طراحی سونار دارای قابلیت حذف نویزهای آکوستیکی مداخله‌گر پس‌زمینه با استفاده از فیلترتطبیقی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشگاه صنعتی نوشیروانی بابل

2 دانشگاه صنعتی مالک اشتر

چکیده

نویز محیطی اقیانوس یک ویژگی مهم آکوستیکی است که از عوامل مؤثر و مهم در کاهش عملکرد سیستم‌های سونار است. نویز محیطی تحت تأثیر عواملی از قبیل وضعیت سطح (مانند مواج بودن، سرعت باد و...)، فضای بالای سطح، تغییرات و ساختار پوسته زمین در کف، رفتار جانوران آبزی و به‌ویژه نویزحاصل ازکشتیرانی است.استفاده از راه‌حل شکل‌دهی پرتو برای حذف نویز برای افزایش کارایی سیستم‌های سوناری (شناسایی اهداف آکوستیکی) مناسب نیست.زیرا در صورت استفاده از این روش، سیستم تنها قادر به پوشش محدودۀ خاصی از محیط است. درحالی‌که تمامی امواج رسیده برای شناسایی اهداف اهمیت دارند و نباید از دریافت آن‌ها جلوگیری شود.راهکار مطرح‌شده در این مقاله، استفاده از حذف نویز تطبیقی برای تفکیک امواج آکوستیکی رسیده از اهداف سونار در محیط‌هایی با نویزهای مداخله‌گر پس‌زمینه در سیستم‌های سوناری، برای کاربرد در شناورها، زیردریایی‌ها و ...است. نتایج شبیه‌سازی نشان می‌دهد که سیستم‌ سوناری پیشنهادی قادر خواهد بود، امواج آکوستیکی رسیده از اهداف را به‌طور کامل از نویز محیط تشخیص داده و احتمال آشکارسازی اهداف را تا حد زیادی بهبود دهد.

کلیدواژه‌ها

عنوان مقاله [English]

Sonar Designing with the Ability of Acoustical Noise Canceller by Using Adaptive Filter

نویسندگان [English]

  • Hamid Amiri Ara 1
  • Mohammad Akhondi 1
  • Abolfazl Akbarnia 2
1 Babol Noshirvani University of Technology
2 Malek Ashtar University of Technology
چکیده [English]

Ocean environmental noises are a significant and specific acoustic feature that influence sonar performance. These noises are affected by surface state (like wavy state of the sea, wind speed, etc.), above space of surface, aquatic animals and specially shipping noises. To improve the performance of sonars (acoustic targets detection), use of beam-forming for noise cancelling is not suitable. Because the system can only cover a specific range of environment while all acoustical waves are essential for targets detection. The proposed solution of this paper is utilizing adaptive filter for cancelling acoustical noise from sonar targets echoes. Since environmental noise is very effective on sonar systems, using the proposed method is very essential to improve the performance of the system. Simulation results show that the proposed sonar system can completely discriminate received acoustical waves and environmental noise and increase probability of detection.

کلیدواژه‌ها [English]

  • acoustical active noise canceller
  • adaptive filter
  • sonar system

مراجع

[1] Urick RJ. Principles of Underwater Sound. 3rd ed. McGraw-Hill; 1983. p. 15-25.
[2] William S, Manoel J, Pereira L. Principal component analysis for classifying passive sonar signals. In: ISCAS 2001. The 2001 IEEE International Symposium on Circuits and Systems;2001; Sydney, NSW. IEEE; 2001. p.592-95. ‏
[3] Esquef P, Biscainho L, Valimaki V, Karjalainen M. Removal of long pulses from audio signals using two-pass split-window filtering. In: Audio Engineering Society Convention 112. Audio Engineering Society; 2002.
[4] De Seixas JM, De Moura NN. Preprocessing passive sonar signals for neural classification. IET radar, sonar & navigation. 2011 Jul 1;5(6):605-12.
[5] Soares-Filho W, Seixas J, Caloba L. Enlarging neural class detection capacity in passive sonar systems. In: 2002 IEEE International Symposium on Circuits and Systems. Proceedings (Cat. No. 02CH37353). IEEE; 2002.
[6] Wu H, Siegel M, Khosla P. Vehicle sound signature recognition by frequency vector principal component analysis. In: IMTC/98 Conference Proceedings. IEEE Instrumentation and Measurement Technology Conference. IEEE; 1998. p. 429-34.
[7] Chin-Hsing C, Jiann-Der L, Ming-Chi L. Classification of underwater signals using wavelet transforms and neural networks. Mathematical and computer modelling. 1998 Jan 1;27(2):47-60.
[8] Boroujeny F. Adaptive Filters: Theory and Applications. 2nd ed. John Wiley & Sons, Ltd; 2013. p. 55-60.
[9] Gevorkov Y, Yefanov O, Barty A, White TA, Mariani V, Brehm W, et al. XGANDALF–extended gradient descent algorithm for lattice finding. Acta Crystallographica Section A: Foundations and Advances. 2019 Sep 1;75(5):694-704.
[10] Gill PE, Murray W, Wright MH. Practical optimization. Society for Industrial and Applied Mathematics; 2019.
[11] Zhang L, Li K, Bai EW. A new extension of newton algorithm for nonlinear system modelling using RBF neural networks. IEEE Transactions on automatic control. 2013 Apr 18;58(11):2929-33
[12] Schölkopf B, Smola A, Müller KR. Nonlinear component analysis as a kernel eigenvalue problem. Neural computation. 1998 Jul 1;10(5):1299-319.
[13] Howell B, Wood S. Passive sonar recognition and analysis using hybrid neural networks. Oceans 2003. Celebrating the Past... Teaming Toward the Future (IEEE Cat. No. 03CH37492); 2003; San Diego, CA, USA. IEEE; 2003. p. 1917-24.
[14] Bagheri V, Izadi V, Davoodi K. Noise-Resistant Feature Extraction from Measured Data of a Passive Sonar. Journal of Soft Computing and Decision Support Systems. 2019 Nov 29;7(1):1-6.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار