Como implementar um algoritmo de limiar adaptável para sonar subaquático

10

Desejo implementar um algoritmo adaptativo de limiar no MATLAB para filtrar dados recebidos por um receptor de sonar subaquático. Os dados recebidos possuem um componente de ruído interativo resultante de ruído subaquático e reflexão especular. O método CFARD está próximo, mas não serve ao meu propósito. Eu tenho que criar uma imagem dos dados para que eu possa ver o objeto, em uma tela, colocado debaixo d'água dentro da amplitude do sonar. Qualquer ajuda será muito apreciada.


EDITAR:

É um ambiente subaquático. Estou tentando limiar um sinal que foi recebido de um transdutor de sonar depois de ter sido refletido por um alvo sólido, situado no mesmo ambiente que o transdutor. Os problemas pertencem ao domínio do sonar do Underwater Acoustic Imaging . O problema é que não consegui modelar o ruído ambiental subaquático. Pelo que eu li até agora sobre este tópico, o modelo de ruído segue um -DistribuiçãoK. Além disso, o ruído ambiental não é aditivo por natureza, é interativo. Portanto, o limiar deve ser adaptável. Eu também mencionei o método CFARD na minha pergunta. Isso é útil para o processamento de sinais em aplicações de radar, pois estamos apenas interessados ​​em encontrar um único ponto em uma grande área com alta energia. O mesmo não pode ser dito sobre o sonar de imagem acústica subaquática, onde tentamos exibir o alvo na tela como um vídeo. Espero ter deixado mais claro agora.

Saurabh
fonte
4
Olá, embora sua pergunta seja interessante e específica para este site, gostaríamos de obter mais informações suas. Você pode descrever seu modelo de ambiente, o que você está tentando limitar e como o abordou até agora? Este site suporta o LaTeX, para que você possa inserir matemática entre dois $.
Lorem Ipsum
Bem, o que você tentou? Este é basicamente um projeto de pesquisa e sua pergunta basicamente quer que modelemos o ambiente e implementemos o algoritmo para você ... Você ainda não abordou os pontos do meu primeiro comentário.
Lorem Ipsum
Você contrasta seu problema com o problema típico de detecção de radar, mas eu realmente não sei o que você espera ver (ou seja, como é o sinal que você deseja limitar? algum tipo de imagem ajudaria. Além disso, o que você quer dizer com ruído "interativo"? Multiplicativo?
Jason R
@Saurabh Isso é muito interessante, você pode fornecer mais informações, como outros pediram.
Spacey
Sinto uma baixa votação por falta de resposta às perguntas feitas. Você está procurando detectar picos no sinal ou apenas quando o sinal está acima de um determinado limite? (do tipo, é qualquer coisa que acontece no sinal?)
CYBERMEN

Respostas:

2

Sua pergunta recebeu muito poucas contribuições, provavelmente por falta de conteúdo. Durante uma conferência recente, deparei-me com a tese de doutorado: Detection en Environnement non Gaussien ( Detecção em um ambiente não gaussiano ). Como é em francês, reproduzo o resumo aqui:

Durante muito tempo, ecos de radar provenientes dos vários retornos do sinal transmitido em muitos objetos do ambiente (desordem) foram modelados exclusivamente por vetores gaussianos. O procedimento de detecção ótima relacionado foi então realizado pelo filtro combinado clássico. Então, o aprimoramento tecnológico dos sistemas de radar mostrou que a verdadeira natureza da desordem não podia mais ser considerada gaussiana. Embora a otimização do filtro correspondente não seja mais válida nesses casos, foram propostas técnicas de CFAR (taxa de alarme falso constante) para esse detector, a fim de adaptar o valor do limiar de detecção às múltiplas variações locais da desordem. Apesar de sua diversidade, nenhuma dessas técnicas se mostrou robusta ou ideal nessas situações. Com a modelagem da desordem por processos complexos não gaussianos, como SIRP (Processo Aleatório Esfericamente Invariante), foram encontradas estruturas ótimas de detecção coerente. Esses modelos descrevem muitas leis não gaussianas, como a distribuição K ou as leis Weibull, e são reconhecidas na literatura por modelar muitas situações experimentais de maneira relevante. Para identificar a lei de seu componente característico (a textura) sem estatística a priori do modelo, propomos, nesta tese, abordar o problema por uma abordagem bayesiana. Dois novos métodos de estimação da lei da textura emergem dessa proposição: o primeiro é um método paramétrico, baseado em uma aproximação de Padé da função geradora de momentos, e o segundo resulta de uma estimativa de Monte Carlo. Essas estimativas são realizadas com base em dados de desordem de referência e levam a duas novas estratégias ótimas de detecção, respectivamente denominadas PEOD (Detector Ideal Estimado Padé) e BORD (Radar Detector Otimizado Bayesiano). A expressão assintótica da BORD (convergência na lei), denominada "BORD assintótica", é estabelecida juntamente com a sua lei. Este último resultado fornece acesso aos desempenhos teóricos ideais do BORD Assintótico e também pode ser aplicado ao BORD se a matriz de correlação de dados não for singular. Os desempenhos de detecção de BORD e os de BORD assintótico são avaliados em dados experimentais de desordem no solo. Obtivemos resultados que validam a relevância do modelo SIRP para a desordem, a otimização do BORD e sua adaptabilidade a qualquer tipo de ambiente.

A matemática deve ser legível. Se for de alguma ajuda, você pode acompanhar a referência em inglês pelo autor ou pelo comitê de tese de doutorado.

Laurent Duval
fonte