О новых методах широкополосной обработки данных в пассивной гидроакустике
"кое-что" в самом начале статьи на некоторое время оставлю за купюрами ( за что прошу прощения у автора, надеюсь он меня поймет)
Наблюдение за подводной обстановкой всегда было особой задачей гидроакустики. В случаях, когда носителем средства наблюдения была подводная платформа, пассивный режим играл для нее основную роль и использовался для обнаружения, сопровождения и классификации объектов. Работ, относящихся к обработке данных, и, нацеленных на решение указанных задач, выполнено много и относятся они к значительному периоду времени. Прогресс здесь был постоянным. Вместе с тем, по мере уменьшения шумности объектов, на этом пути стали возникать известные трудности. Сигнал стал слабым. Возникли и другие обстоятельства. Появилась возможность применения существенно более высокопроизводительных вычислительных средств широкого назначения. Два указанных обстоятельства интенсифицировали процесс разработок. Начало этого периода может быть условно отнесено на 15-20 лет назад. За этот период появилось «море» работ в указанном направлении. Появились работы, связанные с рядом практически выявленных свойств реальных сигналов и помех и посвященные методам, основанным на эксплуатации этих свойств. В данной статье поставлена цель: обратить внимание на такие работы.
Применительно к этой цели пассивный тракт гидроакустической станции представлен блок-схемой, изображенной на рисунке 1. Такое представление является, по нашему мнению, достаточно общим. Оно согласуется с большей частью из известных методов обработки. Здесь не накладывается каких-либо ограничений на способы формирования характеристик направленности. Например, те преимущества, которые привносятся оптимальной и адаптивной пространственной обработкой, использованием различных весов и усреднения, процедур уплотненного формирования лучей, такой схемой допускаются. Такой схемой допускается также рассмотрение пассивных трактов старых аналоговых станций с формированием ограниченного количества характеристик направленности, если их выход соединяется с приставкой, представляющей собой сочетание анализатора и ЭВМ. В последнем случае требуется синхронизация работы приставки с вращающейся характеристикой направленности. Такая синхронизация предполагает согласование скорости перемещения по азимуту характеристики направленности (временной развертки) с параметрами спектрального анализа. В современной цифровой станции спектральный анализ временных реализаций является неотъемлемым, функциональным элементом тракта, сочетающимся с процедурами формирования характеристик направленности. Важно отметить то, что практически безотносительно к любым особенностям обработки данных, промежуточные ее результаты могут представляться в виде матрицы данных в координатах «частота-пеленг». Такое пространственно-частотное представление имеет общепринятую в литературе аббревиатуру названия – FRAZ (frequency-azimuth). Содержимое матрицы FRAZ обычно представлено энергетическими величинами и обновляется во времени. Последующая обработка FRAZ-данных сводится к их интегрированию по элементам (бинам) частотного разрешения (всему частотному диапазону) для набора бинов - ячеек пространственного разрешения. Обновление получаемых интегральных значений во времени и представление их в виде «водопадной», растровой картины завершает обработку. Такое пространственно-временное представление выходных данных в координатах «пеленг-время», как известно, названо BTR (bearing-time record) - дисплеем. Это основной индикатор, с помощью которого производится обнаружение цели и контроль обстановки вокруг носителя. Нетрудно видеть, что путем обработки FRAZ-данных могут получаться, другие виды дисплеев выходных данных. Например, так формируются различные виды частотно-временного (LOFAR) представления. На рисунке 2 показан, заимствованный из [1] пример вида индикаторов FRAZ (слева) и BTR в яркостном, монохромном представлении.
Рис. 2. Представление данных при однократной временной развертке FRAZ (слева) и окна «водопадного» дисплея «пеленг (азимут) - время» (BTR).
Таким образом, всю обработку данных в пассивном тракте ГАС можно условно представить состоящей из процедуры формирования FRAZ-матрицы и процедуры обработки ее содержимого. С такой обработкой связан ряд новых методов. Отметим очевидную возможность интегрирования данных не обязательно по всему частотному диапазону (как это часто делается), а избирательно по различным участкам спектра. Если по каким-либо причинам требуются более или менее грубые по частоте данные или возникает необходимость учета, по-разному, содержательных участков спектра, то при обработке FRAZ-данных могут намеренно образовываться «субполосные» (subband) характеристики. Такая необходимость может возникнуть, например, в случае выявления дополнительных, устойчивых свойств полезных сигналов, отличающих их от других сигналов и от помехи. Попутно отметим, что интегрирование по частоте детализированных частотных данных с получением одной выходной величины составляет смысл широкополосной обработки, как при интегрировании данных во всем частотном диапазоне, так и избирательно. Отметим также, что введенное в ряде литературных источников понятие «субполосы» имеет тот же или близкий смысл по отношению к введенным в других источниках понятиям «средней полосы» (middleband) или «внутренней полосы» (inband). Все эти термины объединены тем, что в ряде работ им придан смысл «областей устойчивых спектральных свойств» (feature regions) акустических сигналов различных объектов, пригодных для использования в задачах обнаружения, сопровождения и классификации целей. Как оказалось, для этих задач не все равно, какие полосы используются и, как данные интегрируется по частоте. На рисунке 3, заимствованном из работы [2], показан пример поведения во времени избирательно сформированных полосовых сигналов по отношению к сигналу, проинтегрированному по всей полосе частот. Этот пример показывает присутствие в спектрах широкополосных сигналов частотных областей с относительно и по-разному повышенной и пониженной энергетикой. На рисунке 4 представлен пример BTR-дисплея, соответствующего случаю наличия двух реальных целей, трассовые отметки которых пересекаются (из [2]). Верхняя часть рисунка соответствует данным, проинтегрированным по всей полосе частот. Нижняя часть - избирательному интегрированию (в данном случае по двум субполосам). В соответствующем данному примеру случае интегрирование по полной полосе частот приводит к тому, что одна из двух целей (имеющая слабый сигнал) практически не видна. Избирательное интегрирование приводит к отчетливым трассовым отметкам от обеих целей, в том числе в области их пересечения. Конкретная информация о частотных интервалах и расположении субполос в спектрах реальных сигналов в открытой литературе отсутствует, кроме указания на то, что в типовом случае субполосы занимают первые десятки герц. Можно предположить, что эти частотные интервалы и их расположение совпадают с имеющими место пятнами частотной когерентности в спектрах реальных сигналов. Соответствующие соображения работы [3] можно понять, как имеющие именно этот смысл.
В свете сказанного целесообразно отметить группу практически реализованных методов широкополосной обработки, под общим названием «Субполосное энергетическое обнаружение» (Subband Energy Detection – SED). Частными разновидностями методов этой группы являются «Субполосное пиковое энергетическое обнаружение» (Subband Peak Energy Detection – SPED) и «Субполосное энергетическое обнаружение по экстремальным значениям» (Subband Extrema Energy Detection – SEED). С учетом сделанных выше оговорок относительно обработки данных до этапа формирования FRAZ – матрицы, методы SED можно охарактеризовать, начиная с этого этапа. Сделаем это на примере получившего наибольшее распространение метода SPED. Ранее предполагалось выполнение процедуры анализа частотного спектра в каждой отдельной характеристике направленности и избирательного интегрирования данных по частоте. В рамках метода SPED применяется анализ пространственного спектра в каждом отдельном элементе частотного разрешения (бине) или субполосе. Такой анализ включает поиск положений и выделение «пиков» в азимутальном спектре. Пиком считается локальный максимум по азимуту. Для последующего получения энергетических оценок используются только указанные пики, взвешенные по-разному в зависимости от выбранного режима. Если бин не содержит пика, то для данного азимута к энергетической оценке ничего не добавляется. В методе SPED суммируются только энергетические значения пиков. Физическое обоснование такой процедуры заключается в следующем. Несомненно, что пики возникают, как из-за влияния полезного сигнала, так и из-за влияния помехи (шума). Но поведение сигнальных и шумовых пиков отличается. Даже в случае, когда средний уровень шума превышает средний уровень полезного сигнала, реально имеющие место флюктуации приводят к тому, что при кратковременном или локальном понижении шума сигнальные пики могут проявляться в отдельных частотных бинах (конечно вместе с шумовыми пиками). И последних на FRAZ – плоскости обычно больше. Но ведут себя шумовые и сигнальные пики в плоскости FRAZ по-разному. Сигнальные пики будут иметь пространственную когерентность, т.е. будут проявляться в одном и том же азимутальном бине для набора частотных бинов. Шумовые пики не будут иметь упорядоченности. В результате сигнальные пики при накоплении складываются «конструктивно» по всему диапазону частотных бинов. Необходимо сказать, что процедура выделения, сбора и анализа пиков в плоскости FRAZ-данных (и слежения за ними) стала распространенной. По существу, таким образом, выделяются преимущественно пики, соответствующие основному лепестку характеристики направленности. Экспериментально показано, что при этом сужается ширина трассовых отметок при BTR- представлении результата обработки и обеспечивается улучшенное пространственное разрешение. Установлено, что последнее обстоятельство приводит к улучшенным возможностям данной группы методов (по сравнению с обычно используемой обработкой) с точки зрения обнаружения слабых сигналов и их сопровождения. На рисунке 5, заимствованном из [4], представлено в сравнении два BTR-дисплея по одним и тем же данным. Данные получены от стандартной, короткой буксируемой низкочастотной антенны. Слева приведен вид дисплея при обычной энергетической обработке, включающей типовые, функциональные операции для пассивного тракта. Справа – результат применения обработки SPED. Слабая цель, не обнаруживаемая стандартным трактом, видна при использовании новой обработки. На рисунке стрелками показаны трассовые отметки от слабой цели.
Рис. 5. Вид BTR-дисплеев при обычной обработке и при использовании обработки SPED.
Прямых количественных оценок выигрыша от применения алгоритмов субполосной обработки SED доступная нам литература не содержит. Однако ряд опубликованных данных о других преимуществах этих алгоритмов позволяет примерно оценить такой выигрыш величиной в разы. К особенностям субполосных методов относят лучшую их работоспособность в условиях сложной обстановки, характерной для мелкого моря с присущей ему изменчивостью гидрофизических характеристик, шумов и сигналов.
Сказанное выше относилось к методам, которые если и использовали локальные по спектру свойства сигналов и помех, относились к энергетическим по способу представления выходной величины. Однако это не единственный способ. Интегрирование по частоте FRAZ–данных может осуществляться иначе. И трактоваться результат может по-другому, хотя его «энергетические корни» очевидны. Речь идет о, так называемом, энтропийном подходе [5], который вводит понятие спектральной энтропии (spectral entropy). Этому показателю иногда придается смысл характеристики акустических свойств (acoustic feature) объекта в связи с сильной его зависимостью от упорядоченности значений. Существует отработанный формализм таких представлений. В частности, в выражениях для энтропии и связанных с ней роль оценок вероятностей играет относительный (нормированный) вес спектральных составляющих в спектре в целом. Логарифмирование таких «спектральных вероятностей» (“spectral probabilities”) осуществляется по разным основаниям. Суммирование или интегрирование произведения спектральной вероятности на ее логарифм осуществляется по частоте. Формально получается выражение для энтропии. Арифметические комбинации с такой энтропией могут иметь информационную трактовку. Очевидно, что все ранее сказанное о субполосной обработке данных, такую трактовку может иметь. Вид выходного дисплея может быть тем же (BTR).
Любой из подходов будет зависеть от отношения сигнала к шуму. Для ослабления этой зависимости и получения более устойчивых оценок существующие процедуры обработки содержат оценку шума и работу с отношением сигнал/шум.
Затронутая в данной статье тема довольно обширна и содержит ряд важных деталей, которые могут быть освещены дополнительно и более подробно. Такая работа планируется. В ее процессе ожидается уточнение постановок задач на будущие исследования и практические разработки. Уточниться должны и основные приведенные суждения.
Литература
1. Michael Bono, Ben Shapo, Pete McCarty, Roy Bethel. Subband Energy Detection in Passive Array Processing. Conf. ASAP04, 2004.
2. Carol T. Christou. Selective signal Tracking Trough Adaptive Estimation of Optimal Subbands. ASAP06, 2006.
3. Peter L. Greene. Optimal Processing and Performance Evaluation of Passive Acoustic Systems. MIT, 1997.
4. Robert E. Zarnich. A Fresh Look at Broadband Passive Sonar Processing. ASAP99 (Presentation) 1999.
5. Zoltan Tuske, et al. Robust Voice Activity Detection Based on Entropy of Noise-Suppressed Spectrum. Interspeech, 2005.
