Wie implementiere ich einen adaptiven Schwellenwertalgorithmus für Unterwassersonar?

Ich möchte einen adaptiven Schwellenwertalgorithmus in MATLAB implementieren, um Daten zu filtern, die von einem Unterwassersonarempfänger empfangen werden. Die empfangenen Daten haben eine interaktive Rauschkomponente, die aus Unterwasserrauschen und Spiegelreflexion resultiert. Die CFARD- Methode ist nah dran, erfüllt aber nicht meinen Zweck. Ich muss die Daten abbilden, damit ich das Objekt auf einem Bildschirm sehen kann, der sich unter Wasser in der Reichweite des Sonars befindet. Jede Hilfe wird sehr geschätzt.

BEARBEITEN:

Es ist eine Unterwasserumgebung. Ich versuche, ein Signal zu begrenzen, das von einem Sonarwandler empfangen wurde, nachdem es von einem festen Ziel reflektiert wurde, das sich in derselben Umgebung wie der Wandler befindet. Die Probleme gehören zur Sonardomäne von Underwater Acoustic Imaging . Das Problem ist, dass ich den Umgebungslärm unter Wasser nicht modellieren konnte. Nach dem, was ich bisher über dieses Thema gelesen habe, folgt das Rauschmodell einer Verteilung$K$. Auch der Umgebungslärm ist nicht additiv, sondern interaktiv. Daher muss die Schwelle adaptiv sein. Ich habe in meiner Frage auch die CFARD-Methode erwähnt. Dies ist nützlich für die Signalverarbeitung in Radaranwendungen, da wir nur daran interessiert sind, einen einzelnen Punkt in einem großen Gebiet mit hoher Energie zu finden. Gleiches gilt nicht für das akustische Unterwasser-Sonar, bei dem versucht wird, das Ziel als Video auf dem Bildschirm anzuzeigen. Ich hoffe, ich habe es jetzt klarer gemacht.

Ihre Frage hat nur wenige Beiträge erhalten, wahrscheinlich aufgrund eines fehlenden Inhalts. Während einer kürzlich abgehaltenen Konferenz bin ich auf die Doktorarbeit gestoßen : Détection en Environnement non Gaussien ( Erkennung in einer nicht-Gaußschen Umgebung ). Da es auf Französisch ist, reproduziere ich das Abstract hier:

Radarechos, die aus den verschiedenen Rückgaben des übertragenen Signals auf viele Objekte der Umgebung (Unordnung) stammen, wurden lange Zeit ausschließlich durch Gaußsche Vektoren modelliert. Das zugehörige optimale Erfassungsverfahren wurde dann durch das klassische angepasste Filter durchgeführt. Dann zeigte die technologische Verbesserung der Radarsysteme, dass die wahre Natur der Unordnung nicht mehr als Gaußsch angesehen werden konnte. Obwohl die Optimalität des angepassten Filters in solchen Fällen nicht mehr gültig ist, wurden für diesen Detektor CFAR-Techniken (Constant False Alarm Rate) vorgeschlagen, um den Wert der Erkennungsschwelle an die mehrfachen lokalen Variationen der Störung anzupassen. Trotz ihrer Verschiedenartigkeit erwies sich keine dieser Techniken in diesen Situationen als robust oder optimal. Mit der Modellierung der Unordnung durch nicht-Gaußsche komplexe Prozesse wie SIRP (Spherically Invariant Random Process) wurden optimale Strukturen für die kohärente Detektion gefunden. Diese Modelle beschreiben viele nicht-Gaußsche Gesetze wie die K-Verteilung oder die Weibull-Gesetze und sind in der Literatur anerkannt, um viele experimentelle Situationen auf relevante Weise zu modellieren. Um das Gesetz ihrer charakteristischen Komponente (nämlich die Textur) ohne statistische A-priori-Analyse des Modells zu identifizieren, schlagen wir in dieser Arbeit vor, das Problem durch einen Bayes'schen Ansatz anzugehen. Aus diesem Satz ergeben sich zwei neue Schätzmethoden des Texturgesetzes: Die erste ist eine parametrische Methode, die auf einer Padé-Näherung der Momenterzeugungsfunktion basiert, und die zweite ergibt sich aus einer Monte-Carlo-Schätzung. Diese Schätzungen werden anhand von Referenz-Stördaten durchgeführt und führen zu zwei neuen optimalen Erkennungsstrategien, die als PEOD (Padé Estimated Optimum Detector) bzw. BORD (Bayesian Optimum Detector Radar) bezeichnet werden. Der asymptotische Ausdruck des BORD (Konvergenz im Gesetz), der als "asymptotisches BORD" bezeichnet wird, wird zusammen mit seinem Gesetz festgelegt. Dieses letzte Ergebnis ermöglicht den Zugriff auf die optimalen theoretischen Leistungen des asymptotischen BORD und kann auch auf das BORD angewendet werden, wenn die Datenkorrelationsmatrix nicht singulär ist. Die Nachweisleistungen von BORD und die von asymptotischem BORD werden anhand experimenteller Daten zu Bodenstörungen bewertet. Wir haben Ergebnisse erhalten, die sowohl die Relevanz des SIRP-Modells für die Unordnung als auch die Optimalität des BORD und seine Anpassungsfähigkeit an jede Art von Umgebung bestätigen.

Die Mathematik sollte lesbar sein. Wenn dies hilfreich ist, können Sie die englische Referenz des Autors oder des Promotionsausschusses nachverfolgen.