной обработке гидроакустического сигнала решаются следующие задачи: 1. идентификация фаз сигнала; 2. локализация источников сигнала по 2 и более ГАС; 3. классификация обнаруженных сигналов (подводный, надводный подземный) и оценку из параметров ( мощность, глубина/высота).
Идентификация фаз заключается в отнесении каждого сигнала от одного источника к одному из типов сигналов: Т-фаза (земля), Н-фаза (вода), N-фаза (помеха). Задача оператора-гидроакустика контролировать правильность идентификации фаз «автоматом». Предварительное определение типа сигнала производится оператором по среде расположения источника, определенной им по положению эпицентра источника на карте. Если сигнал обнаружен и среда источника — «земля», то предполагаемый тип сигнала Т-фаза, если среда источника — вода, то тип сигнала «Nw-фаза, если сигнал не обнаружен — то тип сигнала «Ь»-фаза. Оператор определяет тип сигнала по максимальному значению его достоверности, сравнивает этот тип с типом, определенным по среде источника и типом, определенным «автоматом». В результате этого сравнения оператором принимается окончательное решение о типе сигнала, которое заносится в формуляр сигнала. Для определения максимальной мощности сигнала и пикового времени, оператор устанавливает курсор на максимальное значение (пик) максимальной мощности в первой фазе сигнала и считывает эти параметры.
Среднее значение времени прихода максимума сигнала оператор контролирует по графику амплитудной огибающей.
Метод обработки гидроакустического сигнала при условиях существенной априорной неопределенности о параметрах сигнала и помех
Впервые предлагается метод, позволяющий преодолеть существенную неопределенность параметров условной плотности распределения сигнала и помех.
Сущность предложенного метода основана на синтезированном подходе к решению выбора решающей гипотезы о наличии сигнала источника из множества сложных гипотез. Адаптивный подход к формированию отношения правдоподобия позволяет сформировать логарифм отношения правдоподобия (ЛОП), который можно сформулировать как синтезированное обобщение критерия Неймана-Пирсона [19, 21, 32, 73, 75, 80, 103, 104, 155, 162, 186, 197].
Структура алгоритма обнаружения обеспечивает наилучшим образом минимизацию пропуска сигнала или, что равносильно, максимизацию вероятности правильного обнаружения «адаптивный метод максимального правдоподобия» (А ММП).
Анализ вышеизложенных методов обработки гидроакустического сигнала с учетом вновь созданного АММП, который создает возможность автоматизировать процесс обнаружения сигнала, позволяет разработать блок-схему (рис.6,7) метода обработки гидроакустического сигнала пассивной системы подводного наблюдения.
Для синтеза алгоритмов обнаружения, классификации и оценки параметров гидроакустического сигнала сейсмического (взрывного) характера необходима модель сигнала.
Характерной особенностью сигнала подводного взрыва при его распространении на относительно близких дистанциях от эпицентра является невозможность использования методов расчета звукового поля, основанных на законах линейной акустики. Поэтому в данном разделе ставится задача описания математической модели взрывного сигнала при его распространении только до расстояния R0, после которого законы линейной акустики применимы. Такая модель представлена в работе [121] и в ней используются теоретические и эмпирические соотношения, взятые из работ [40, 62, 76, 150-152]. Модель учитывает все наиболее существенные нелинейные деформации взрывного сигнала при распространении его до расстояния R0 [150].
Исходными данными для создания математической модели являются экспериментальные результаты, записанные при подрыве тротилового заряда. Модель позволяет рассчитать временную зависимость взрывного сигнала P(t) на расстоянии R0.
Затем, в соответствии со сферическим законом убывания интенсивности поля, звуковое давление пересчитывается к расстоянию 1 м от точки подрыва [121].
Приведение звукового давления к расстоянию 1 м от точки подрыва удобно при дальнейших расчетах гидроакустического сигнала на дистанциях больших, чем R0 и, хотя и не отражает физического смысла процессов, происходящих при его распространении до расстояния R0. При описании модели будем следовать работе [121].
Рассчитанный на расстоянии R0 сигнал подводного взрыва состоит из ударной волны и следующих за ней импульсов, возникающих при осцилляции газовой полости в стадиях ее максимального сжатия. Эти импульсы называются пульсациями. Ударную волну можно представить в виде разрывного скачка давления до пикового значения РО с последующим экспоненциальным спадом, характеризующимся постоянным времени 80, до уровня «РО/4. Дальнейшее спадание ударной волны происходит медленнее. Пульсации вблизи максимумов хорошо аппроксимируются двумя спадающими в разные стороны экспонентами; с удалением от максимумов скорость спада давления значительно уменьшается. Ударная волна и пульсации разделены промежутками времени ТІ, Т2, ТЗ ... (см. рис. 8), которые называют периодами пульсаций.
Модель среды распространения
При построении систем обнаружения подводных сигналов на частотах от 10 Гц до нескольких кГц необходимо учитывать следующие виды помех: динамический шум скеана, технические шумы, создаваемые деятельностью человека, в частности шумы судоходных трасс, шумы от локальных источников помехи [27].
В диапазоне частот меньше 20 Гц спектр помех в основном определяется динамическими шумами скеана и возрастает со скоростью 10...12 дБ/октава. Его возникновение связано с динамикой морских волн, турбулентных потоков в воде и атмосфере, с шумом прибоя, подводным шумом дождя, естественной кавитацией и т. д. В диапазоне 20...200 Гц спехтр помех практически постоянен и определяется в основном шумами судоходства [27,65].
Указанные зависимости имеют усредненный экспериментальный характер и могут быть использованы при расчетах эффективности обработки сигналов, но они не могут (по npsnnine ІІХ приближенности) быть положены в основу синтеза алгоритмов обработки сигналов. Для синтеза алгоритмов обнаружения помехи предполагается, что шум океана есть квазистационаркый (стащюиарпый, по крайпей мере, в течение такта обнаружения) широкополосный гауссовский случайный процесс с нулевым средним и априори неизвестной формой спектра.
Время стационарности помех в рассматриваемых диапазонах частот считается не меньше 30 с [27, 65].
Анализ экспериментальных данных позволяет сделать вывод, что спектр шумов аппаратуры является дискретным и на отдельных частотах он может существенно превышать величину спсіорз шумов океана [65]. Что касается шумев от локальных источников (чаще всего ими являются близко проходящие надводные суда), то ОІПЇ, обычно являются широкополосными гауссовсхими случайными процессами с нулевым средним и априори неизвестной формой спектра. Спектр помехи может быть представлен в виде суммы сплошной непрерывней части и суммы дискретных состазляїощих: Gn (f) = GnSCf)+Xwkgk(f) k GnS (f) где v - сплошной спектр помехи, wk gfc(f)_ интенсивности и спектры дискретных составляющих.
В пщро-акуепгческей системе (ГАС) давление, з течке расположения пьезоэлектрического датчика, преобразуются в напряжение, которое усиливается, фильтруется, преобразуется з цифровую форму и через каналы связи поступает в Ег чпслптсльпый юзмплепе.
Наблюдаемые ГАС сигналы предетзвллют дискретные отсчеты суммы сигнала к помехи в точке расположения преобразователей ГАС: Ut = a p)+Nto;t= l,2...Nt;n = l,2...Ngas;l = 1.2..1. 0, где » — вектор отсчетов наблюдаемого сигнала в t-и временной отсчет от п-й ГАС; " — вектор отсчетов сигнала источника 1-го класса в t-й временной отсчет от п-й ГАС; Р - вектор параметров источника, подлежащий оцениванию (координаты, время события, мощность и т.д.); N -" - вектор отсчеты помехи в t-н временной отсчет от п-й ГАС; Ngas — число ГАС, участвующих в наблюдении; L — число классов источников; а - индикатор, значение которого равно 1, если сигнал есть; и 0, если сигнала нет; Nt = floor{( Tendbcg)Fd} — число временных отсчетов в интервале наблюдеіпія; Fd — частота дискретизации наблюдаемого сигнала; floor{} — обозначает целую часть числа. Размерность векторов U S N равна числу приемных каналов в ГАС.
Сигналы заданных классов источников, помехи и условия распространения лздшотея Езззнетзцпепарпыми случайными процессами. Под квззистащгонарнсстыо случайного процесса понимается: возможность разбиения sccro пптериала наблюдения па временные интервалы, в которых процесс можно считать сгатпюнарны?. . Тан как рассматриваемые процессы являются кглзнстптщеттрными, то обработку спгпалоз целссссбразно осуществлять в спектральной области. Обработка в спектральной области имеет алсдухощпе преимущества: - при соответствующем: выборе времени спсктраж.ного анализа частотные ссетзБяяющпе спектра не коррелированны; - при соотЕетстЕугащем: выборе времени спектрального анализа частотные сеетззляюгяпе спектра имеют асимптотически нормальное распределение; - геледетвпе не крррелпроздннссти и нормальности спектральных отсчетов упрощается синтез алгоритмов обработки сигналов;
Тестирование алгоритмов первичной и вторичной обработки гидроакустического сигнала сейсмического (взрывного) характера и анализ его результатов
Наиболее общий классический подход к решению задачи классификации основан на байесовских последовательных решающих правилах [68,73,75,80,103]. Однако, для его практической реализации требуется информация об априорных распределениях источников ГА сигнала, а также задание функции потерь (штрафов) за последствия неправильных решений. Эта априорная информация отсутствует.
На практике обычно полагают, что функция потерь при всех неправильных решениях одинакова, а при правильных решениях потери отсутствуют, при этих условиях байесовское решающее правило переходит в решение по максимуму апостериорной вероятности. Однако для применения этого метода требуется информация об априорном распределении источников ГА сигнала.
Если положить априорное распределение источников равновероятным, то решение по максимуму апостериорной вероятности переходит в метод максимального правдоподобия.
Однако, применение метода максимального правдоподобия требует априорной информации о параметрах условных плотностей распределения сигналов различных классов и помех, которые отсутствуют.
Для преодоления априорной неопределенности применяется адаптивный подход [19], в соответствии с которым априорно неизвестные параметры условных плотностей распределения заменяются их оценками. Такой метод решения задач можно назвать адаптивным методом максимального правдоподобия.
Для решения поставленной задачи применим алгоритм, реализующий данный метод. На вход алгоритма поступают оценки параметров анализируемого сигнала, полученные при первичной обработке информации. Алгоритм реализуется за несколько шагов: шаг 1 - вычисление плотностей распределения классификационных признаков; шаг 2 — вычисление совместных плотностей распределения классификационных признаков для алфавита классов; шаг 3 — вычисление апостериорных вероятностей принадлежности источника к каждому из классов; шаг 4 - определение фазы и среды источника; шаг 5 - определение класса источника. Рассмотрим последовательно перечисленные составные части алгоритма классификации. Шаг 1. На этом шаге вычисляются плотности распределения каждого признака для каждого класса по формуле g(xy)= погт{Ху IImxytsxy) (3.3.1) где і - номер признака; j - номер класса (j=l, 2,3,4); Ху - оценка і-го признака для j-ro класса; 8\xij) " значение плотности распределения оценки і-го признака для j-ro класса; погт(х IIтх ,sx) - плотность нормального распределения аргумента х при математическом ожидании - тх и СКО - sx.
Если какой либо признак не измерен, то соответствующему значению плотности распределения присваивается значение единиц. Индикатором того, что признак не измерен является значение его СКО, равное (-1). Шаг 2. На этом шаге вычисляются совместные плотности распределения классификационных признаков для классов. В случае независимых признаков внутри классов выражение для их совместной плотности распределения можно записать в следующем виде: су=п4); (33-2 где Gj — совместная плотность распределения классификационных признаков для j-го класса. Шаг 3. На этом шаге вычисляются значения апостериорных вероятностей принадлежности источника к каждому из классов. J Л , (3.3.3) j=1...4. Шаг 4. На этом шаге определяются тип (фаза) сигнала и среда источника.
С целью определения типа сигнала и среды источника используется следующий набор классификационных признаков:
XI - время вступления сигнала; Х2 - длительность сигнала; Х6 - частотная полоса сигнала; Х8 — полная энергия сигнала; XI2 — число пересечений сигналом порога; XI3 - признак наличия периодических пульсаций парогазового пузыря. Этот набор признаков выбран на основе анализа, приведенного в статье [121], .а їакже на Ъснове перечня признаков, используемых в алгоритме идентификаций фаз. Идентификация фаз сигнала проводится в следующей последовательности.
По вычисленным на шаге 1 алгоритма значениям плотностей распределения указанных здесь признаков определяется вероятность принадлежности каждого признака к Т-фазе и Н-фазе: P(xt,,J= g( tJ ; (3.3.4) Sg(xkjn) m где РСх, ) - вероятность принадлежности признака xk m к т-фазе; т=1,2 (1 - Т фаза; 2-Н фаза); к= 1,2,6,8,12,13 - номер признака. Значения этих вероятностей заносятся в строку "достоверность параметров" формуляра ВОИ и используются в алгоритме идентификации фаз. Определяется совместные плотности распределения набора признаков Gm=Y[s{xkJ (3.3.5) л Вычисляются значения апостериорных вероятностей принадлежности сигнала к одной из фаз Рт = v (3-3.6) т где m = 1, 2 (1 - Т фаза; 2-Н фаза). Определяется тип сигнала. Определяется такой номер ш, при котором Р„ = max Рт m Если m=l, тип сигнала - Т фаза; если т=2, то тип сигнала - Н фаза. Величина/ является достоверностью определения фазы сигнала. Определяется среда источника по фазе сигнала. Если т=1, то среда источника - "Земля"; если т=2, то среда источника - "Вода".
