一种多级窄带信号检测方法

陈敬军



一种多级窄带信号检测方法

陈敬军

(海军驻上海地区电子设备军事代表室，上海 200233)

提出了一种组合应用双门限检测、频率跟踪和专家系统来对窄带信号进行多级检测的方法，并对影响窄带信号检测性能的因素进行了分析。该方法在不需事先知道窄带信号的强弱、数量、位置等信息的情况下，能以高检测概率和低虚警概率对低信噪比窄带信号进行自动检测。另外，由于该方法计算量较小，适合于实时处理，通过对海上实际目标数据的处理，验证了该方法具有良好的宽容性。

窄带检测；频率跟踪；双门限检测；专家系统

0 引言

窄带信号检测一直是国内外的研究热点[1-5]。Thomas A. Lampert等[6]对窄带信号的各种检测方法进行了综述。为了提高低信噪比条件下的窄带信号检测性能，需要利用多个时刻的谱值数据，并经常将两种或多种方法进行组合，其目的是利用每一个方法的优势，使整个算法能够获得较好的处理性能[6-9]。专家系统作为一种分类方法已经在声呐目标识别中取得了广泛应用，并在声呐信号处理系统设计中得到应用[12-15]。本文将双门限检测、目标跟踪、特征提取和专家系统组合成一个三级检测系统来提高窄带信号的检测性能，并从理论上分析了影响算法性能的因素。

1 窄带信号的初始检测

2 窄带信号的第二级检测

第二级检测主要是利用多个时刻的目标检测情况来降低虚警概率。噪声和窄带信号在多个时刻的检测情况是不同的，可以利用其中的差异进一步剔除噪声点。考虑到窄带检测不允许太多的延迟时间，这里只利用个时刻的目标检测情况。

(1) 搜索时刻中的谱值非零点，若搜索到谱值非零点，则执行(2)，若搜索到行尾则执行(4)。

(4) 输出时刻的数据，更新个时刻的数据，从(1)开始重复执行，直至处理完所有数据。

3 窄带信号的第三级检测

海上的情况复杂多变，目标辐射噪声各种各样，背景噪声起伏较大。信号和背景起伏对窄带信号检测将产生显著影响[8]。第三级检测主要利用提取出的目标特征应用专家系统来保证对窄带信号的检测性能，提高算法的宽容性。

为了能够在低信噪比条件下无论信号和背景是否起伏都能以高检测概率检测信号，可以先取两个低值门限，在进行目标检测的同时，估计出目标的信噪比、检测概率、稳定度等信息，然后利用提取出的目标特征，送入专家系统中，进一步判断保留的谱值非零点对应的是窄带信号还是噪声，以保证在各种情况下的检测性能。

4 影响算法性能的因素分析和门限选取方法

4.1 偏转量d的计算

定义描述由于窄带信号存在而产生的偏转量：

其中，

同样可以推导出：

把式(9)、(10)、(13)代入式(8)，得：

扇边效应损失(Scalloping Loss, SL)是加时间窗对谱估计的另一个影响。由于加时间窗，导致窗函数的频率响应的主瓣只是在频率点的中心达到最大，而在相邻两频率点的中心对应的频率上达到最小。如果一个正弦信号的频率恰巧是相邻频率点的中间值，则产生了最大的扇边效应损失。扇边效应损失定义为

把式(15)、(16)代入式(14)可以得到：

4.2 第一、二级检测门限的选取方法

所以，

同样可以求出，

可把上面的19(a)、19(b)改写成如下形式：

根据偏转量的定义可知：

5 试验数据分析

检测性能的提高可以体现在几个方面：(1) 需要的先验信息少；(2) 降低了虚警概率；(3) 提高了目标检测概率；(4) 具有很好的宽容性；(5) 可以检测更低信噪比的窄带信号。本文给出的窄带信号多级检测算法在进行窄带信号检测时并不需要任何先验信息，通过剔除噪声点降低了虚警概率，通过确认漏检时刻信号存在提高了目标检测概率，而低检测门限和专家系统的组合使用，又使算法在各种情况下具有很好的宽容性。本文给出的多级检测算法可以同时以高检测概率和低虚警概率检测低信噪比的窄带信号。

图1(a)是利用海上试验数据计算出的原始LOFAR图，用256级灰度表示幅度；图1(b)是经过多级检测算法处理后的结果，为了便于观察，所有的表示检测到窄带信号的谱值非零点全部用白色亮点表示。可以看出本文给出的算法能够同时以高检测概率和低虚警概率检测低信噪比的窄带信号。

图1 海上先后跟踪两个不同目标对应的LOFAR图和多级检测算法处理后的结果

6 结论

本文组合应用双门限检测、目标跟踪和专家系统技术实现了对窄带信号的多级检测。算法利用了多个时刻的谱值信息，与只利用单个时刻谱值进行窄带信号检测的方法相比，明显降低了虚警概率、提高了检测概率，能同时以高检测概率和低虚警概率自动检测窄带信号。另外本文给出的检测方法还具宽容性好、计算量小的优点。

[1] NIELSEN R O. Sonar signal processing[M]. Artech House, Inc. 1991.

[2] 李山, 王德俊, 王海斌. 一种基于线谱特征函数提取 LOFAR 图线谱的方法[J]. 声学技术, 2016, 35(4), 373-377.

LI Shan, WANG Dejun, WANG Haibin. An approach to lofargram spectrum line detection based on the spectrum line feature function[J]. Technical Acoustics, 2016, 35(4), 373-377.

[3] GUNES T, ERDÖL N. HMM based spectral fre-quency line tracking: improvements and new results[C]//Proceedings of the IEEE International Conference on Acoustics, Speech and Signal Processing, 2006(2): 673-676.

[4] LAMPERT A, O’KEEFE S E M. A detailed investigation into low-level feature detection in spectrogram images[J]. Pattern Recognition, 2011, 44(9): 2076-2092.

[5] LAMPERT T A, O’KEEFE S E M. On the detection of tracks in spectrogram images[J]. Pattern Recognition, 2013, 46(5): 1396- 1408.

[6] LAMPERT T A, O’KEEFE E M. A survey of spectrogram track detection algorithms[J]. Applied Acoustics, 2010, 71: 87-100.

[7] 陈敬军, 陆佶人. 被动声呐线谱检测技术综述[J]. 声学技术, 2004, 23(1): 57-60.

CHEN Jingjun, LU Jiren. A review of techniques for detection of line-spectrum in passive sonar[J]. Technical Acoustics, 2004, 23(1), 57-60.

[8] 陈敬军. 鱼雷目标检测和识别技术研究[D]. 南京: 东南大学博士学位论文, 2004.

CHEN Jingjun. The research on the technique about detection and recognition of torpedo[D]. Nanjing: Southeast University, 2004.

[9] 陈敬军, 孟昭文, 陆佶人. 模糊专家系统在线谱检测中的应用研究[J]. 船舶工程, 2004, 26(6): 67-70.

CHEN Jingjun, MENG Zhaowen, LU Jiren. Application of fuzzy expert system in detection of line_spectrum[J]. Ship Engineering, 2004, 26(6): 67-70.

[10] ABEL J S, LEE H J, LOWELL A P. An image processing approach to automated LOFARgram to frequency tracking[C]// ICASSP-92, II-561-564.

[11] JAUFFERET C, BOUCHET D. Frequency line tracking on a lofargram: an efficient wedding between probabilistic data association modelling and dynamic programming technique[J]. IEEE, 1997, 486-490.

[12] KUMMERT A. Fuzzy technology implemented in sonar systems[J]. IEEE J. of Oceanic Eng., 1993, 18(4), 483-490.

[13] MAKSYM J N, BONNER A J, DENT C A, et al. Machine analysis of acoustical signals[J]. Pattern Recognition, 1983, 16(6): 615-625.

[14] RAJAGOPAL R. Target classification in passive sonar -- an expert system approach[C]//Proc. of IEEE International Conference on Acoustics, Speech, and Signal Processing. l990: 29l1-29l4.

RAJAGOPAL R, KUMAR K A, RAO P R. An integrated passive target classification[C]//IEEE International Conference on Acoustics, Speech, and Signal Processing, l994: II313-316.

A multi-stage detection method of narrowband signal

CHEN Jing-jun

(Military Representative Office of Electronic Equipment of the PLA Navy in Shanghai, Shanghai 200233, China)

A multi-stage detection method of narrowband signal is given, which combines the double thresholds detection, frequency tracking, and expert system together. The factors that influence the detection performance of narrowband signals are analyzed. The analysis shows that this method can automatic detect narrowband signal with high detection probability and low false probability at low SNR without knowing their amplitude, position, and number of signals in advance. The proposed method is also robust in dealing with sea trial data and it is fit for real time processing because of small computation amount.

detection of narrowband signal; frequency tracking; double-threshold detection; expert system

TN911.7

A

1000-3630(2018)-02-0281-05

10.16300/j.cnki.1000-3630.2018.03.016

2017-10-20;

2018-01-04

陈敬军(1971－), 男, 山东费县人, 博士, 高级工程师, 研究方向为信号处理、人工智能。

陈敬军, E-mail:cjj_81@sina.com