Làm cách nào để triển khai thuật toán ngưỡng thích ứng cho sonar dưới nước

Tôi muốn thực hiện một thuật toán ngưỡng thích ứng trong MATLAB để lọc dữ liệu nhận được bởi một máy thu sonar dưới nước. Dữ liệu nhận được có thành phần nhiễu tương tác do nhiễu dưới nước và phản xạ gương. Phương pháp CFARD gần, nhưng nó không phục vụ mục đích của tôi. Tôi phải hình ảnh dữ liệu để tôi có thể nhìn thấy vật thể, trên một màn hình, được đặt dưới nước trong phạm vi của sonar. Chúng tôi rất trân trọng bất kỳ sự giúp đỡ nào.

BIÊN TẬP:

Đó là một môi trường dưới nước. Tôi đang cố gắng để đạt được một tín hiệu đã nhận được từ một bộ chuyển đổi sonar sau khi nó được phản ánh bởi một mục tiêu vững chắc, nằm trong cùng môi trường với bộ chuyển đổi. Các vấn đề thuộc về miền sonar Underwater Acoustic Imaging . Vấn đề là, tôi đã không thể mô hình hóa tiếng ồn môi trường dưới nước. Từ những gì tôi đã đọc cho đến bây giờ về chủ đề này, mô hình tiếng ồn tuân theo phân phối$K$. Ngoài ra, tiếng ồn môi trường không phải là phụ gia trong tự nhiên, mà là tương tác. Do đó ngưỡng phải thích ứng. Tôi cũng đề cập đến phương pháp CFARD trong câu hỏi của tôi. Điều đó hữu ích cho việc xử lý tín hiệu trong các ứng dụng radar vì chúng ta chỉ muốn tìm một điểm duy nhất trong một khu vực rộng lớn có năng lượng cao. Điều tương tự không thể nói về sonar hình ảnh âm thanh dưới nước, nơi chúng tôi cố gắng hiển thị mục tiêu trên màn hình dưới dạng video. Tôi hy vọng tôi đã làm cho nó rõ ràng hơn bây giờ.

Câu hỏi của bạn đã nhận được khá ít đóng góp, có thể là do thiếu nội dung. Trong một hội nghị gần đây, tôi đã xem qua luận án tiến sĩ: Détection en Envirnement non Gaussien ( Phát hiện trong môi trường không phải Gaussian ). Vì nó là tiếng Pháp, tôi tái tạo bản tóm tắt ở đây:

Trong một thời gian dài, tiếng vang của radar phát ra từ các tín hiệu khác nhau của tín hiệu truyền đi trên nhiều vật thể của môi trường (sự lộn xộn) đã được mô hình độc quyền bởi các vectơ Gaussian. Quy trình phát hiện tối ưu liên quan sau đó được thực hiện bởi bộ lọc khớp cổ điển. Sau đó, sự cải tiến công nghệ của các hệ thống radar cho thấy bản chất thực sự của sự lộn xộn không thể được coi là Gaussian nữa. Mặc dù độ tối ưu của bộ lọc phù hợp không còn hợp lệ trong các trường hợp như vậy, các kỹ thuật CFAR (Tốc độ báo động sai liên tục) đã được đề xuất cho trình phát hiện này để điều chỉnh giá trị của ngưỡng phát hiện với nhiều biến thể cục bộ của sự lộn xộn. Mặc dù sự đa dạng của chúng, không có kỹ thuật nào trong số này trở nên mạnh mẽ hoặc tối ưu trong những tình huống này. Với việc mô hình hóa sự lộn xộn bằng các quy trình phức tạp không phải Gaussian, chẳng hạn như SIRP (Quá trình ngẫu nhiên bất biến hình cầu), các cấu trúc tối ưu của phát hiện kết hợp đã được tìm thấy. Các mô hình này mô tả nhiều định luật phi Gaussian, như phân phối K hoặc luật Weibull, và được thừa nhận trong tài liệu để mô hình hóa nhiều tình huống thử nghiệm theo cách có liên quan. Để xác định luật của thành phần đặc trưng của chúng (cụ thể là kết cấu) mà không thống kê một tiên nghiệm trên mô hình, chúng tôi đề xuất, trong luận án này, để giải quyết vấn đề bằng cách tiếp cận Bayes. Hai phương pháp ước lượng mới của luật kết cấu xuất hiện từ mệnh đề này: phương pháp thứ nhất là phương pháp tham số, dựa trên xấp xỉ Padé của hàm tạo mô men và phương pháp thứ hai là kết quả của ước lượng Monte Carlo. Các ước tính này được thực hiện trên dữ liệu lộn xộn tham chiếu và dẫn đến hai chiến lược phát hiện tối ưu mới, được đặt tên lần lượt là PEOD (Máy dò tối ưu ước tính Padé) và BORD (Radar phát hiện tối ưu Bayesian). Biểu thức tiệm cận của BORD (hội tụ trong luật), được gọi là "BORD Asymptotic", được thiết lập cùng với luật của nó. Kết quả cuối cùng này cho phép truy cập vào các hiệu suất lý thuyết tối ưu của BORD Asymptotic và cũng có thể được áp dụng cho BORD nếu ma trận tương quan dữ liệu là số ít. Hiệu suất phát hiện của BORD và BORD Asymptotic được đánh giá trên dữ liệu lộn xộn trên mặt đất thử nghiệm. Chúng tôi đã thu được các kết quả xác nhận cả mức độ phù hợp của mô hình SIRP cho sự lộn xộn, tính tối ưu của BORD và khả năng thích ứng của nó với bất kỳ loại môi trường nào.

Toán học nên được đọc. Nếu có ích, bạn có thể theo dõi tài liệu tham khảo bằng tiếng Anh của tác giả hoặc ủy ban luận án tiến sĩ.