Bagaimana cara menerapkan algoritme ambang batas adaptif untuk sonar bawah air


10

Saya ingin menerapkan algoritme ambang batas adaptif di MATLAB untuk memfilter data yang diterima oleh penerima sonar bawah air. Data yang diterima memiliki komponen kebisingan interaktif yang dihasilkan dari kebisingan bawah air dan refleksi specular. Metode CFARD dekat, tetapi tidak melayani tujuan saya. Saya harus gambar data sehingga saya bisa melihat objek, di layar, yang ditempatkan di bawah air di dalam skandepth dari sonar. Bantuan apa pun akan sangat dihargai.


EDIT:

Ini adalah lingkungan bawah laut. Saya mencoba untuk mengirik sinyal yang telah diterima dari transduser sonar setelah tercermin oleh target yang solid, yang terletak di lingkungan yang sama dengan transduser. Masalahnya adalah milik domain sonar Underwater Acoustic Imaging . Masalahnya, saya belum bisa memodelkan kebisingan lingkungan bawah laut. Dari apa yang saya baca sampai sekarang tentang topik ini, model kebisingan mengikuti distribusi- K. Juga kebisingan lingkungan tidak bersifat tambahan, melainkan bersifat interaktif. Oleh karena itu ambang harus adaptif. Saya juga menyebutkan metode CFARD dalam pertanyaan saya. Itu berguna untuk pemrosesan sinyal dalam aplikasi radar karena kami hanya tertarik untuk menemukan satu titik di area besar yang memiliki energi tinggi. Hal yang sama tidak dapat dikatakan tentang sonar imaging akustik bawah air, di mana kami mencoba untuk menampilkan target di layar sebagai video. Saya harap saya membuatnya lebih jelas sekarang.


4
Halo, sementara pertanyaan Anda menarik dan sesuai topik untuk situs ini, kami ingin lebih banyak informasi dari Anda. Bisakah Anda menggambarkan model lingkungan Anda, apa yang Anda coba ambangkan dan bagaimana Anda mendekatinya sejauh ini? Situs ini mendukung LaTeX, sehingga Anda dapat memasukkan matematika di antara keduanya $.
Lorem Ipsum

Nah, apa yang sudah Anda coba? Ini pada dasarnya adalah proyek penelitian dan pertanyaan Anda pada dasarnya ingin kami membuat model lingkungan dan mengimplementasikan algoritma untuk Anda ... Anda masih belum membahas poin-poin dalam komentar pertama saya.
Lorem Ipsum

Anda membandingkan masalah Anda dengan masalah pendeteksian radar yang umum tetapi saya tidak benar-benar tahu apa yang ingin Anda lihat (yaitu, seperti apa sinyal yang ingin Anda ambangkan? Seperti apa Anda mencoba mencabutnya dengan cara thresholding?) A gambar semacam akan membantu. Juga, apa yang Anda maksud dengan kebisingan "interaktif"? Multiplikatif?
Jason R

@Saurabh Ini sangat menarik, bisakah Anda memberikan lebih banyak info seperti yang ditanyakan orang lain.
Spacey

Saya merasa seperti down-voting karena kurangnya respons terhadap pertanyaan yang diajukan. Apakah Anda ingin mendeteksi puncak sinyal, atau hanya ketika sinyal di atas ambang batas tertentu? (semacam, apa ada yang terjadi dalam sinyal?)
CyberMen

Jawaban:


2

Pertanyaan Anda telah menerima sedikit kontribusi, mungkin karena konten yang kurang. Selama konferensi baru-baru ini, saya menemukan tesis PhD: Détection en Environnement non Gaussien ( Deteksi di lingkungan non-Gaussian ). Karena ini dalam bahasa Prancis, saya mereproduksi abstraknya di sini:

Untuk waktu yang lama, gema radar yang berasal dari berbagai pengembalian sinyal yang ditransmisikan pada banyak objek lingkungan (kekacauan) telah secara eksklusif dimodelkan oleh vektor Gaussian. Prosedur deteksi optimal terkait kemudian dilakukan oleh filter yang cocok klasik. Kemudian, peningkatan teknologi sistem radar menunjukkan bahwa sifat sebenarnya dari kekacauan tidak dapat dianggap sebagai Gaussian lagi. Meskipun optimalitas filter yang cocok tidak lebih valid dalam kasus-kasus seperti itu, teknik CFAR (Constant False Alarm Rate) diusulkan untuk detektor ini untuk menyesuaikan nilai ambang deteksi dengan beberapa variasi lokal kekacauan. Terlepas dari keanekaragamannya, tidak ada teknik yang berubah menjadi kuat atau optimal dalam situasi ini. Dengan pemodelan kekacauan oleh proses kompleks non-Gaussian, seperti SIRP (Spherically Invariant Random Process), struktur optimal deteksi koheren telah ditemukan. Model-model ini menggambarkan banyak hukum non-Gaussian, seperti hukum K-distribusi atau Weibull, dan diakui dalam literatur untuk memodelkan banyak situasi eksperimental dengan cara yang relevan. Untuk mengidentifikasi hukum komponen karakteristik mereka (yaitu tekstur) tanpa statistik a priori pada model, kami mengusulkan, dalam tesis ini, untuk mengatasi masalah dengan pendekatan Bayesian. Dua metode estimasi baru dari hukum tekstur muncul dari proposisi ini: yang pertama adalah metode parametrik, berdasarkan perkiraan Padé dari fungsi pembangkit momen, dan yang kedua dihasilkan dari estimasi Monte Carlo. Estimasi ini dilakukan pada data kekacauan referensi dan mengarah pada dua strategi deteksi optimal baru, masing-masing bernama PEOD (Padé Estimated Optimum Detector) dan BORD (Bayesian Optimum Detector Radar). Ekspresi asimptotik dari BORD (konvergensi dalam hukum), yang disebut "BORD asimtotik", didirikan bersama dengan hukumnya. Hasil terakhir ini memberikan akses ke kinerja teoretis optimal dari BORD Asimptotik, dan dapat juga diterapkan pada BORD jika matriks korelasi data non-singular. Performa pendeteksian BORD dan asymptotic BORD dievaluasi berdasarkan data ground clutter. Kami memperoleh hasil yang memvalidasi relevansi model SIRP untuk kekacauan, optimalitas BORD dan kemampuan adaptasinya terhadap semua jenis lingkungan.

Matematika harus dapat dibaca. Jika ada bantuan, Anda dapat melacak referensi bahasa Inggris oleh penulis atau komite tesis PhD.

Dengan menggunakan situs kami, Anda mengakui telah membaca dan memahami Kebijakan Cookie dan Kebijakan Privasi kami.
Licensed under cc by-sa 3.0 with attribution required.