Comment mettre en œuvre un algorithme de seuillage adaptatif pour un sonar sous-marin

10

Je veux implémenter un algorithme de seuillage adaptatif dans MATLAB pour filtrer les données reçues par un récepteur sonar sous-marin. Les données reçues ont une composante de bruit interactive résultant du bruit sous-marin et de la réflexion spéculaire. La méthode CFARD est proche, mais elle ne sert pas mon objectif. Je dois imager les données pour pouvoir voir l'objet, sur un écran, qui est placé sous l'eau dans le scandepth du sonar. Toute aide sera fortement appréciée.


ÉDITER:

C'est un environnement sous-marin. J'essaie de seuiller un signal qui a été reçu d'un transducteur sonar après avoir été réfléchi par une cible solide, qui est située dans le même environnement que le transducteur. Le problème appartient au domaine des sonars d' imagerie acoustique sous-marine . Le problème est que je n'ai pas pu modéliser le bruit environnemental sous-marin. D'après ce que j'ai lu jusqu'à présent sur ce sujet, le modèle de bruit suit une distribution K. De plus, le bruit ambiant n'est pas de nature additive, il est plutôt interactif. Le seuil doit donc être adaptatif. J'ai également mentionné la méthode CFARD dans ma question. Cela est utile pour le traitement du signal dans les applications radar, car nous souhaitons simplement trouver un point unique dans une grande zone à haute énergie. On ne peut pas en dire autant du sonar d'imagerie acoustique sous-marin, où nous essayons d'afficher la cible sur l'écran sous forme de vidéo. J'espère avoir clarifié les choses maintenant.

Saurabh
la source
4
Bonjour, bien que votre question soit intéressante et sur le sujet de ce site, nous aimerions plus d'informations de votre part. Pouvez-vous décrire votre modèle d'environnement, qu'est-ce que vous essayez de définir et comment vous l'avez approché jusqu'à présent? Ce site prend en charge LaTeX, vous pouvez donc entrer des mathématiques entre deux $.
Lorem Ipsum,
Eh bien, qu'avez-vous essayé? Il s'agit essentiellement d'un projet de recherche et votre question veut essentiellement que nous modélisions l'environnement et implémentions l'algorithme pour vous ... Vous n'avez toujours pas abordé les points dans mon premier commentaire.
Lorem Ipsum
Vous comparez votre problème avec le problème typique de détection radar, mais je ne sais pas vraiment à quoi vous vous attendez (c.-à-d. À quoi ressemble le signal que vous souhaitez seuiller? une photo quelconque aiderait. Aussi, qu'entendez-vous par bruit «interactif»? Multiplicateur?
Jason R
@Saurabh Ceci est très intéressant, pouvez-vous s'il vous plaît fournir plus d'informations comme d'autres l'ont demandé.
Spacey
J'ai envie de voter en raison du manque de réponse aux questions posées. Cherchez-vous à détecter des pics dans le signal, ou seulement lorsque le signal est au-dessus d'un certain seuil? (un peu comme, est-ce que quelque chose se passe dans le signal?)
CyberMen

Réponses:

2

Votre question a reçu assez peu de contributions, probablement à cause d'un contenu manquant. Lors d'une récente conférence, je suis tombé sur la thèse de doctorat: Détection en Environnement non Gaussien ( Détection en milieu non gaussien ). Puisqu'il est en français, je reproduis le résumé ici:

Depuis longtemps, les échos radar provenant des différents retours du signal transmis sur de nombreux objets de l'environnement (fouillis) sont exclusivement modélisés par des vecteurs gaussiens. La procédure de détection optimale associée a ensuite été effectuée par le filtre adapté classique. Ensuite, l'amélioration technologique des systèmes radar a montré que la véritable nature de l'encombrement ne pouvait plus être considérée comme gaussienne. Bien que l'optimalité du filtre adapté ne soit plus valable dans de tels cas, des techniques CFAR (Constant False Alarm Rate) ont été proposées pour ce détecteur afin d'adapter la valeur du seuil de détection aux multiples variations locales de l'encombrement. Malgré leur diversité, aucune de ces techniques ne s'est révélée ni robuste ni optimale dans ces situations. Avec la modélisation de l'encombrement par des processus complexes non gaussiens, tels que le SIRP (Spherically Invariant Random Process), des structures optimales de détection cohérente ont été trouvées. Ces modèles décrivent de nombreuses lois non gaussiennes, comme les lois de distribution K ou de Weibull, et sont reconnus dans la littérature pour modéliser de nombreuses situations expérimentales de manière pertinente. Pour identifier la loi de leur composante caractéristique (à savoir la texture) sans a priori statistique sur le modèle, nous proposons, dans cette thèse, d'aborder le problème par une approche bayésienne. Deux nouvelles méthodes d'estimation de la loi de texture émergent de cette proposition: la première est une méthode paramétrique, basée sur une approximation Padé de la fonction de génération de moment, et la seconde résulte d'une estimation de Monte Carlo. Ces estimations sont effectuées sur des données de référence et conduisent à deux nouvelles stratégies de détection optimales, respectivement nommées PEOD (Padé Estimated Optimum Detector) et BORD (Bayesian Optimum Detector Radar). L'expression asymptotique de la BORD (convergence en droit), appelée "BORD asymptotique", s'établit avec sa loi. Ce dernier résultat donne accès aux performances théoriques optimales du BORD asymptotique, et peut également s'appliquer au BORD si la matrice de corrélation des données n'est pas singulière. Les performances de détection de BORD et celles de BORD asymptotique sont évaluées sur des données expérimentales d'encombrement au sol. Nous avons obtenu des résultats qui valident à la fois la pertinence du modèle SIRP pour l'encombrement, l'optimalité du BORD et son adaptabilité à tout type d'environnement.

Les mathématiques doivent être lisibles. Si cela peut vous être utile, vous pouvez suivre la référence en anglais par l'auteur ou le comité de thèse.

Laurent Duval
la source