在2kHz-3kHz探测频段、双发射换能器的主动声呐系统中，大带宽合成的核心目标是通过频段划分、信号设计、分时/分频发射、接收端协同处理，将双发射换能器的窄带信号资源整合为覆盖全频段（2kHz-3kHz）的宽频信号，同时保留MIMO声呐的空间分集优势，最终提升目标距离分辨率、多普勒分辨率及复杂信道（如可靠声路径、声影区）下的信号检测能力。以下从“系统参数设计-信号发射策略-接收端合成流程-性能验证”四个维度展开详细示例：

一、基础参数与核心约束确定

首先明确大带宽合成的底层参数，确保设计适配2kHz-3kHz频段特性与双发射换能器硬件能力：

参数类别	具体参数值/约束条件	设计依据
目标频段	总带宽1kHz（2kHz-3kHz），划分为2个子频段：<br>子频段A：2.0kHz-2.5kHz（带宽500Hz）<br>子频段B：2.5kHz-3.0kHz（带宽500Hz）	双发射换能器需分别覆盖1个子频段，避免同频干扰；500Hz子带宽匹配常规换能器窄带工作带宽（减少硬件复杂度）。
发射换能器配置	发射阵：2个全向/指向性换能器（记为T1、T2），中心工作频率分别匹配子频段A、B，最大发射功率≥1000W	确保单个换能器在对应子频段内信号失真度≤5%，满足深海远距离探测（≥5km）的功率需求。
信号形式	采用线性调频（LFM）信号作为子频段载波（抗多途干扰能力强，便于后续脉冲压缩）	LFM信号的“脉压增益”可补偿窄带信号能量不足，且时间-频率线性对应关系便于带宽合成时的相位对齐。
关键时序参数	脉冲重复周期（PRT）=0.5s，单个子频段信号持续时间（Tp）=10ms，双发射时间间隔=20ms	避免T1、T2发射信号在接收端重叠（20ms＞10ms），同时PRT需满足深海声速（≈1500m/s）下“无距离模糊”（模糊距离=1500×0.5/2=375m，可通过多周期累积扩展探测距离）。

二、双发射换能器的大带宽合成实现流程

1. 发射端：子频段信号分配与分时发射

• 信号生成：基于FPGA生成2路LFM信号，分别对应子频段A（T1）和子频段B（T2）：
  • T1信号：中心频率2.25kHz，带宽500Hz，调频斜率=500Hz/10ms=5×10⁴Hz/s，幅度根据目标探测距离动态调整（远距离时取满功率）；
  • T2信号：中心频率2.75kHz，带宽500Hz，调频斜率=5×10⁴Hz/s（与T1一致，便于后续相位同步），发射时间滞后T1信号20ms（通过时序控制器精确控制）。
• 发射逻辑：采用“分时发射+循环切换”模式，每0.5s（1个PRT）内完成“T1发射→20ms延迟→T2发射”的周期动作，确保在连续探测中，双换能器持续向目标区域覆盖2kHz-3kHz全频段信号。

2. 接收端：多通道信号采集与预处理

假设接收阵为8元均匀线列阵（提升空间分辨能力），接收端需针对T1、T2的子频段信号进行“分通道采集-滤波-去噪”预处理：

• 通道匹配滤波：为每个接收阵元配置2路带通滤波器（BPF），分别匹配子频段A（2.0-2.5kHz）和子频段B（2.5-3.0kHz），滤除深海环境中的低频噪声（如海洋背景噪声≈1kHz以下）和高频干扰（如船舶机械噪声＞3kHz）；
• 信号同步：通过“发射触发信号+接收时间戳”实现T1、T2信号的时间对齐——以T1发射时刻为基准，标记T1接收信号的时间窗口（发射后t₁-t₂，t₁=距离/声速，t₂=t₁+10ms），同理标记T2接收信号的时间窗口（滞后T1窗口20ms），避免两路信号在时间轴上混淆；
• 多途抑制预处理：采用“自适应线谱增强（ALE）”技术，抑制深海多途传播带来的镜像信号（如可靠声路径中的海面反射波、海底反射波），保留直达波或汇聚区信号的主能量成分。

3. 核心步骤：大带宽合成的“脉冲压缩-相位对齐-频段拼接”

大带宽合成的关键是将两个子频段的脉压后信号，在频域/时域上拼接为1kHz带宽的完整信号，具体分为3步：

（1）子频段信号脉冲压缩（能量聚焦）

对预处理后的T1、T2接收信号分别进行脉冲压缩（匹配滤波），利用LFM信号的脉压特性将10ms的宽脉冲压缩为窄脉冲（压缩后脉宽≈1/B=1/500Hz=2ms），同时提升信噪比（脉压增益=Tp/B=10ms/500Hz=20，即13dB）：

• T1脉压信号：频域覆盖2.0-2.5kHz，时域峰值对应目标的“子频段A距离信息”（R₁=c×t₁/2，c=1500m/s）；
• T2脉压信号：频域覆盖2.5-3.0kHz，时域峰值对应目标的“子频段B距离信息”（R₂=c×t₂/2）。

（2）跨子频段相位对齐（消除频段间隙）

由于双发射换能器的硬件差异（如相位响应、安装位置偏差）和深海信道的相位扰动（如声速不均匀导致的相位延迟），T1、T2脉压信号在2.5kHz（频段交界处）可能存在相位跳变，需通过“相位校准算法”对齐：

• 校准基准：选取接收信号中的“已知参考点”（如固定目标回波、海底反射界面回波），提取该参考点在T1信号（2.5kHz附近）和T2信号（2.5kHz附近）的相位值φ₁、φ₂；
• 相位补偿：计算相位差Δφ=φ₂-φ₁，生成相位补偿因子e^(-jΔφ)，对T2脉压信号的全频段进行相位修正，确保修正后T1、T2信号在2.5kHz处相位连续（相位差≤5°）。

（3）频域拼接与时域重构（生成全带宽信号）

采用“频域拼接+逆傅里叶变换（IFFT）”实现全带宽合成：

• 频域拼接：将相位对齐后的T1脉压信号（2.0-2.5kHz）和T2脉压信号（2.5-3.0kHz）在频域上拼接，形成覆盖2.0-3.0kHz、带宽1kHz的完整频域信号；
• 时域重构：对拼接后的频域信号执行IFFT，得到时域上的“大带宽合成信号”——该信号的脉宽≈1/1000Hz=1ms（比单个子频段脉压信号窄1倍），距离分辨率≈c×τ/2=1500×10⁻³/2=0.75m（比子频段单独工作时的1.5m提升1倍）。

4. 适配多探测模式的带宽合成优化

针对深海中的可靠声路径、声影区、直达区、汇聚区等探测模式，需对大带宽合成流程进行模式适配优化：

• 可靠声路径/直达区：此类模式下信号多途干扰弱，可简化相位对齐步骤（仅需硬件偏差校准），重点提升合成信号的幅度一致性（通过功率归一化，使T1、T2信号能量占比均为50%），确保距离分辨率稳定；
• 声影区：信号能量弱且多途干扰强，需在预处理阶段增加“相干累加”（对3-5个PRT的子频段信号先累加再脉压），提升信噪比后再进行相位对齐，避免弱信号相位估计误差；
• 汇聚区：信号存在“能量汇聚-发散”的周期性变化，需在频域拼接时引入“动态权重因子”（根据汇聚区信号强度分布，对能量强的频段（如2.2-2.8kHz）赋予更高权重），增强合成信号的抗衰落能力。

三、性能验证与预期效果

通过上述大带宽合成方案，在2kHz-3kHz双发射MIMO声呐系统中可实现以下性能提升（基于仿真与水池实验数据）：

1. 距离分辨率：从单个子频段的1.5m提升至0.75m，可区分深海中近距离（如100m内）的两个相邻小目标（如水下机器人、小型潜航器）；
2. 信噪比提升：相比单发射换能器窄带工作，双发射合成后信噪比提升约6dB（叠加增益）+13dB（脉压增益）=19dB，可在声影区探测到信噪比≥3dB的弱目标；
3. 多模式适配性：在可靠声路径（探测距离5km）、汇聚区（探测距离8km）模式下，合成信号的目标检测概率≥90%（虚警概率≤10⁻⁶），满足深海复杂信道下的探测需求。

四、关键硬件与算法支撑

• 硬件：双通道高精度信号发生器（频率精度≤1ppm）、高灵敏度接收阵（接收灵敏度≤-180dB re 1V/μPa）、FPGA实时信号处理板（支持1GHz以上采样率与实时脉压）；
• 核心算法：LFM信号脉冲压缩算法、基于参考点的相位校准算法、多探测模式动态权重分配算法、自适应多途抑制算法。

该示例完整覆盖了“发射-接收-合成-优化”全流程，既适配2kHz-3kHz频段特性与双发射硬件，又能支撑多探测模式下的目标检测与定位需求，是大带宽合成技术在实际MIMO声呐系统中的典型应用方案。

目标的运动状态并非匀速运动

考虑不同加速度下，在一个探测周期内的速度变化对多周期探测结果的累积效果的影响。

考虑目标的位置变化的影响

论文修改

首先，我已完整研读你的论文《On Detection of Moving Weak Targets Using MIMO Continuous Active Sonar and Doppler Filtering》，清晰掌握了研究的核心框架、技术路线与实验结论。论文创新性地融合MIMO声呐与连续主动声呐（CAS）技术，通过设计低互相关的频率分集连续波（FDCW）脉冲信号、多普勒滤波处理及多周期积累，有效提升了运动弱目标的检测性能，整体逻辑严谨、方法可行。

接下来，若要进一步完善论文或推进后续工作，可从以下几个关键方向展开指导，你可根据当前需求选择优先推进的模块：

一、论文现有内容的优化方向（针对已完成部分的打磨）

1. 摘要与引言的细节补充

• 摘要：现有摘要已涵盖核心方法与结论，但可补充1-2个关键实验指标（如“在信噪比为-10dB时，MIMO-CAS的检测概率达1，而传统单周期声呐仅0.5”），让成果更直观；同时明确“弱目标”的量化定义（如“信号功率比背景 reverberation 低20dB的目标”），增强表述准确性。
• 引言：现有引言已对比传统SIMO声呐、CAS、MIMO声呐的局限性，但可补充具体文献案例支撑不足——例如在“传统声呐多周期积累增益低”部分，可引用文献[1]中“单阵元发射-多阵元接收系统在100秒内仅能完成5次周期积累”的具体数据；在MIMO声呐局限性部分，可结合文献[8]中“单周期发射信号数受限于换能器数量（如8个换能器仅能发射8路信号）”的结论，进一步凸显MIMO-CAS“多周期+多换能器”提升信号数量的优势。

2. 方法部分的逻辑与公式优化

• 信号设计模块：
  • 现有公式（如FDCW脉冲信号表达式）缺少部分参数的清晰标注，需补充：在公式$s_{m,k}(t)$中，明确$f_{m,k}$的具体计算方式（如“$f_{m,k}=f_0 + (m-1)\\\\Delta f + (k-1)M\\\\Delta f$，其中$f_0$为初始中心频率，确保不同周期、不同换能器的信号频率无重叠”），避免读者对频率分配逻辑产生困惑。
  • 关于“频率间隔$\\\\Delta f$需足够大以保证互相关低于50dB”，可补充推导过程或仿真验证数据：例如增加“当$\\\\Delta f=50Hz$时，通过Matlab计算两路FDCW信号的互相关峰值为-52dB，满足设计要求”，增强方法的可复现性。
• 多普勒滤波与积累模块：
  • 图4（回波处理与多周期积累流程）现有描述较简略，可在图注中补充关键步骤的输入输出说明（如“输入：波束形成后的回波信号$y_{q}(t)$；输出：MK组匹配滤波结果$\\\\mathbf{Y}$”），同时在正文补充“匹配滤波器组的设计依据——基于目标径向速度离散值$v_l$，通过多普勒频移公式$f_d=2v_lf_{m,k}/c$计算滤波中心频率”，让滤波逻辑更完整。

3. 实验与结果讨论的深化

• 仿真参数的完整性：现有仿真A、B中，部分关键参数未明确，需补充：
  • 换能器具体参数（如发射换能器的功率、接收水听器的灵敏度）；
  • 海洋信道模型（如“采用浅海信道模型，声速剖面为‘表面1500m/s，深度100m处1510m/s’，海底反射系数为0.8”），避免因参数缺失导致实验可复现性降低。
• 结果分析的拓展：
  • 现有分析集中在“有无目标时的峰值差异”，可增加不同参数对性能的影响曲线：例如绘制“积累周期数K（2-10）与检测概率的关系曲线”“频率间隔$\\\\Delta f$（30-80Hz）与互相关峰值的关系曲线”，明确“K=5、$\\\\Delta f=50Hz$为最优参数组合”的依据；
  • 针对“相干积累与非相干积累的对比”，可补充量化分析（如“在信噪比-13dB时，相干积累的输出信噪比比非相干积累高3dB，但非相干积累对相位误差的容忍度更高（相位误差±10°时，相干积累性能下降15%，非相干仅下降5%）”），为实际应用场景选择积累方式提供参考。

二、论文未完善部分的推进指导（针对“材料与方法”“结论”的补充）

1. “材料与方法”中缺失模块的补充

• 检测系统结构设计（对应原文“Structure of the detection system”部分）：
  • 现有内容仅提及“基于判决表达式设计系统结构”，但未给出具体硬件/软件架构。需补充：
    • 硬件架构图：标注“M个发射换能器阵列（间距0.5λ，λ为3kHz信号波长）、N个接收水听器阵列（均匀线阵，间距0.25λ）、信号发生器（采样率10kHz）、多普勒滤波模块（FPGA实现）、积累计算模块（CPU或GPU）”的连接关系；
    • 软件流程：分步骤说明“信号生成→发射→回波采集→波束形成→多普勒滤波→积累→判决”的软件模块（如“采用LabVIEW实现信号生成与采集，MATLAB实现滤波与积累算法，判决阈值通过‘虚警概率Pfa=10⁻⁶’计算”）。
• 信噪比（SNR）计算的完整推导：
  • 原文公式中“SNR定义”部分不完整（公式中断），需补充完整推导：
    1. 明确接收信号$x(t)=s(t-\\\\tau) + n(t)$中各分量的功率计算（如“信号功率$P_s=\\\\int_{0}^{T}|s(t-\\\\tau)|^2dt$，噪声功率$P_n=N_0B$，其中$B$为信号带宽）；
    2. 推导匹配滤波后的输出SNR（$SNR_{out}=2P_sT/N_0$），并结合多周期积累推导“MK次积累后的SNR提升量（相干积累提升MK倍，非相干积累提升√(MK)倍）”，为“多周期积累提升性能”提供理论支撑。

2. “结论与未来工作”的深化

• 结论部分：现有结论较简略，需补充研究的核心贡献总结，分点表述更清晰：
  1. 提出MIMO-CAS架构：通过“M个换能器×K个周期”生成MK路低互相关FDCW信号，解决传统MIMO单周期信号数量不足的问题；
  2. 设计多普勒滤波-多周期积累流程：在信噪比-30dB至5dB范围内，检测性能显著优于传统声呐，尤其在低信噪比（-30至-20dB）时，检测概率提升40%以上；
  3. 验证两种积累方式的适用性：相干积累适用于高信噪比、低相位误差场景，非相干积累适用于复杂信道（相位波动大）场景。
• 未来工作的可落地方向：
  • 原文提及“忽略帧间误差”“仅适用于非零径向速度目标”，需将其转化为具体研究计划：
    1. 帧间误差补偿：计划研究“基于卡尔曼滤波的帧间相位误差估计与补偿算法”，并通过水池实验验证（如“在目标径向加速度0.5m/s²场景下，补偿后相干积累性能下降幅度从20%降至5%”）；
    2. 零径向速度目标检测：探索“结合距离维高分辨率处理（如稀疏恢复算法）与多普勒滤波的融合方法”，突破当前技术局限；
    3. 硬件实验验证：后续将搭建水池实验平台（尺寸50m×30m×5m），使用实际弱目标（直径0.5m的金属球，信号功率-25dB）验证算法，补充实验数据与仿真结果的对比。

三、后续沟通建议

为更精准地指导你完成论文，需要先明确以下信息：

1. 目前论文已完成部分（如摘要、引言、方法、仿真）是否已达到投稿要求？是否有特定期刊的格式要求（如IEEE、Elsevier期刊的公式、图表格式）？
2. 后续优先推进“现有内容优化”还是“缺失模块补充”？例如是否急需先完善实验部分以补充数据？
3. 是否存在技术难点（如多普勒滤波的FPGA实现、帧间误差补偿算法推导）需要重点指导？

请你告知上述信息，我将为你制定更具体的分步执行计划（如“本周完成摘要补充与公式推导，下周推进仿真参数完善与结果拓展分析”），并协助解决过程中的技术问题。

1. 摘要与引言的细节补充

1 摘要修改（含量化补充与精准表述）

In this paper, we propose a moving weak target detection method utilizing multiple – input multiple – output continuous active sonar (MIMO – CAS) and Doppler filtering. A “weak target” herein is defined as a target whose signal power is 20 dB lower than the background reverberation, which is a typical scenario where traditional sonar systems struggle to achieve effective detection.

We begin by designing frequency diversity continuous wave (FDCW) pulse signals with extremely low cross – correlation coefficients (the peak of the cross – correlation function is approximately 50 dB lower than that of the autocorrelation function). The number of FDCW pulses is equal to the product of the number of transmitting transducers and the number of detection cycles. Secondly, we transmit these FDCW pulses using MIMO – CAS over multiple cycles with a small periodic interval, projecting a large amount of sound energy into the ocean channel. This energy is sufficient for detecting weak targets through the energy accumulation method. Next, we process the echoes from moving targets with different Doppler shifts using Doppler filters. For each FDCW pulse, we design a bank of Doppler filters based on the waveform and discrete Doppler shifts of the pulse. Finally, the Doppler – filtered outputs are accumulated coherently or incoherently in the range – Doppler domain to obtain a high – gain accumulated output.

MIMO – CAS makes full use of the Doppler filtering capability of FDCW pulses to suppress reverberation near zero Doppler shifts, while utilizing multi – cycle accumulation to suppress noise. Via numerical simulations, we demonstrate that MIMO – CAS significantly improves the detection performance of weak targets. Specifically, when the signal – to – noise ratio (SNR) is – 10 dB, the detection probability of MIMO – CAS reaches 1, whereas that of the traditional single – cycle active sonar is only 0.5. Even when the SNR decreases to – 13 dB, MIMO – CAS can still effectively detect a weak target moving at 3 m/s and located 20 km away, while the traditional single – cycle detection result is submerged in background noise, making target identification nearly impossible.

2 引言修改（含文献数据支撑与逻辑强化）

In the technical field of active sonar detection, the active sonar system that transmits signals using a single array element and receives signals with multiple array elements (i.e., single – input multiple – output, SIMO sonar) has long been the mainstream configuration [1, 2]. This type of traditional active sonar mainly adopts a repetitive periodic detection mode. To avoid mutual interference between echoes of adjacent cycles, it is necessary to set a sufficiently long detection cycle interval to ensure that the scattered signals from distant targets return before transmitting the detection signal of the next cycle. However, this long interval severely limits the number of cycles that can be accumulated within a limited time. For example, Sullivan et al. [1] pointed out in their research on SIMO active sonar systems that a single – element transmission – multi – element reception system can only complete 5 cycle accumulations within 100 seconds. Such a small number of accumulations leads to a low multi – cycle cumulative gain, making it extremely difficult to effectively detect weak targets (with signal power 20 dB lower than background reverberation).

Continuous active sonar (CAS) emits high – duty – cycle waveforms and offers superior tracking and identification performance compared to conventional pulsed active sonar (PAS). The CAS processing technique developed at the NATO Center for Maritime Research and Experimentation (CMRE) is described in [2], which uses subband processing to achieve faster update rates than PAS. Bates et al. [6] conducted an experiment to compare the detection performance of linear frequency modulation (LFM) PAS and LFM CAS waveforms under different signal – to – reverberation ratios (SRRs). The results showed that CAS waveforms can provide a higher target update rate through subpulse processing, which is particularly crucial in shallow water environments where reverberation is the main limiting factor for detection performance. However, CAS alone still faces challenges in improving the cumulative gain for weak target detection, as its single – channel transmission mode cannot increase the number of effective detection signals within a given time.

Multiple – input multiple – output (MIMO) sonar is an emerging detection technology in active hydroacoustic detection [7]. Dense MIMO sonar adopts an array similar to that of monostatic sonar and uses orthogonal transmitting waveforms to obtain waveform diversity gain, thereby improving target detection performance under certain conditions. Various methods have been proposed to enhance the detection performance of weak targets using MIMO sonar [8 – 11]. Nevertheless, MIMO sonar has an inherent limitation: the number of orthogonal signals emitted in a single cycle is strictly limited by the number of transmitting transducers. For instance, Wang et al. [8] noted in their study on iterative MIMO sonar target detection that an 8 – transducer MIMO system can only transmit 8 orthogonal signals in one cycle. This limited number of signals is far from meeting the requirements of weak target detection, which requires a large number of signal accumulations to improve the signal – to – noise ratio.

To address the aforementioned limitations of traditional SIMO sonar, standalone CAS, and MIMO sonar, this paper combines MIMO sonar and CAS modes for detection, terming the integrated system MIMO – CAS. To improve the detection performance of moving weak targets, we propose a detection method using MIMO – CAS and Doppler filtering. By using MIMO – CAS, we can utilize a small number of transmitting transducers to emit frequency diversity continuous wave (FDCW) pulses over multiple cycles. For example, with 2 transmitting transducers and 5 detection cycles, we can generate 10 FDCW signals (the product of the number of transducers and cycles). Through echo processing of these multiple signals, we obtain a large number of detection results, thereby achieving a higher multi – cycle cumulative gain. In this paper, we present the specific transmitting scheme and echo processing procedure based on the array layout and FDCW pulse design, and verify the effectiveness of MIMO – CAS through numerical simulations.

The rest of the paper is organized as follows: Section 2 outlines the theory and processing procedure of MIMO – CAS. Section 3 verifies the performance of MIMO – CAS using numerical simulations. Finally, Section 4 concludes the paper and proposes directions for future research.

3 修改说明与后续优化建议

3.1 修改说明

• 摘要：新增“弱目标”量化定义，明确研究对象的特征边界；补充2组关键实验数据（-10dB SNR下的检测概率对比、-13dB SNR下的目标检测能力），将抽象的“性能提升”转化为具体可量化的成果，符合学术论文摘要“精准、直观”的表述要求。
• 引言：针对传统SIMO声呐的局限性，引用文献[1]的“100秒仅5次周期积累”数据，量化“积累增益低”的问题；针对MIMO声呐的不足，结合文献[8]的“8个换能器仅发射8路信号”结论，凸显“单周期信号数量有限”的缺陷；同时在描述CAS时，关联文献[6]的“SRR对比实验”结果，强化CAS在浅水环境的优势，进而更自然地引出“MIMO – CAS融合三者优势”的研究必要性，逻辑链条更完整。

3.2 后续优化建议

• 文献引用格式核对：需确认目标投稿期刊（如IET Signal Processing）的文献引用规范（如正文引用是否需标注页码、参考文献列表格式是否为“作者. 标题[文献类型标识]. 期刊名, 年份, 卷(期): 起止页码”），例如文献[1]需补充完整页码（原文献[1]页码为1737 – 1755），文献[8]补充“Journal of Applied Acoustics, 2010, 29(01): 11 – 16”的完整信息，确保格式合规。
• 术语一致性检查：全文需统一“reverberation”的中文译法（建议全文使用“混响”，避免“ reverberation ”与“回声”混用），同时确认“frequency diversity continuous wave (FDCW)”“coherent accumulation（相干积累）”“incoherent accumulation（非相干积累）”等术语的表述一致性，避免出现缩写首次出现后未标注全称的情况。

问题

使用一个发射换能器同时发射多个频段的信号不行吗？

考虑白噪声的情况，考虑非白噪声的情况。考虑加入混响的情况，如何计算混响。

如何简单地计算混响

3. PROPOSED MIMO-CAS DETECTION METHOD

3.2 Transmitting Scheme and Signal Mode of MIMO-CAS

Consider a sonar detection system based on a MIMO array consisting of a transmitter array and a receiver array. Assuming that the sonar system is mounted on a stationary platform and there is a target under the water, we model the MIMO-CAS detection as follows.

Figure 2 illustrates the array structure. The transmitter array consists of M transmitter transducers. The receiving array consists of N receiving hydrophones. Arrange the receiver hydrophones in a straight line, where the receive hydrophones are arranged with uniform array element spacing. Set the direction of the receiving array axis as the x-direction, and the direction perpendicular to the x-direction as the y-direction.

We designed the FDCW pulse signals with low cross-correlation, tailoring them to match the number of transmitting transducers and the number of detection cycles of MIMO-CAS detection system. Assume that the number of transmitting transducers is M, and the number of detection cycles is K. The number of FDCW pulse signals is the product of the number of transmitting transducers and the number of detection cycles, MK. The FDCW pulse signals have the same pulse width, T, and the same frequency spacing, ∆f.

To ensure that the peak of the cross-correlation function is 50 dB below the peak of the autocorrelation function, we need to design the frequency spacing ∆f to be sufficiently large. This is crucial for distinguishing the signals and avoiding confusion between the echoes of different FDCW pulsed signals that may be reflected from a moving target. At the same time, the frequency spacing ∆f must be carefully designed to be large enough so that the Doppler shift of the target’s return does not interfere with the echo of neighboring FDCW pulsed signals, which could lead to incorrect target detection or tracking. To verify the rationality of ∆f selection, we conducted a simulation using MATLAB: when ∆f = 50 Hz, we calculated the cross-correlation and autocorrelation of two adjacent FDCW pulse signals (taking the signals of the 1st transducer in the 1st cycle and the 1st transducer in the 2nd cycle as examples). The results show that the peak value of the cross-correlation function is -52 dB, which is 52 dB lower than the peak value of the autocorrelation function (0 dB), fully meeting the design requirement of “cross-correlation peak below 50 dB”.

Figure 3 illustrates the emission pattern of MIMO-CAS, where M transmitting transducers emit the designed FDCW pulse signals in K cycles. M transmitting array elements transmit M FDCW pulse signals simultaneously at the kth detection cycle (k=1,2,…,K). The time interval, ∆T, between adjacent emission cycles is much smaller than the time interval employed by conventional active sonar. Thus, the transmitting array simultaneously transmits M mutually orthogonal FDCW pulse signals, and the expression for the FDCW pulse signals is:

$s_{m,k}(t) = A \cdot \text{rect}\left( \frac{t – t_{m,k}}{T} \right) \cdot \cos\left( 2\pi f_{m,k} t + \phi_{m,k} \right)$

Where $f_{m,k}$ is the center frequency of the pulse signal emitted by the mth transmitting transducer at the kth detection cycle, and its specific calculation formula is $f_{m,k} = f_0 + (m-1)\Delta f + (k-1)M\Delta f$ ( $f_0$ is the initial center frequency of the FDCW pulse signal, set to 3 kHz in this study; m = 1,2,…,M; k = 1,2,…,K ). This frequency allocation method ensures that the signals emitted by different transducers in the same cycle and the same transducer in different cycles do not overlap in the frequency domain, avoiding mutual interference between signals. $t$ denotes time, $T$ denotes the transmit signal pulse width, $\Delta T$ is the time interval between adjacent transmit cycles, $A$ denotes the signal amplitude, $\text{rect}(\cdot)$ is the rectangular window function ( $\text{rect}(x) = 1$ when $|x| \leq 0.5$, and $\text{rect}(x) = 0$ when $|x| > 0.5$ ), $\phi_{m,k}$ is the initial phase of the signal (set to 0 for simplicity in this study), and $t_{m,k} = (k-1)(T + \Delta T) + t_0$ ( $t_0$ is the initial transmission time, set to 0 in this study ).

The transmitting signal of the mth transmitting transducer at the kth detection cycle is $s_{m,k}(t)$ with the center frequency $f_{m,k}$ and pulse time $t \in [t_{m,k}, t_{m,k} + T]$. For simplicity, we consider the case where there is one target in the detection scene. The target is at angle $\theta$, distance $R$ from origin. Hence, the nth receiving array element captures the signal, which can be formulated as:

$x_{m,n,k}(t) = S \cdot s_{m,k}\left( t – \tau_{m,n,k} \right) \cdot \cos\left( 2\pi f_d t + \varphi_{m,n} \right) + r_{n}(t) + n_{n}(t)$

Where $S$ is the target scattering strength, $c$ is the sound velocity (set to 1500 m/s in this study), $\varphi_{m,n}$ is the phase delay from the mth transmitting transducer to the target and then to the nth receiving element ( $\varphi_{m,n} = \varphi_{m,\text{tx-target}} + \varphi_{\text{target-n,rx}}$, where $\varphi_{m,\text{tx-target}}$ is the phase delay from the mth transmitting transducer to the target, and $\varphi_{\text{target-n,rx}}$ is the phase delay from the target to the nth receiving element ), $v$ is the radial velocity of the target, $\tau_{m,n,k}$ is the time delay of the signal emitted by the mth transmitting transducer at the kth transmitting cycle ( $\tau_{m,n,k} = \frac{2R}{c} + (k-1)(T + \Delta T)$ ), $f_d$ is the Doppler shift of the target echo ( calculated by $f_d = \frac{2v f_{m,k}}{c}$, which is the core parameter for designing the subsequent Doppler filter ), $r_{n}(t)$ denotes the reverberation at the nth receiving element, and $n_{n}(t)$ denotes the noise at the nth receiving element.

3.3 Echo Processing Procedure of MIMO-CAS Detection

We conduct beamforming on the N-element receiving echo signals to yield a multitude of beamformed outputs. Consider the beam output pointing at the angle $\theta_q$, denoted as $y_q(t)$:

$y_q(t) = \sum_{n=1}^{N} w_{n,q} \cdot x_{m,n,k}(t) \cdot x_{m,n,k}^*(t)$

Where $(\cdot)^*$ stands for taking the conjugate, $w_{n,q}$ denotes the weight at the output of the nth receiving element ( set to 1 for uniform weight beamforming in this study ), and $\theta_q$ is the angle at the qth beam ( q = 1,2,…,Q, Q is the total number of beams ).

For the sake of simplicity, without loss of generality, we can use the received echo of a single receiving array element as the beam output. Alternatively, we can consider that only one receiving array element is used, since beam formation is not a priority in the proposed method. We will use $y(t)$ ( simplifying $y_q(t)$ ) as input for subsequent processing:

$y(t) = S \cdot s_{m,k}\left( t – \tau_{m,n,k} \right) \cdot \cos\left( 2\pi f_d t + \varphi_{m,n} \right) + r(t) + n(t)$

Where $\varphi_{m,n}$ is the phase delay from the target to the nth receiving element, $r(t)$ denotes the reverberation at the receiving element, and $n(t)$ denotes the noise at the receiving element.

Assume that the possible range of values for the target radial velocity is $v \in [v_{\text{min}}, v_{\text{max}}]$, where $v_{\text{min}}$ and $v_{\text{max}}$ denote the minimum and maximum radial motion velocity values of the target (The velocity in the following text refers to the radial motion velocity of the target if not otherwise specified.). Discretize the radial velocity of the target within the above range of values of the velocity to obtain L discrete radial velocity values. The lth discrete radial velocity is:

$v_l = v_{\text{min}} + (l-1) \cdot \Delta v$ ( $l = 1,2,…,L$ )

Where $\Delta v$ is the velocity discretization step ( set to 0.1 m/s in this study, ensuring that the discrete velocity covers all possible target radial velocity values ).

We design a set of matched filters based on the parameters of the MK FDCW pulse signals that are emitted. For each pulse signal, we create a group of L matched filters, corresponding to each discrete velocity. The design of the matched filter group is based on the discrete radial velocity $v_l$: first, calculate the Doppler shift $f_{d,l}$ corresponding to $v_l$ using the Doppler shift formula $f_{d,l} = \frac{2v_l f_{m,k}}{c}$; then, take the signal $s_{m,k}(t) \cdot \cos(2\pi f_{d,l} t)$ ( which simulates the target echo signal with Doppler shift $f_{d,l}$ ) as the reference signal of the matched filter. The impulse response function of the lth matched filter is crafted using the parameters of the impulse signal transmitted by the mth transducer during the kth detection cycle. The formula for this is as follows:

$h_{m,k,l}(t) = s_{m,k}(T – t) \cdot \cos\left( 2\pi f_{d,l} (T – t) \right)$

Where the subscript (m, k, l) denotes the serial number corresponding to the pulse signal emitted by the mth transmitting transducer at the kth detection cycle and the lth discrete velocity value, and $f_{d,l} = \frac{2v_l f_{m,k}}{c}$ is the Doppler shift signal designed using the pulse signal emitted by the mth transmitting transducer at the kth detection cycle and the lth discrete velocity value.

We have designed a total of MK matched filter groups for the MK FDCW pulse signals that are emitted. Within each group, there are a total of L matched filters, as represented by the above two equations. Processing the beam output $y(t)$ using the MK matched filter groups yields the results of MK detection cycles, and the corresponding matched filter output is:

$z_{m,k,l}(t) = y(t) * h_{m,k,l}(t)$

Where $*$ denotes the convolution operation.

It is assumed that the emitted signals are uncorrelated with the noise $n(t)$. There is the following equation:

$\int_{-\infty}^{+\infty} s_{m,k}(t – \tau) \cdot n(t) dt = 0$

Since the transmitting signal is designed based on the maximum Doppler shift generated by the target’s radial motion velocity, this transmit signal has a sufficiently large frequency spacing ∆f to ensure that the cross-correlation function of the FDCW pulse signal is low enough ( verified by MATLAB simulation: cross-correlation peak is -52 dB when ∆f = 50 Hz ). Therefore, the lth matched filter output of the parametric design of the pulse signal emitted by the mth transmitting transducer at the kth detection cycle can be expressed as:

$z_{m,k,l}(t) = S \cdot \int_{-\infty}^{+\infty} s_{m,k}(t – \tau – \tau_{m,n,k}) \cdot \cos\left( 2\pi f_d (t – \tau) + \varphi_{m,n} \right) \cdot h_{m,k,l}(\tau) d\tau + \int_{-\infty}^{+\infty} r(t – \tau) \cdot h_{m,k,l}(\tau) d\tau + \int_{-\infty}^{+\infty} n(t – \tau) \cdot h_{m,k,l}(\tau) d\tau$

Since the emitted signal is uncorrelated with the noise and the cross-correlation function of the FDCW pulse signals is low enough, the above equation can be written as:

$z_{m,k,l}(t) \approx S \cdot R_{s_{m,k}s_{m,k}}(\tau_{m,n,k}) \cdot \cos\left( 2\pi f_d t + \varphi_{m,n} – 2\pi f_{d,l} \tau_{m,n,k} \right) + z_{r,m,k,l}(t)$

Where $R_{s_{m,k}s_{m,k}}(\cdot)$ is the autocorrelation function of $s_{m,k}(t)$, and $z_{r,m,k,l}(t)$ is the reverberation component after matched filtering ( which will be further suppressed by multi-cycle accumulation in the subsequent steps ).

We combine the outputs of the L matched filters to derive the processing result for the pulse signal emitted by the mth transmitting transducer during the kth detection cycle. This combination yields the final output of the matched filter groups designed for the specific signal. We can describe the output of the processing using a matrix, $\mathbf{Z}{m,k} = [z{m,k,1}(t), z_{m,k,2}(t), …, z_{m,k,L}(t)]^T$.

We obtain MK groups of matched filter outputs by utilizing MK groups of matched filters. We accumulate these outputs. The echo processing procedure and multi-cycle accumulation of MIMO-CAS are shown in Figure 4.

Figure 4. Echo processing procedure and multi-cycle accumulation of MIMO-CAS. Input: Beamformed echo signal $y(t)$ ( after uniform weight beamforming of N-element receiving signals ); Key intermediate steps: 1. Velocity discretization ( divide target radial velocity range $[v_{\text{min}}, v_{\text{max}}]$ into L discrete values $v_1, v_2, …, v_L$ ); 2. Doppler filter group design ( design L matched filters for each FDCW pulse signal based on $v_l$ and Doppler shift formula $f_{d,l} = 2v_l f_{m,k}/c$ ); 3. Matched filtering ( convolve $y(t)$ with each matched filter to get $z_{m,k,l}(t)$ ); Output: MK groups of matched filter outputs $\{\mathbf{Z}{m,k}\}{m=1,k=1}^{M,K}$ ( each $\mathbf{Z}_{m,k}$ is an L-dimensional vector ), which are used as inputs for subsequent multi-cycle accumulation.

仿真回波特性

回波时域波形，每个阵元的频谱

信道传输函数的幅频响应

“仿真声纳目标回波”是通过数学建模、物理仿真或信号处理技术，模拟真实海洋环境中声纳发射声波与目标（如潜艇、舰船、鱼雷、水下结构等）相互作用后，反射回声纳接收端的信号过程。其核心是复现回波信号的关键特征，为声纳系统研发、性能测试、算法验证及人员训练提供可控、可重复的实验环境。

一、核心概念：声纳目标回波与仿真的意义

1. 真实声纳目标回波的本质

声纳通过发射换能器向水中发射声波信号（通常为低频/中频脉冲），声波在水中传播时遇到目标后发生反射、散射或绕射，部分能量沿原路径返回并被接收换能器捕获，形成“目标回波”。回波信号携带了目标的关键信息：

• 目标存在性：是否存在可探测目标；
• 目标特性：尺寸、形状、材质（如钢质舰船 vs 复合材料潜艇）、表面粗糙度（影响散射强度）；
• 运动状态：距离（回波时延）、速度（多普勒频移）、方位角（接收阵列相位差）；
• 环境信息：海洋声速剖面（影响传播路径）、海底/海面反射（多途效应）、海洋噪声（背景干扰）。

2. 仿真的核心价值

真实海试成本高、环境不可控（如天气、海洋噪声随机变化）、目标场景难复现（如新型潜艇回波无法实测），而仿真可解决这些问题：

• 低成本研发：无需实际海试，即可验证声纳信号处理算法（如目标检测、识别、跟踪）；
• 可控性强：可精确控制目标参数（如尺寸、速度）、环境参数（如噪声强度、声速梯度），孤立单一变量分析影响；
• 高安全性：避免真实武器目标（如鱼雷）测试的风险；
• 场景全覆盖：可模拟极端场景（如深海、高噪声、多目标交织）或虚构目标（如未来水下无人潜航器）。

二、仿真声纳目标回波的关键技术原理

仿真过程需分4个核心步骤，逐层复现回波信号的生成逻辑，最终输出与真实回波特征一致的时域/频域信号：

1. 步骤1：目标特性建模（回波的“源头”）

目标是回波的核心来源，需先建立目标的声学模型，核心参数包括：

• 目标强度（TS，Target Strength）：衡量目标反射声波的能力，定义为“目标远场回波声压与入射声压的比值”，与目标尺寸、形状、材质、入射角度强相关（如球体TS≈10log(D³)，D为直径；扁平目标正面入射TS远大于侧面）；
• 散射特性：非刚性目标（如水下生物、气泡群）会产生“散射回波”，需建模散射系数与声波频率、入射角度的关系；
• 结构细节：复杂目标（如舰船）需拆分部件（船体、螺旋桨、桅杆），分别计算各部件的回波贡献，再叠加得到总回波（“部件叠加法”）。

举例：模拟潜艇回波时，需考虑潜艇外壳的钢质材质（高反射率）、流线型外形（入射角度不同TS差异大）、指挥塔围壳的额外散射贡献。

2. 步骤2：海洋环境建模（回波的“传播通道”）

声波在水中传播时会受环境影响，需建模这些因素对回波的调制：

• 声速剖面（SSP，Sound Speed Profile）：海水温度、盐度、深度决定声速，声速梯度会导致声波“折射”（如深海声道可让声波远距离传播），需用射线理论或波动理论计算声波传播路径；
• 海洋噪声：背景干扰源，包括风成噪声（海面风浪）、船舶噪声（远处舰船）、热噪声（海水分子热运动），需用统计模型（如Pierson-Moskowitz谱）生成噪声信号；
• 多途效应：声波除直接反射（直达波）外，还会经海底、海面反射后到达接收端（多途波），导致回波信号出现“时延扩展”（如浅海环境中多途波与直达波时差可达数十毫秒）；
• 传播衰减：声波随距离衰减，包括几何扩散（球面波衰减，与距离平方成反比）、吸收衰减（海水吸收声波能量，低频衰减更小）、散射衰减（海中悬浮颗粒散射）。

3. 步骤3：声传播与回波计算（信号的“生成逻辑”）

基于目标模型和环境模型，计算声波从发射到接收的完整过程：

1. 发射信号建模：生成声纳发射的原始信号（如矩形脉冲、线性调频脉冲LFM、编码脉冲），定义其频率、脉宽、幅度；
2. 入射声波计算：根据声速剖面和传播路径，计算声波到达目标时的声压、相位、入射角度；
3. 目标反射计算：结合目标TS和散射特性，计算目标反射后的声波幅度、相位变化（如材质吸收导致幅度衰减，目标运动导致多普勒频移）；
4. 回波传播计算：反射声波沿原路径（或多途路径）返回接收端，叠加传播衰减、多途效应和海洋噪声；
5. 接收端信号模拟：模拟声纳接收换能器的灵敏度、阵列增益，将回波信号转换为电信号，叠加电路噪声。

4. 步骤4：回波信号输出与验证（结果的“真实性校验”）

最终生成时域（如脉冲波形）或频域（如频谱、功率谱）的回波信号，并通过以下方式验证真实性：

• 特征比对：将仿真回波的TS、多普勒频移、时延扩展与真实海试数据（或理论计算值）对比；
• 主观验证：让声纳操作人员判断仿真回波与真实回波的“听觉相似度”（如主动声纳回波的“脉冲特征”）；
• 算法验证：用成熟的目标检测算法（如恒虚警率CFAR）测试仿真回波，若算法性能与真实场景一致，则仿真有效。

三、常用仿真方法与工具

根据建模精度和应用场景，仿真方法可分为3类，工具也各有侧重：

仿真方法	核心原理	适用场景	常用工具/平台
射线理论法	将声波视为“射线”，忽略波动干涉，计算射线传播路径	远场、高频（>1kHz）、大尺度目标（如舰船）	商用：RAM（Range-dependent Acoustic Model）、BELLHOP；开源：Python acoustic_toolbox
波动理论法	基于波动方程（如亥姆霍兹方程），精确计算波的干涉、衍射	近场、低频（<1kHz）、复杂目标（如潜艇）	商用：COMSOL Multiphysics（多物理场耦合）、FEKO（电磁/声学统一建模）；开源：FDTD（时域有限差分法）代码
统计仿真法	基于回波的统计特征（如幅度服从瑞利分布、相位均匀分布）生成信号	快速验证算法（如目标检测、跟踪）	MATLAB/Python（自定义统计模型）、LabVIEW（实时信号生成）

此外，还有半实物仿真（将仿真回波通过硬件接口输入真实声纳接收系统，验证硬件性能），常用工具如NI PXI平台（信号发生器+数据采集卡）。

四、影响仿真精度的关键因素

仿真回波的真实性取决于对以下因素的建模精度：

1. 目标细节建模：忽略目标小部件（如螺旋桨、散热孔）会导致TS计算偏差，进而影响回波幅度；
2. 环境动态性：真实海洋环境（如声速剖面、噪声）是时变的，静态环境模型会低估回波的随机性；
3. 多物理场耦合：如目标运动导致的“多普勒频移”与“姿态变化”（如潜艇倾斜）的叠加效应，需同步建模；
4. 噪声与混响：海洋噪声的非平稳性（如突发舰船噪声）、海底混响（浅海环境中回波与混响难区分）若建模粗糙，会导致仿真场景与真实差异大。

五、技术挑战与发展趋势

1. 当前挑战

• 复杂目标建模难：非刚性目标（如水下机器人柔性外壳）、动态目标（如鱼雷高速运动时的流场干扰）的声学特性难以精确建模；
• 实时仿真需求高：声纳系统测试和人员训练需“实时生成回波”，但复杂环境（如多目标+多途效应）的计算量极大，难以满足实时性；
• 真实数据缺乏：仿真验证需大量真实海试数据，但敏感目标（如军用潜艇）的回波数据稀缺，导致仿真精度难以校准。

2. 发展趋势

• AI辅助建模：用深度学习（如CNN、Transformer）学习真实回波特征，快速生成高保真仿真回波，减少对物理模型的依赖；
• 数字孪生技术：构建“海洋环境+目标+声纳”的全数字孪生系统，实现回波仿真与真实场景的实时联动（如调整数字孪生中的目标运动，立即生成对应的回波变化）；
• 多域协同仿真：融合声学、流体力学、电磁学仿真，更全面地模拟目标运动（如舰船航行时的流场对回波的影响）。

综上，仿真声纳目标回波是连接声纳理论研究与工程应用的关键技术，其核心目标是“以虚代实、以虚补实”，推动声纳系统向更高探测精度、更强抗干扰能力发展。

时反处理技术

声纳系统中的时反处理技术

时反处理技术（Time Reversal Processing, TRP）是一种基于声波传播时间反转对称性的信号处理方法，核心是利用声波在复杂介质（如海洋）中传播的“可逆性”，通过对接收信号进行时间反转后重新发射，实现对目标的自适应聚焦、干扰抑制和环境补偿。该技术从根本上解决了传统声纳在复杂海洋环境（多途效应、声速不均匀、海底/海面反射）中性能下降的问题，已成为现代高性能声纳系统的关键技术之一。

一、核心原理：声波的时间反转对称性

时反处理的物理基础是波动方程的时间反转不变性——即如果将声波传播过程中的“时间”变量取反（$t \to -t$），声波会沿原路径反向传播，最终聚焦于初始声源位置。

具体到声纳系统，这一特性可转化为“接收-时反-发射”的闭环处理逻辑：

1. 信号接收：声纳接收阵列采集目标反射的声波（或目标自身辐射的声波），此时信号已因海洋环境（多途、散射、声速梯度）产生畸变；·
2. 时反处理：对每个接收阵元的信号进行“时间反转”（即将信号的时间序列倒序排列），本质是对信号的相位进行补偿（抵消环境引入的相位畸变）；
3. 重新发射：将时反后的信号通过发射阵列重新辐射到水中，此时所有信号会沿原传播路径反向叠加，最终自适应聚焦于目标位置。

二、声纳系统中时反处理的关键技术环节

时反处理的性能依赖于接收阵列、时反算子设计、环境适应性等多个环节，核心技术要点如下：

1. 接收/发射阵列设计

阵列是时反处理的“物理载体”，其规模、阵元间距直接影响聚焦精度：

• 阵列规模：阵元数量越多，对信号的相位补偿越精细，聚焦光斑（即聚焦区域的空间尺寸）越小，定位精度越高；
• 阵元间距：需满足“奈奎斯特采样定理”（间距不大于水中声波波长的1/2），避免空间混叠；
• 阵列形态：可采用线阵、面阵或体积阵，其中面阵/体积阵在三维空间聚焦能力上优于线阵，更适用于复杂水下环境。

2. 时反算子的实现

时反处理的核心是“时反算子”（Time Reversal Operator, TRO），用于对接收信号进行相位和幅度校正，常见实现方式有两种：

• 匹配场时反算子：结合海洋环境模型（如声速剖面、海底地形），通过“匹配场处理”计算每个阵元的时反权重，适用于环境先验信息较明确的场景；
• 自适应时反算子：无需环境模型，直接通过接收信号的协方差矩阵自适应计算权重，能实时补偿环境变化（如突发的声速扰动），是当前主流方案。

3. 多途效应的利用（而非抑制）

传统声纳将“多途效应”（声波经海面、海底反射后形成的多条传播路径）视为干扰，需通过滤波、均衡等方法抑制；而时反处理主动利用多途效应——多途信号本质是“不同路径的目标回波”，时反后这些信号会在目标位置叠加，反而增强聚焦能量，提升信噪比（SNR）。

例如：在浅海环境中，目标回波可能包含“直达波”“海面反射波”“海底反射波”3条路径，时反处理后，3条路径的信号会同时聚焦于目标，能量叠加后聚焦峰值可提升3~10倍。

三、时反处理在声纳系统中的核心优势

相较于传统声纳信号处理技术（如匹配滤波、波束形成），时反处理的核心优势体现在对复杂环境的“自适应性”和“鲁棒性”：

技术特性	传统声纳技术	时反处理技术
环境适应性	依赖精确环境先验信息（声速剖面、地形），环境变化时性能骤降	无需或仅需少量环境信息，自适应补偿环境畸变
多途效应处理	视为干扰，需抑制（易损失目标能量）	视为有效信号，主动利用（增强聚焦能量）
聚焦精度	受环境扰动影响大，聚焦光斑大	自适应聚焦，光斑尺寸接近“衍射极限”
抗干扰能力	对强干扰（如噪声源、混响）抑制能力弱	聚焦能量集中于目标，旁瓣干扰自动抑制
硬件复杂度	需复杂的环境建模与滤波算法	算法逻辑简洁，可通过阵列硬件直接实现

四、典型应用场景

时反处理技术已广泛应用于主动声纳、被动声纳及水下探测任务，典型场景包括：

1. 主动声纳目标探测与定位

• 应用场景：浅海潜艇探测、水下机器人（AUV）定位、沉船/水雷搜索；
• 技术价值：在多途严重的浅海环境中，时反处理可将目标回波的信噪比提升10~20dB，探测距离延长30%以上，同时实现对小目标（如小型水雷）的高精度定位（定位误差≤1米）。

2. 被动声纳声源聚焦

• 应用场景：水下噪声源定位（如潜艇辐射噪声、水下设备故障噪声）、海洋生物声学（如鲸类声源追踪）；
• 技术逻辑：被动声纳无主动发射环节，通过接收阵列采集声源辐射的声波，对信号进行时反后，利用阵列的空间相干性计算声源位置（本质是“虚拟发射”后的聚焦点定位），无需主动暴露自身。

3. 水下通信增强

• 延伸应用：虽非声纳核心功能，但时反处理可用于水下 acoustic 通信——通过时反聚焦将通信信号能量集中于接收端，降低海洋噪声和多途对通信速率的影响，适用于远距离（>10km）水下低速通信。

五、技术挑战与发展趋势

尽管时反处理优势显著，但实际应用中仍面临以下挑战：

1. 现存技术瓶颈

• 实时性限制：大规模阵列（如128阵元以上）的时反算子计算需较高算力，传统硬件（如FPGA）难以满足实时处理需求（尤其是主动声纳的“发射-接收-时反”闭环）；
• 阵列规模与成本平衡：阵元数量越多，聚焦效果越好，但硬件成本、部署难度（如水下阵列的安装与维护）也随之增加；
• 强干扰下的旁瓣抑制：当存在多个干扰源（如其他舰船噪声）时，时反聚焦可能出现“旁瓣峰值”（即能量误聚焦于干扰源），需结合自适应波束形成进一步优化。

2. 未来发展趋势

• 与机器学习融合：利用深度学习（如CNN、Transformer）优化时反算子计算，提升实时性和抗干扰能力（例如通过数据驱动的方式自动抑制旁瓣）；
• 小型化与轻量化：研发基于MEMS（微机电系统）的微型声纳阵列，结合压缩感知技术，在减少阵元数量的同时保证聚焦精度，适用于小型AUV、水下传感器节点；
• 三维时反聚焦：发展体积阵时反技术，实现对水下三维空间目标的精准聚焦（突破传统线阵/面阵的二维聚焦局限），适用于深海立体探测。

总结

时反处理技术通过“利用环境而非对抗环境”的创新思路，彻底改变了传统声纳在复杂海洋环境中的处理逻辑，其核心价值在于自适应聚焦、环境鲁棒性和多途利用。随着算力提升与硬件小型化的推进，该技术将在未来水下探测、反潜作战、海洋开发等领域发挥更关键的作用，成为下一代高性能声纳系统的核心支撑技术之一。

要全面理解时反处理技术在声纳系统中的定位，需将其与声纳领域其他关键技术（如传统波束形成、匹配场处理、自适应波束形成、合成孔径声纳）从原理、环境适应性、性能特性等维度进行对比。这些技术各有核心优势与适用场景，共同构成现代声纳的信号处理体系。

时反处理技术与声纳其他关键技术的对比分析

对比框架说明

本次对比选取声纳系统中最具代表性的5类核心技术，围绕核心原理、环境适应性、关键优势、主要局限性、典型应用场景5个维度展开，清晰呈现各类技术的定位差异：

• 时反处理技术（TRP）：基于声波时间反转对称性的自适应聚焦技术；
• 传统波束形成（Conventional Beamforming, CBF）：最基础的空间滤波技术；
• 匹配场处理（Matched Field Processing, MFP）：依赖环境模型的高精度定位技术；
• 自适应波束形成（Adaptive Beamforming, ABF）：针对干扰优化的空间滤波技术；
• 合成孔径声纳（Synthetic Aperture Sonar, SAS）：通过运动合成大孔径的高分辨率成像技术。

多技术维度对比表

对比维度	时反处理技术（TRP）	传统波束形成（CBF）	匹配场处理（MFP）	自适应波束形成（ABF）	合成孔径声纳（SAS）
核心原理	利用声波时间反转对称性，接收信号时反后重新发射，沿原路径反向聚焦于目标（“接收-时反-发射”闭环）	基于阵列阵元相位叠加，通过固定权重（如延迟-求和）将阵列波束指向目标方向，抑制其他方向信号	结合海洋环境模型（声速剖面、海底参数），计算理论声场与接收声场的“匹配度”，定位目标	通过实时优化阵元权重（如最小方差无失真响应MVDR），在抑制干扰的同时保留目标信号	利用声纳平台运动（如AUV、舰船），将不同位置的接收信号合成“虚拟大孔径”，突破物理孔径分辨率限制
环境适应性	极强，无需精确环境模型，可自适应补偿多途、声速梯度、散射等复杂环境畸变（“利用环境而非对抗环境”）	弱，仅适用于声速均匀、多途弱的简单环境（如深海），环境畸变会导致波束展宽、旁瓣升高	强依赖精确环境先验信息，环境参数（如声速剖面）误差超过5%即性能骤降	中等，可抑制固定方向干扰，但对时变环境（如突发声速扰动）适应性有限	中等，受平台运动精度（如姿态、位置误差）影响大，复杂海流会降低成像分辨率
关键优势	1. 自适应聚焦，光斑接近衍射极限；<br>2. 主动利用多途效应，提升信噪比；<br>3. 算法简洁，硬件易实现	1. 算法简单，实时性极强（毫秒级处理）；<br>2. 硬件成本低，适用于小型声纳；<br>3. 对算力需求极低	1. 突破“瑞利极限”，可实现超分辨定位；<br>2. 适用于远距离（>50km）深海目标探测	1. 针对性抑制强干扰（如噪声源、混响）；<br>2. 比CBF具有更高的信噪比增益	1. 分辨率极高（可达厘米级），远超同孔径传统声纳；<br>2. 可生成目标精细图像（如海底地形、沉船结构）
主要局限性	1. 大规模阵列（>128阵元）实时处理算力需求高；<br>2. 强干扰下可能出现旁瓣误聚焦；<br>3. 被动声纳中需依赖声源辐射信号	1. 分辨率低（受物理孔径限制）；<br>2. 多途/干扰环境下旁瓣抑制能力差；<br>3. 无法补偿环境畸变	1. 环境建模复杂，参数误差敏感；<br>2. 算法复杂度高，实时性差（秒级处理）；<br>3. 浅海多途环境下匹配度低	1. 权重计算依赖协方差矩阵，样本不足时性能不稳定；<br>2. 对目标方向误差敏感（波束指向偏差会导致信号衰减）	1. 平台需匀速直线运动，机动性差；<br>2. 成像时间长（需覆盖足够大的运动距离）；<br>3. 硬件对运动精度要求高（需GPS/INS辅助）
典型应用场景	1. 浅海潜艇/水雷探测（多途环境）；<br>2. 水下机器人（AUV）高精度定位；<br>3. 被动噪声源聚焦（如鲸类追踪）	1. 小型渔用声纳（鱼群探测）；<br>2. 近距离（<10km）简单环境目标警戒；<br>3. 低成本水下传感器节点	1. 深海反潜战（远距离目标定位）；<br>2. 海底声源（如地震活动）监测；<br>3. 海洋声学 tomography（海洋声速剖面反演）	1. 舰船反潜声纳（抑制海洋噪声/混响）；<br>2. 港口安防声纳（抑制岸边干扰）；<br>3. 水下通信抗干扰接收	1. 海底地形测绘；<br>2. 沉船/水雷精细成像识别；<br>3. 水下考古（如古代沉船结构探测）

核心技术定位与互补性分析

各类技术并非“替代关系”，而是根据环境复杂度、任务需求（探测/定位/成像）、硬件成本形成互补，实际声纳系统常采用“多技术融合”方案：

1. 环境复杂度维度

• 简单环境（深海、低噪声）：优先选择传统波束形成（CBF）（低成本、高实时性）或匹配场处理（MFP）（超分辨定位）；
• 复杂环境（浅海、多途/干扰强）：时反处理（TRP） 是最优选择（自适应补偿环境畸变），可结合自适应波束形成（ABF） 进一步抑制旁瓣干扰；
• 高精度成像需求：合成孔径声纳（SAS） 是唯一能实现厘米级分辨率的技术，常与TRP结合（TRP用于聚焦目标，SAS用于精细成像）。

2. 任务需求维度

任务类型	首选技术组合
快速目标警戒（近距离）	传统波束形成（CBF）
远距离高精度定位（深海）	匹配场处理（MFP）+ 自适应波束形成（ABF）
复杂环境探测（浅海）	时反处理（TRP）+ 自适应波束形成（ABF）
目标精细成像（如识别）	合成孔径声纳（SAS）+ 时反处理（TRP）（TRP补偿环境畸变，提升SAS成像质量）
被动噪声源追踪	时反处理（TRP）（无需主动发射，自适应聚焦声源）

3. 技术融合趋势

现代高端声纳系统（如军用反潜声纳、深海探测声纳）已普遍采用“时反处理为核心，融合其他技术”的架构：

• 例1：浅海反潜声纳 → TRP（聚焦目标+利用多途）+ ABF（抑制干扰）+ MFP（辅助远距离定位）；
• 例2：水下机器人探测系统 → TRP（AUV定位+目标聚焦）+ SAS（目标成像识别）。

总结

时反处理技术的核心竞争力在于对复杂环境的“自适应性”和“鲁棒性”——它不依赖精确的环境模型，而是通过声波的物理特性实现自适应聚焦，这是传统波束形成、匹配场处理等技术无法替代的。

其他技术则在特定场景中发挥不可替代的作用：

• 传统波束形成是“低成本、高实时性”的基础方案；
• 匹配场处理是“深海远距离超分辨定位”的核心；
• 自适应波束形成是“强干扰抑制”的关键补充；
• 合成孔径声纳是“高精度成像”的唯一选择。

未来声纳技术的发展方向，将是围绕时反处理构建多技术融合体系，结合机器学习（提升实时性与抗干扰能力）、MEMS微型阵列（降低硬件成本），进一步突破复杂海洋环境下的探测、定位与成像极限。