Дослідження методів спектрального аналізу гідроакустичних сигналів у просторі з l1-метрикою
DOI:
https://doi.org/10.34169/2414-0651.2024.4(44).69-78Ключові слова:
гідроакустичний сигнал, спектральний аналіз, спектральне оцінювання, метод мінімальної дисперсії, метод власних векторів, метод множинної класифікації сигналів, метод мінімальної норми, l1 -метрика, вибірковий простір, простір сигналів, обробка сигналівАнотація
Наводяться основні співвідношення, які характеризують кореляційні та статистичні взаємозв’язки між реалізаціями випадкових вибірок у вибіркових просторах із - та -метриками. На основі отриманих співвідношень розроблено шляхи застосування відомих методів спектрального оцінювання (мінімальної дисперсії, власних векторів, множинної класифікації сигналів, мінімальної норми) у просторах сигналів з -метрикою, розширюючи, таким чином, сферу їх використання. Розроблено нові алгоритми спектрального аналізу гідроакустичних сигналів. Проведено порівняльний аналіз розроблених алгоритмів спектрального аналізу гідроакустичних сигналів із відомими.
Завантаження
Посилання
Marage, J.P. & Mori, Y. (2010). Sonar and Underwater Acoustics. Wiley. 608 p.
Parkhomenko, Y., Lastivka, H. & Lastivka, O. (2023). Model of Hydroacoustic Signal Synthesis Using Neural Networks. SISIOT J. Vol. 1, 2. Pp. 1—5. DOI: https://doi.org/10.31861/sisiot2023.2.02007
Liss, A.R. & Ryzhikov, A.V. (2016). Signal processing systems in hydroacoustic stations and complexes. Gidroakustika. № 27. Pp. 38—47.
Guo, T., Song, Y., Kong, Z., Lim, E., Lopez-Benitez, M., Ma, F. & Yu, L. (2022). Underwater Target Detection and Localization with Feature Map and CNN-Based Classification. In Proc. of the 2022 4th Intern. Conf. on Advances in Computer Technology, Information Science and Communications (CTISC). Suzhou, China. Pp. 1—8. DOI: https://doi.org/10.1109/CTISC54888.2022.9849785
Seletkov, V.L. (2008). Methods of spectral identification of hydroacoustic signals. Radioelectronics and Communications Systems. № 51 (6). Pp. 335—338. DOI: https://doi.org/10.3103/S0735272708060083
Das, A., Kumar, A. & Bahl, R. (2013). Marine vessel classification based on passive sonar data: the cepstrum-based approach. IET Radar Sonar Navig. № 7. Pp. 87—93. DOI: https://doi.org/10.1049/iet-rsn.2011.0142
Cho, H., Gu, J. & Yu, S.C. (2015). Robust sonar-based underwater object recognition against angle-of-view variation// IEEE Sens. J., 16. pp. 1013—1025. DOI: https://doi.org/10.1109/JSEN.2015.2496945
Zhao, Y., Yu, H., Wei, G., Ji, F. & Chen, F. (2016). Parameter estimation of wideband underwater acoustic multipath channels based on fractional Fourier transform. IEEE Trans. Signal Processing. № 64. Pp. 5396—5408. DOI: https://doi.org/10.1109/TSP.2016.2582466
Wu, H., Song, Q. & Jin, G. (2020). Underwater acoustic signal analysis: Preprocessing and classification by deep learning. Neural Netw. World. № 30. Pp. 85—96. DOI: https://doi.org/10.14311/NNW.2020.30.007
Jin, G., Liu, F., Wu, H. & Song, Q. (2020). Deep learning-based framework for expansion, recognition and classification of underwater acoustic signal. J. Exp. Theor. Artif. Intell. № 32. Pp. 205—218. DOI: https://doi.org/10.1080/0952813X.2019.1647560
Herman, R.L. (2016). An Introduction to Fourier Analysis. CRC Press. 402 p. DOI: https://doi.org/10.1201/9781315367064
Blackman, R.B. & Tukey, J.W. (1958). The measurement of power spectra from the point of view of communications engineering. Bell Syst. Tech. J. Vol. 33. Pp. 185—282, 485—569. DOI: https://doi.org/10.1002/j.1538-7305.1958.tb03874.x
Jenkins, G.M. & Watts, D. G. (1965). Spectral Analysis and Its Applications. Holden-Day, Inc., San Francisco.
Koopmans, L.H. (1973). Spectral Analysis of Time Series. Academic Press, New York.
Papoulis, A. (1977). Signal Analysis. McGraw-Hill, New York.
Childers, D.G. (1978). Modern Spectrum Analysis. IEEE Press: New York.
Priestley, M.B. (1981). Spectral Analysis and Time Series. Academic Press, London.
Marple, S.L. (1987). Digital Spectral Analysis with Applications. Prentice Hall, Englewoods Cliffs, New Jersey.
Kay, S.M. (1988). Modern Spectral Estimation, Theory and Application. Prentice Hall, Englewoods Cliffs, New Jersey.
Haykin, S. (1991, 1995). Advances in Spectrum Analysis and Array Processing. Vol. 1, 2, 3. Prentice Hall. Englewoods Cliffs. New Jersey.
Naidu, P.S. (1996). Modern Spectrum Analysis of Time Series. CRC Press. Boca Raton, Florida.
Stoica, P. & Moses, R. (2005). Spectral Analysis of Signals. Prentice Hall, Upper Saddle River. New Jersey.
Bartlett, M.S. (1948). Smoothing periodograms from time series with continuous spectra. Nature, London. Vol. 161. Pp. 686—687. DOI: https://doi.org/10.1038/161686a0
Welch, P.D. (1967). Use of FFT for estimation of power spectra: a method based on time averaging over short, modified periodograms. IEEE Trans. on Audio and Electroacoustics. Vol. AU-15, 2. Pp. 70—73. DOI: https://doi.org/10.1109/TAU.1967.1161901
Tukey, J.W. (1949). The sampling theory of power spectrum estimates. Proc. Symposium on Applied Autocorrelation Analysis of Physical Problems, U.S. Office of Naval Research. Pp. 47—67.
Schuster, A. (1898). On the investigation of hidden periodicities with application to a supposed twenty-six-day period of meteorological phenomena. Terr. Mag. Vol 3. # 1. Pp. 13—41. DOI: https://doi.org/10.1029/TM003i001p00013
Capon, J. (1969). High-resolution frequency-wavenumber spectrum analysis. Proc. IEEE. Vol. 57. Pp. 1408—1418. DOI: https://doi.org/10.1109/PROC.1969.7278
Johnson, D.H. (1982). Application of spectral estimation methods in bearing estimation problems. Proc. IEEE. Vol. 70. Pp. 1018—1028. DOI: https://doi.org/10.1109/PROC.1982.12430
Schmidt, R.O. (1981). A signal subspace approach to multiple emitter location and spectral estimation. Ph.D. dissertation, Department of Electrical Engineering, Stanford University. Stanford.
Kumaresan, R. & Tufts, D.W. (1983). Estimating the angles of arrival of multiple plane waves. IEEE Trans. on Aerospace and Electronic systems. AES-19. Pp. 134—139. DOI: https://doi.org/10.1109/TAES.1983.309427
Paulraj, A., Roy, R. & Kailath, T. (1986). A subspace rotation approach to signal parameter estimation// Proceedings of IEEE 74 (7). Pp. 1044—1046. DOI: https://doi.org/10.1109/PROC.1986.13583
Roy, R. & Kailath, T. (1989). ESPRIT – Estimation of signal parameters via rotational invariance techniques. IEEE Trans. on Acoustics, Speech, and Signal Processing, ASSP-37 (7). Pp. 984—995. DOI: https://doi.org/10.1109/29.32276
Popoff, A. (2022). Fundamentals of Signal Processing in Generalized Metric Spaces: Algorithms and Applications. CRC Press. 450 p. DOI: https://doi.org/10.1201/9781003275855
Downloads
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2024 Олексій Налапко,Сергій Зібін,Андрій Попов,Володимир Твердохлібов
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
