浅水中静止和机动目标的匹配场处理器适应性与应用分析

《Journal of Marine Science and Engineering》:Analysis of the Adaptability and Application of Matched-Field Processors for Stationary and Maneuvering Targets in Shallow Water

【字体: 大 中 小 】 时间:2026年07月09日 来源:Journal of Marine Science and Engineering 3.2

编辑推荐:

  在复杂浅水中的被动声学定位需要针对特定操作约束的算法。本文利用Elba-93海试数据集,研究了五种匹配场处理(MFP)方法——Bartlett、最小方差无畸变响应(MVDR)、多信号分类(MUSIC)、简化协方差矩阵(RCM)和秩迹最小化(RTM)——的适应性

  
在复杂浅水中的被动声学定位需要针对特定操作约束的算法。本文利用Elba-93海试数据集,研究了五种匹配场处理(MFP)方法——Bartlett、最小方差无畸变响应(MVDR)、多信号分类(MUSIC)、简化协方差矩阵(RCM)和秩迹最小化(RTM)——的适应性、计算效率和统计性能边界。研究人员系统评估了静止和机动目标场景下的误差指标和处理复杂度。严格的非参数统计检验揭示了不同的操作边界:在由系统性环境失配主导的静止条件下,能量型处理器保证了可靠的基线稳定性。相反,在跟踪远离目标的快照不足动态条件下,标准高分辨率子空间方法极易出现轨迹跳变。在这种高动态场景中,自适应能量型处理器(特别是MVDR)表现出最稳定的跟踪连续性和最低的数值峰值误差。同时,通过协方差矩阵重建(CMR)提高了子空间方法的操作适应性。具体而言,RCM技术有效地解耦了非结构化传感器噪声,减轻了最大轨迹偏差,并在计算效率和鲁棒性之间提供了平衡的权衡。统计评估确认了静态环境中的基本性能边界,同时突出了高动态场景中的样本量限制,从而为海洋工程应用建立了基于证据的现实基准。
本研究围绕浅水环境中匹配场处理(MFP)的适应性与应用边界展开,基于《Journal of Marine Science and Engineering》发表的论文。研究背景方面,水下声学目标定位(UATL)在海洋科学与感知中至关重要,尤其在近岸港口和港湾等复杂浅水区域,被动声学监视系统需跟踪自主水下航行器(AUV)和监控非法入侵。然而,浅水环境中的多径效应和动态边界条件导致环境失配问题,严重降低声场空间相关性;同时,快速机动目标要求缩短积分时间,引发快照不足和协方差矩阵病态,使标准高分辨率子空间方法(如多信号分类(MUSIC))出现子空间泄漏和定位跳变。现有研究虽提出了协方差矩阵重建(CMR)技术(如简化协方差矩阵(RCM)和秩迹最小化(RTM)),但缺乏对多种方法在实测数据下的系统性工程基准对比。为此,研究人员利用Elba-93海试数据集,系统评估了五种代表性MFP处理器(Bartlett、最小方差无畸变响应(MVDR)、MUSIC、RCM和RTM)在静止和机动目标场景下的适应性、计算效率及统计性能边界,旨在建立基于证据的算法选择框架。

在技术方法上,研究采用Elba-93海试验数据集(源自厄尔巴岛北部浅水波导,水深127米,48元垂直阵(VLA)),并利用KRAKEN简正波模型生成理论副本场。针对静止目标(深度约83米,距离约6.0公里)和机动目标(径向远离,深度约70米),分别设置不同积分时间(静止20秒,机动5秒)以模拟充足快照与快照不足条件。主要方法包括:能量型处理器(Bartlett、MVDR)和子空间型处理器(MUSIC、RCM、RTM),其中RCM通过删除对角元素抑制传感器自噪声,RTM采用迭代特征截断近似实现噪声分离。评估采用多维误差指标(均方根误差(RMSE)、平均绝对误差(MAE)、最大绝对误差(MaxAE)、平均绝对百分比误差(MAPE))及Friedman非参数统计检验。

研究结果部分保留各小标题如下:

**4.1. Performance Analysis of Stationary Source**:基于静止源场景,通过20秒积分确保充分快照,主要评估环境失配下的性能。
- **4.1.1. Spatial Resolution and Ambiguity Surfaces**:通过二维及三维模糊度表面(图5)发现,Bartlett处理器主瓣宽、背景噪声高,而MVDR及子空间方法(MUSIC、RCM、RTM)产生更尖锐的峰值和有效背景抑制。但由于环境失配,子空间方法的极窄主瓣导致峰值偏移,而Bartlett的宽主瓣充当空间缓冲,使峰值能量更靠近真实位置。RCM通过删除对角传感器自噪声略微缓解了失配敏感性。结论:在环境失配主导的静止场景中,能量型处理器提供稳定的基线检测。
- **4.1.2. Analysis of Error Metrics**:通过误差指标(表1、表2及图6)定量分析,Bartlett和MVDR的RMSE和MAE均为503.77米,MaxAE为510米,而MUSIC和RTM的RMSE和MAE为521.27米,MaxAE为530米。注意Bartlett和MVDR性能几乎相同,因高信噪比(SNR)和长积分时间使MVDR退化为Bartlett。另外,MUSIC和RTM结果相同,因RTM迭代噪声估计简化为各向同性白噪声,仅平移特征值而不改变特征向量。结论:能量型处理器对环境失配具有更稳健的基线性能。

**4.2. Performance Analysis of Maneuvering Source**:基于机动源场景,积分时间限制为5秒,模拟快照不足。
- **4.2.1. Spatial Resolution and Ambiguity Surfaces**:通过37.5秒时刻的模糊度表面(图7)发现,Bartlett因空间涂抹而主瓣连续宽大,MVDR能量聚焦且峰值靠近真实目标;标准MUSIC出现多模态能量分布和虚假旁瓣跳变;RCM通过删除对角自噪声恢复了子空间正交性,使峰值回归真实位置;RTM与MUSIC几乎相同。结论:快照不足下,能量型MVDR最稳定,RCM可改善子空间方法的适应性。
- **4.2.2. Analysis of Error Metrics**:通过五个时间帧的误差分析(图8、图9及表3、表4),MVDR在距离定位中取得最低RMSE(88.92米)和MaxAE(128.75米),MUSIC和RTM的MaxAE为178.75米,RCM的MaxAE为163.75米。深度定位中MVDR的RMSE为2.77米,Bartlett为6.79米,子空间方法MaxAE均为8.00米。结论:MVDR在跟踪连续性和峰值误差方面最优,标准子空间方法对快照不足敏感。

**4.3. Statistical Significance Analysis**:通过Friedman全局检验和Tukey-Kramer事后多重比较(图10、图11)进行统计显著性分析。静止场景中,全局检验显著(p<0.001),事后比较显示:Bartlett与MVDR无显著差异(p>0.05),MUSIC与RTM无差异,Bartlett与MUSIC差异显著(p<0.05),RCM与MUSIC差异显著(p<0.05),证实能量型方法的稳健性和RCM的降噪效果是统计显著的。机动场景中,全局检验不显著(p>0.05),所有配对比较无显著差异,因仅5个时间帧导致统计功效不足。结论:静止环境下性能差异为算法固有特征;动态环境下观测到的数值改进仅为工程观察,需更大样本验证。

总结讨论部分:讨论指出,RTM在均匀白噪声假设下与MUSIC等价,其优势应在强空间相关干扰中显现。统计检验证实了静态环境中算法性能的基本边界,同时强调了动态场景中样本量限制对统计推断的影响。研究结果限定了各算法的操作边界:能量型处理器在环境失配下提供可靠基线,MVDR在快照不足动态跟踪中表现最佳,RCM在子空间方法中提供有效的噪声抑制权衡。

研究结论部分翻译如下:本文所得定量结论严格局限于Elba-93实测数据集的特定水声条件、接收系统配置和频段。在实际监视作业中,绝对定位精度会因信噪比(SNR)和声速剖面(SSP)等因素变化。此外,由于机动源间歇发射,动态跟踪评估受限于有限时段,无法进行全序列连续轨迹分析。然而,尽管绝对误差指标具有场地特异性,但相对操作边界、统计特性和计算效率由处理器数学公式根本决定。基于严格的统计显著性检验和计算复杂度分析,可提出实用建议:对于环境失配严重且目标静止或慢速的水下监视系统,建议采用Bartlett和MVDR作为基线;对于跟踪快机动目标(需缩短积分时间),标准子空间方法易出现泄漏和跳变,而MVDR经验证具有最稳定的跟踪连续性和最低峰值误差;若系统设计需要子空间高分辨率能力,部署RCM等CMR增强方法可有效抑制非结构化噪声,兼顾计算效率与鲁棒性。未来研究将聚焦于验证不同SSP、极端SNR和连续高速运动轨迹下的算法边界,并探索深度学习框架以克服环境失配。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号