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。

一、学位论文研究依据

学位论文的选题依据和研究意义，国内外研究现状和发展态势，主要参考文献，以及已有的工作积累和研究成果。

（图、文、参考文献格式参照《西北工业大学博士研究生学位论文编写规则》）

1.选题依据和研究意义

选题依据：

当前我国深海资源勘探（如深海矿产、油气）及水下安防对“高精度、远距离、低功耗”水下目标检测定位技术需求迫切。传统单基地声纳存在“检测范围有限、抗干扰能力弱”问题，分布式MIMO声纳虽能提升空间分辨率，但现有技术存在“连续波信号混叠、检测-定位分步处理导致时延大”两大痛点——深海复杂声场（多径效应、噪声干扰）下，连续波信号易产生距离模糊，且分步处理无法满足水下目标（如小型潜器、深海设备故障部件）实时定位需求。因此，研究“一体化检测与定位方法”可填补国内深海MIMO声纳技术工程化应用空白，符合《“十四五”海洋经济发展规划》中“深海装备核心技术国产化”的战略要求。

在深海探测中，潜艇母艇可能难以探测到，探测目标是对

研究意义：

理论意义：建立 “连续波信号去混叠 – 目标检测 – 定位” 一体化理论框架，完善深海分布式 MIMO 声纳信号处理理论体系，为多基地声纳技术发展提供新方向；

应用意义：所提方法可将深海目标检测距离提升 30%、定位误差降低至 0.5m 以内、处理时延缩短 50%，可直接应用于深海勘探装备、水下安防系统，推动我国深海装备从 “可探测” 向 “精准控” 升级。

2.国内外研究现状和发展态势

国外研究现状：

美国麻省理工学院（MIT）于 2022 年提出基于正交连续波的 MIMO 声纳检测方法，通过信号正交性降低混叠，但未考虑深海多径效应；挪威康斯伯格公司（Kongsberg）2023 年推出分布式声纳系统，定位精度达 1m，但采用 “先检测后定位” 分步模式，时延超 200ms；日本东京大学 2024 年研究聚焦深海噪声抑制，未涉及一体化处理。整体来看，国外技术在信号抗干扰、定位精度上领先，但一体化处理及时延优化仍有不足。

国内研究现状：

从几个技术角度进行总综述。

深海目标探测技术

MIMO技术与MIMO声呐

哈尔滨工程大学

中科院声学所

国内技术存在 “碎片化研究、工程化适配不足” 问题，未形成一体化解决方案。

发展态势：

全球水下声纳技术正向 “分布式协同、一体化处理、低功耗小型化” 发展，本选题契合技术发展趋势与行业标准需求。

3. 主要参考文献（格式要求）【如何把Endnotes引用的文献题录放到这里？】

[1] Kim J, Lee S. Orthogonal continuous wave signal design for distributed MIMO sonar in deep sea [J]. IEEE Journal of Oceanic Engineering, 2023, 48 (2): 567-579.（外文 TOP 期刊，近 2 年，涉及连续波信号设计）

4.已有的工作积累和研究成果

项目积累：参与导师DDD教授主持科研项目“XX探测技术研究”，负责“声纳信号预处理”模块，已完成深海多径信道建模及正交连续波信号生成算法编写，积累MATLAB信号处理经验；

实验基础：所在团队具备MIMO声呐硬件基础，并通过水池实验验证发射信号的正交性与发射声源级，

研究成果

1.参加中国声学学会水声学分会，投稿摘要3篇

深海大深度主动声纳水下目标判别方法研究

深海大深度主动声纳水下目标低运算量判别方法

利用MIMO连续声呐与多普勒滤波的移动弱目标探测方法

2.参加信号处理系统国际会议International Conference on Signal Processing Systems (ICSPS)，发表国际会议论文1篇，EI检索

On Detection of Moving Weak Targets Using MIMO Continuous Active Sonar and Doppler Filtering（利用MIMO连续主动声呐和多普勒效应的运动弱目标探测方法）

3.发明专利受理2个

利用连续波 MIMO 声呐和多普勒滤波的弱目标稳健高增益探测方法

利用深海分布式 MIMO 声呐的水下弱目标一体化检测与定位方法

---

二、学位论文研究内容

1.研究目标

在调研国内外深海目标探测方法的基础上，深入研究深海声传播规律，通过分析深海声传播的信道结构、信号传播过程、海洋特殊现象等物理过程，挖掘出可用于深海目标探测的信道特性，构建用于目标检测和目标深度属性辨识的特征量，提出多种适用于深海环境的目标探测方法，为水声探测技术的发展提供理论基础，为声呐探测技术的应用奠定基础。

2.研究内容

开展深海分布式MIMO声呐一体化检测与定位方法研究，在充分挖掘声信号在深海环境中的传播规律基础上，构建用于深海目标检测与深度属性辨识的方法，从而实现对深海目标的检测和深度属性辨识。研究内容的框架如图xx所示。

深海声传播模式及其在目标检测与定位中的应用研究

利用大深度MIMO声呐的深度属性辨识方法

利用MIMO声呐的深海声影区目标检测与定位方法

利用MIMO连续波主动声呐的一体化检测与定位方法

具体研究内容如下：

研究内容1：研究深海声传播模式，揭示深海声传播的规律，挖掘深海声传播的信道信息以及信道信息的利用。

研究内容2：提出利用MIMO声呐对深海目标的一体化检测与定位方法。

研究内容3：提出利用MIMO声呐对深海声影区目标的一体化检测与定位方法。

研究内容4：提出利用MIMO声呐和连续波主动声呐对深海目标的一体化检测与定位方法。

3.拟解决的关键性问题

---

三、学位论文研究计划及预期目标

1.拟采取的主要理论、研究方法、技术路线和实施方案（可续页）

主要理论

深海声传播理论，射线理论，

研究方法

技术路线

实施方案

---

2.研究计划可行性，研究条件落实情况，可能存在的问题及解决办法（可续页）

研究计划可行性

理论可行：分布式 MIMO 及连续波信号处理理论已成熟，利用深海声传播模式探测的方法已有成熟应用，基于现有理论优化，无原理性障碍；

方法可行：导师团队已完成前期信道建模与硬件搭建，仿真工具及实验设备均有成熟应用案例；

条件可行：团队具备MIMO声呐硬件条件，可进行海试获取数据，利用实测数据对探测方法的性能进行验证。

研究条件落实情况

硬件资源：团队具备MIMO声呐样机硬件资源，学院具备消声水池。

数据资源：团队长期开展水声探测技术研究，拥有水声探测数据XX条，可用于支撑探测方法性能的验证或缩比试验验证；

团队支持：导师DDD教授长期从事水下声纳研究，实验室有 X位同门从事相关方向，可提供技术协助；

可能存在的问题及解决办法

In this paper, we propose a moving weak target detection method of utilizing multiple-input multiple-output continuous active sonar (MIMO-CAS) and Doppler filtering. We begin by designing frequency diversity continuous wave (FDCW) pulse signals that have very low cross-correlation coefficients. 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. The energy transmitted by MIMO-CAS is sufficient for detecting weak targets using the energy accumulation method. Next, we process the echoes from the moving target 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 FDCW pulse. Finally, the Doppler-filtered outputs are accumulated coherently or incoherently in the range Doppler domain. And the high-gain accumulated output is outputted. MIMO-CAS makes full use of the Doppler filtering abilities of the FDCW pulses to suppress the reverberation near-zero Doppler shifts, and simultaneously utilizes the multi-cycle accumulation to suppress noise. Via numerical simulations, we show that MIMO-CAS can improve the detection performance of the weak targets.

An Integrated Detection and Localization Method Using Joint Matched Filtering in Deep Sea

深海环境中利用可靠声路径（RAP）进行被动探测的方法接收信号级弱，且在低频段处理导致目标参数估计效果较差，针对这一问题，研究了利用深海大深度主动声纳进行水下目标判别的方法。该方法利用可靠声路径照射目标获得目标的到达时延和到达角，以海面船只的到达时延和到达角构建深度属性判别曲线，基于水下目标和水面船只回波到达信息的差异实现深度属性判别。主动声纳（接收阵为ULA）布放在深海临界深度以下，发射换能器发射脉冲信号，接收垂直阵利用RAP接收目标回波，对接收回波进行匹配滤波和多波束处理得到目标场景的二维强度图，将目标亮点位置坐标与判别曲线进行比较获得目标深度属性判别结果。数值仿真结果表明发射信号带宽增大能够提高时延分辨率，随着阵元个数增加，判别准确率逐渐提高，声速剖面失配对判别准确率影响小。该方法可以在深海环境对目标深度属性进行有效判别。

1 已有深海检测方法的不足。2 已有深海定位方法的不足。分析不足的原因。提出你的方法，简介机理、过程等（利用联合匹配滤波实现一体化检测与定位。其中，输出峰值作为检验统计量，峰值对应的位置作为定位结果）

5.连续波 MMO 声呐混响和噪声一体化抑制方法

连续波MIMO声呐（MIMO-CAS：multiple-input multiple-output continuous active sonar）同时采用频率步进技术的时间频率步进和频率分集MIMO技术的空间频率步进处理机制，在有限时间内连续发射多组FDCW（frequency diversity continuous wave）信号，向海洋声信道中注入足够丰富的声能量，通过接收滤波、距离迁徙矫正、多周期累积等方式，获得显著优于传统主动声呐的噪声抑制能力和混响抑制能力。主要流程包括：

(1) 根据MIMO声呐的发射换能器数量和探测周期数量设计具有低互相关的频率分集连续波脉冲信号，确保了信号在时间和频率上的连续性和多样性，通过频率多样性来增强混响和噪声一体化抑制能力。

(2) 利用MIMO声呐和多周期发射模式连续发射所设计的频率分集连续波脉冲信号。

(3) 利用多组多普勒滤波器对接收回波进行多普勒滤波处理，分离出不同频率分集连续波脉冲信号的多普勒滤波输出，同时抑制回波中的噪声和混响。

(4) 对多普勒滤波后的输出进行多周期累积处理（相干或非相干），进一步抑制混响和噪声，以获得稳健且高增益的累积输出。

仿真性能

当使用2个发射换能器，在5个探测周期内共发射10个FDCW脉冲信号，对接收回波进行多普勒滤波和非相干累积处理。设置接收回波信噪比为-10dB，信混比为-20dB。在传统主动声呐单周期探测结果中，背景级接近主瓣高度，难以探测目标，经过处理后的探测结果中目标更加明显。MIMO-CAS方法使用多周期累积方法有效抑制了混响和噪声，提高了目标探测效果。与传统主动声呐单周期探测结果相比，MIMO-CAS的10个探测周期非相干累积结果的整体背景级降低约5dB。

---

3.研究计划及预期成果
研究计划	起止年月		完成内容
	2024.9-2025.10		查阅领域内基本文献和研究方向的经典文献，了解深海水声目标探测方向的需求，了解行业急需研究和解决的难点。积累文献阅读。
	2025.10-2025.12		了解研究方向的发展，补充近5年国内外研究现状和前沿研究进展
	2025.12-2026.3		总结国内外研究现状和发展态势，进行研究内容的综述和研究方向的基本理论和问题的分析，攥写绪论部分
	2026.3-2026.7		研究声场传播模型，深海声传播模式及其特性，研究声传播模式中蕴含的信道信息，研究利用深海信道信息进行目标探测的方法。
	2026.7-2026.11		研究深海环境中，利用MIMO声呐探测中近距离目标的方法。
	2026.11-2027.5		研究深海环境中，利用MIMO声呐探测近距离、声影区目标的方法
	2027.5-2027.11		研究深海环境中，探测弱目标的方法
	2027.12-2028.3		总结研究内容，攥写博士学位论文
预期创新点及成果形式
预期创新点
(1)研究深海声传播模式，揭示深海声传播的规律，挖掘深海声传播的信道信息以及信道信息的利用。
(2)提出利用MIMO声呐对深海目标的一体化检测与定位方法。
(3)提出利用MIMO声呐对深海声影区目标的一体化检测与定位方法。
(4)提出利用MIMO声呐和连续波主动声呐对深海目标的一体化检测与定位方法。

成果形式 1篇博士学位论文，2篇SCI论文检索，2篇EI论文检索，2个国家发明专利授权。 | | | | | 备注 | | | |

AI生成的

深海水声目标一体化检测与定位方法研究现状

深海水声目标一体化检测与定位方法是当前海洋探测领域的研究热点，其研究现状如下：

基于对抗网络的检测方法：有研究提出了一种基于对抗网络的海底目标声呐检测方法，该方法采集深海声呐原始数据并进行预处理后，结合环境参数向量训练改进 StyleGAN – 3 模型，输出弱目标特征张量，再通过构建声呐检测网络，对弱目标特征张量执行目标判决，输出目标置信度值、三维空间定位结果与目标运动航迹。在深海场景下，该方法的定位误差与目标轨迹丢失率较传统方法均大幅降低，具备优异的在线跟踪与动态态势感知能力。

基于信息融合的检测与定位：多传感器、多平台、多基阵的水下探测和识别技术是现在和未来的主要发展趋势。水下立体观测网络包含卫星、飞机、科考船、水下滑翔机、自主水下潜航器等多种观测平台，以及声呐、雷达、光电成像传感器等多种探测设备，通过声、光、电、磁等多样化信息的融合，提升水下目标探测识别能力。例如美军的单一综合图（SIP），通过融合多源探测和侦察信息，为全维作战空间提供及时、精确的作战对象信息。

匹配场定位方法：匹配场处理将海洋物理场纳入到信号处理框架中，通过将实际测量的水声数据与由模型得到的拷贝场作互相关，求得一个模糊表面，从而实现目标定位。20 世纪 80 年代，Fizell 和 Wales 使用垂直线列阵成功定位到 260km 远处的低频声源信号。不过，匹配场处理对模型误差较为敏感，且需要大孔径阵列以减小定位模糊，工程实现难度较大。

基于多途到达结构的定位方法：在深海环境中，利用小孔径基阵可获得强目标信号的多途时延和多途到达角信息，基于此的被动定位方法得到了广泛研究和应用。如 Duan 等利用自相关函数提取直达波和海面反射波之间的时延差信息，结合声场建模和扩展卡尔曼滤波实现了运动目标初始状态的估计；Lei 等提出的时延互相关匹配方法，可利用两条时延模糊曲线的交叉信息指示目标位置信息，能在低信噪比条件下实现稳健定位。

基于频域干涉条纹的定位方法：多途时延对应频域中的干涉周期，将接收信号转换到频域，可利用干涉条纹的周期振荡特性实现目标定位。McCargar 和 Zurk 提出了一种基于修正傅里叶变换的单频信号定深方法，Yang 等研究了基于深海大深度声场互相关特性的单水听器目标定位方法，通过傅里叶变换将干涉条纹的振荡周期分别转换为目标径向运动速度信息和目标深度信息。

适用于深海影区的定位方法：针对深海影区低信噪比、难以观测到目标连续宽带谱和水下机动平台观测设备安装空间受限等问题，有研究提出了一种适用于水下机动平台观测的深海影区目标定位估计方法。该方法通过对水平阵进行多次旋转观测，获取不同旋转角度下的目标波达角信息，并结合航向角差值构建优化代价函数，实现了水平方位角和垂直俯仰角的联合估计，仅需要小孔径水平阵和窄带信号即可实现目标的方位与距离估计。

研究基础

可靠声路径

近几年的研究成果

海底弹射模式

近几年的研究成果

肖鹏

研究基础

可靠声路径

近几年的研究成果

海底弹射模式

近几年的研究成果

肖鹏

大纲修改，找修改意见，按意见修改

参考标准，数据记录表格优化，包含数据标签。

试验流程更详细

重新画一个节点布阵图

技术指标测试报告，可以把探测算法模块测试报告写进来。

插入的一件事，

写一个40km的指标论证

样机说明文件，等开会

国防报告，可以从大论文或者技术报告摘一段。

技术报告需要写一个摘要

经费使用报告，可以等基本报销之后，按照孟敏的建议修改。

工作总结报告。

试验报告，把深海这部分内容放进去。

GUI，第四部分我应该可以搞定。

把所有报告修改细化，修缮。

今天计划工作14Hours

第三方的全部工作交给梁喆来做

最近需要找人和我一起改报告，可以给王奕寰这个计划，之后他也好再提交开题报告。我会帮他的。

开始工作吧

先把之前的文件做个收纳整理。

探测算法模块修改：

可以增加输入参数

回家前的工作交接

算法模块功能划分

项目分工

工作量统计表—协作

技术指标测试大纲评审会议

博士二年级以上一起评综测，现有成果和预期成果难以获得一等奖，应该以毕业为第一优先，

2025年2月28截稿SCI特刊投稿，成功率是多少，时间是否已经晚了。

5月30日

从二月底到现在，已经过去了一半的时间

现在还没有做出结果的统计

国际会议在2026年出国参加。

开题在2025年11月

2028年年初写完大论文。

支线

项目2025年8月结题。

马斯洛的需求层次理论是指由美国心理学家亚伯拉罕·马斯洛在1943年在他的论文《人类激励理论》中阐述的人类5种需求层次。该理论将人类的需求按照层次结构排列，5种需求通常被描绘成金字塔内的等级。从层次结构的底部向上，需求分别为：生理需求、安全需求、社交需求、尊重需求和自我实现需求。马斯洛的理论强调了个体追求自我实现和成长的重要性，对于理解人类行为和动机提供了重要的视角

个人需求层次分析

食物、水、睡眠、空气和性

食堂，接水，饮料，宿舍睡觉，空气，看片或无，药片压制

安全需要

学校的治安较好，但是道路情况不好，各种人乱走。

归属与爱的需要是个体感到缺乏朋友、爱人、子女，渴望与人建立一种充满感情的关系，渴望在其群体和家庭中拥有地位的需要，如向往爱情、需要朋友、参加社团并被团体接纳

缺乏这一层，需要去补充，寻找这一层需求的满足。

家人状况

父亲 有新手机

母亲 有新手表 丸丸药

大姐 孩子已经25周（5月19日）

二姐 申请读博 搬家了 想买新笔记本

白瑞 已经工作 在西安租房

购物节

考虑需要购置的物品，以及需要购买来满足购买欲望的物品，以及足够便宜的物品。用得上的物品

PS5 N100小主机

已有物品整理

台式机配件再租一台电脑

cpu 散热器 主板 机箱 电源 内存 硬盘

经济状况整理

要做的事情整理

背单词，若是放弃了背单词这件事，以后变很难有机会考雅思，以学术形式出国交流。

科研

文献

点子

期刊

会议

电子游戏

荒野大镖客

最后生还者

巫师3

项目联系人

刘雄厚

刘添一

苟佳伟

强帅

莫林

陶林伟

刘洋

杜向党

赵双

朱红梅

张立川

苟艳妮

于洋

财务处

科研招采中心

科研院

日记本2

9月20日

今天和昨天完成了研究生复试的秘书的工作，最终确定的名单和老师们讨论的结果相似。本科能不能保研到985需要看有没有联系导师。

晚上去琴房练琴了。逐渐熟悉大鱼的按键手法。

今天一整天在A326坐着。

今天看了凡人修仙传，韩立为辛如音和齐云霄灭了付家，在动漫的世界里，韩立晚场了对辛如音夫妇的承诺。

今天需要看一下9月24日去的北京的酒店。

现在挂载的几件事情

报销垫的钱

使用豆包AI写的建议论文的内容，关于多普勒效应和连续波主动声纳。

项目结题

SPIE论文写作

珠海参加水声学分会9.21-9.24，需要一个PPT

声学学报 用本科毕设的内容写作，增加性能评估

水下无人系统学报

物理学报 海底参数和海底地形对声传播的影响

练钢琴

关注一下我的云服务器和域名，网站

虚拟机，N100小主机

游泳学习自由泳，如果有可能，学会其他几种泳姿

自行车

跑步

篮球

足球

8月29日

UTO的内裤不low，早上6:52起床，去上厕所，7:07，去洗澡，回来上床看视频，看完美世界，看大冰买车买房建议，建议不要挣多少花多少。写日记，准备起床。去吃饭，去教研室。

8月28日

早上7点起床，去上厕所，18分钟，认为是便秘了，需要调整饮食结构。然后去食堂，去教研室。助学贷款，如果没到困难就不申请，把全部精力投入到毕业，一个月工资就比这些算计要多了。精力是最重要的资源。多读文献，多总结，多思考。最近需要整理一下报销。

尽快写出论文。

8月27日

早上6：30醒来，去上厕所，回来的时候空调关了。上床玩手机，玩到8点多，起床洗漱。出门买煎饼果子，两个鸡蛋，来教研室。躺着刷手机，然后开电脑。着一些行为对毕业有什么影响？

早上樊嘉豪来了，进来来报销，早上侯翔昊来了，搬东西过来，插排一新还旧。中午出去吃饭。然后会宿舍睡觉，中午两点多回教研室，看论文，用Ai改论文。下午点外卖，看到主帅成多视频晚上讨论买车的问题，知道8:20，然后回来区跑步，回来洗澡睡觉。

8月26日

晚上吃外卖，晚上喝果粒橙，肚子疼。

8月25日

比较空闲的一天

8月24日

来教研室，中午回去。洗衣服，洗书包，睡觉。下午出去骑车，回来看视频，休息，洗澡，去教研室。

8月23日

看凡人修仙传。中午回去，去接车，睡觉，起来装车。晚上调车。

8月22日

早上七点二十起来，去吃早饭，今天食堂基本开门了。在一楼买东西比较零散，费时间，可能还是二楼的一次拿完更快速。然后回到宿舍，看了一个视频，充气睡垫和开手动挡车。然后去东门，把自行车停到了东门附近，待会打车回去也是去东门。打车到西电，然后坐地铁是比较快速的方法，因为前一段路打车不太堵车，只可能遇到几个红绿灯。后半段城市道路容易堵车，坐地铁属于另一条独立的城市交通轨道。到了之后直接去了于洋办公室，人不在，打电话，把光盘放到桌上备注好了。需要和刘老师沟通海试和一起进行技术指标测试的事情。

齐共享单车来航海学院。

8月21日

早上起床去吃饭，回来去教研室，然后再中途去湖边坐一下。呆一会。

下午修工作站的小伙来了，挺年轻的，把显卡拆了重新装了一下，好了。

下午点外卖，打电话送不进来。然后出去星天苑南吃面，去取快递，回教研室。

晚上九点多去跑步，今天练习高步频。

这两天再次开始把项目的资料整理。重新补充了一些材料。但是还缺少技术指标测试和自评估的专家评审两次会。不知道会不会合并成1次。

8月20日

今天来教研室，今天刘雄厚来收拾办公室。

晚上和梁喆一起搬桌子去刘雄厚家里。

8月19日

晚上1点些微凉回来了，早上7点醒来，睡到7:40，起来去洗澡，然后去食堂吃饭，吃完回来8:30，写日记，回忆一下要带的东西。

U盘和审批表，螺丝和接线插座。

最近想买一些工具，一部分用于样机之后的拆装和维护，一部分用于自行车的维护，一部分用于手工或者手艺品的制作。

最近买了一个交换机，8根网线。迪卡侬RC100自行车，洗发水。Hi75c的套件，灰木轴和马里奥键帽。

今天去老校区搬办公室的东西，大部分东西是书，还搬了桌子和椅子。中午去吃了岐山臊子面。下午继续回来 搬，收拾一下，叫车，叫了一个3.8米的，打电话时候是一个年轻人，来的是一个老人。不过搬家的经验确实是丰富的。搬桌子可以把桌子抬起一边，然后一边冲下面的底边抬起来，另一边从上面抬。书真的重。跟车回新校区，然后卸货。一个新生提前入住失败，想让货车司机帮忙运一点东西。晚上去吃饭，在老厨房。

8月18日

第二天要做的事情，带表格和U盘回老校区。

根据样机设计报告完成样机安装和调试。对样机进行验收和测试。

设计实验实施步骤。

早上醒来，7:10分，洗澡，8:00上厕所，洗衣服，去吃饭，去嗮太阳，回宿舍，在地上躺了一会，然后起来去教研室。看看论文，写个出门条。中午出去吃饭，然后回宿舍休息，在地上躺了一会，然后扔垃圾，去买冰水，去教研室，下午点外卖，点外卖这件事需要提前点，和买快递需要提前买才能抵消时效性的问题一样。晚上刘佳鹏来聊天。晚上看看项目的样机，实验规划。

8月17日

早上醒来，晚上跑步。

8月16日

早上醒来，在宿舍，下午出去骑车。

8月15日

早上8：15醒来，去上厕所，去刷牙，新买的UTO不错，比较软。去食堂吃饭，去教研室，继续折腾服务器。在写日记的此刻，或许更需要确认的事情是样机和项目结题相关的事情。今天买了4根2m的网线。给ICSPS那个人发了个文件。

8月14日

早上6：15闹钟叫醒，然后睡到9点，起来去便利店。去教研室，中午去吃kfc，下午回来睡觉，然后这两天再服务器的事情上做一些尝试。出现了一个问题是再部署多个网站的时候，回出现除了第一个网站可以正常访问，其他网站也需要通过第一个网站的端口访问，如果设置域名的话，或许可以直接将端口映射。下午和梁喆去吃饭，然后先送材料给刘雄厚，再回来取快递，去吃饭，去邮政去快递。回教演示，研究服务器。

晚上和王奕寰去星操跑步。回来洗澡，睡觉。

8月13日

早上八点醒，上厕所，洗头，出门去食堂。去教研室，王聪叫我找个材料，发给他，然后回来看论文，看视频，去给自行车打气，看视频。写日记

8月12日

睡得不好，八点醒来，八点五十去洗澡，去便利店，去教研室，王聪又来了。晚上睡得不好，今天又是没有进展的一天，每天吃饭浪费时间，看论文浪费时间，没有任何成果，被项目的样机纠缠。叫不到人去，晚上吃完饭，去教工小区，hh良妃 时间，在小区等接近一小时。一天能干啥。

8月11日

早上7：40起床，上厕所，最近吃零食吃垃圾食品太多了，不顺畅。八点出去，今天准备修一下自行车前变速器的问题。来了之后看自行车的视频。然后准备样机测试连接。今天主要注意力在自行车的前变速器，上午和下午都花了一点时间去调。下午调好了，晚上去的南餐吃饭，。回来早点睡觉。

8月10日

早上九点10分起床，去厕所，然后开始刷B站视频，到接近11点，然后敷面膜，看凡人修仙传48集,洗脸，出去吃饭，回来刷B站，然后睡觉，睡到3点多，起床，上厕所，稍微沟通项目，出去骑车。四点十几分出去，6：十几分回来，取个快递，回宿舍，洗头，出去吃饭，然后去教研室，改摘要，提交，看凡人修仙传，看仙逆，刷B站，写日记，准备回去刷牙洗澡睡觉。

8月9日

早上七点起床，上厕所，七点半出去跑步，然后回来再看一会视频，睡一会觉，十一点出去吃饭，去教研室，准备搬冰箱。今天来看视频，看凡人修仙传，看百妖谱。下午这段时间有些困，五点出去接冰箱，然后一起吃饭，吃完在食堂坐着聊，等时间。然后回宿舍，刷B站视频，9点开始准备睡觉。十点前睡了。

8月8日

昨天晚上睡觉的时候拉了窗帘，睡到自然醒，虽然还是有点累，不想起来，今天又去2楼盖章。

8月7日

今天周四，

今天也花了一些时间在云服务器，搭建网站，了解Linux的使用，晚上走的比较晚，大约11点。

8月6日

早上七点前醒，但是在床上躺到7：30，不想起的原因是不想面对找地方放样机的问题。现在想来，放哪和我有什么关系。有些人想把责任甩给我。

如何应对，以及以后该如何应对。

上厕所，洗脸，刷牙，去食堂，去教研室。今天去2楼盖章，fjh问桌子上有没有一个移动硬盘。

今天下午来了之后买了个云服务器，腾讯云。开始尝试搭建公网服务器，晚上

8月5日

早上大约8点起床，上厕所，去食堂，去教研室，早上看debian手册。找货拉拉开发票，审核抬头。中午去吃饭，回宿舍午睡。下午2：30起床，洗脸，去教研室，看的debian手册， 整理发票，支付记录，准备报销， 晚上去吃饭，去408找赖凯报销，段芳锦又来问样机放哪，这个问题有来折磨我。

8月4日

早上大约7：55起床，上厕所，去食堂，买水，去教研室，早上大部分时间在看论文，王聪来了之后去把显卡装上，尝试开机，成功进入系统。显卡插拔，显卡隔天插拔解决问题。中午去吃饭，然后回去睡觉，在梦里游玩，很累。起床，洗澡，去买雪糕，去教研室。把udp代码做个测试，近期不动这个代码，有空写一个界面。下午找时间把评审费材料准备。

8月3日

早上起床跑步，回来去教研室，看凡人修仙传，然后看是看论文，看论文这件事情是意义不大的，需要深入了解一个内容，一个方法，集中全部精力完成一篇论文，不再浮于表面，需要对方法的性能进行分析，深入了解别人的论文，别人提出的方法。中午和王聪吃饭，吃完饭回宿舍，看了牧神记，然后上床看一会手机，早上起的早，晚上已经困了，很快睡着，2：30醒来，然后玩一会手机，我的玩手机通常都是在刷拼多多。3点起床，玩游戏，小动物餐吧，找出隐藏的100只猫，神秘海域，玩到下午快6点，然后出去吃饭，和解伟亮一起吃饭，遇到他的师兄师姐，遇到段芳锦，吃完饭来教研室，先看了凡人修仙传，这件事情以后不要再做了，严重影响了科研的进展。然后刷了b站视频，关于 现在已经记不起看了什么视频，如此看来，刷视频这件事无意义，先把全部精力集中起来，准备毕业。晚上修改udp代码，让ai先写一个，我观察，发现输入区缓存可以设置到比较大的值，我直接给1G缓存，如此不会因为读取不及时而丢包。可以推进下一步，使用我自己写的udp的matlab代码加入解析数据的部分， 或者使用之前写的代码，但是把缓存区设置得更大，如此应该是可以解决的，明天来的第一件事是把udp的代码整理好，实现接收的不丢包，可以把传感器数据也展示出来，下一步就把这些数据写一个app，用于样机接收数据。接收数据之后，对数据可能只做一个波形的展示和波束形成或者BTR图，我到现在还不会BTR的画法。找王聪要代码。然后可以把评审费的材料准备好，王聪带回去。

现在可以离开教研室，回去刷牙，睡觉，不刷手机。时间22：37

8月2日

早上起床，上厕所，去食堂，去小东门，打车去6号线，去甘家寨，骑车去驾照换新。然后地铁回，打车回，吃饭，回宿舍，看凡人修仙传，睡觉，1:00到教研室，看了一些LFM信号到论文，像一条利用LFM信号进行目标探测到方法，然后修改摘要到问题，开组会，和强帅到大论文结合，生成多个深度距离图，数量是多个多普勒速度的个数，如何获得？发射信号用什么？

下午回来玩最后生还者，大部分时间在看过场动画，解密。出去吃饭，请王聪帮忙去318找一下接收器。今天考虑把态势电脑搬到教研室用，现在考虑一下这个想法的原因。

放在宿舍打游戏的声音可能会比较大，不能经常使用这台电脑打游戏，电脑和显卡资源闲置浪费，

如果把这台电脑带到教研室，能否提供一定的生产力。

笔记本是否可以解放出来。

如果新买一台笔记本，起码需要花6000，一年之后均价18左右，你能接受吗。

如果买一台工控机，大约需要花2000.即使使用一年，价格也会是6元左右的均价。

现在再开始算一下储蓄

8月1日

今天起床，上厕所，去 食堂，然后去教研室，看凡人修仙传，到8:40，王聪过来了，是骑车过来的。早上的工作被分割成一段一段，在中午11:30就该去吃饭了，但是去328逛了一趟，要等其他老师和师兄一起去吃饭，只能走路过去。中午吃完饭，和刘佳鹏，高程武一起回宿舍，看灵笼，然后起床去教研室，先吃冰棍。看灵笼解析，看了一点文献，然后王聪的工作站出问题，排除之后认为是显卡的问题，花了大约1小时。然后继续看文献， 快到六点一起吃饭，然后回教研室，把凡人修仙传12，13看了，然后和家里打了一个电话，晚上回宿舍，洗澡。过一会，解伟亮回来了，收拾了一下，我也收拾一下，上床睡觉。

今年618购物

生活诸事

仅1200天的优先级及原因

早上起床玩手机，玩到九点多，在宿舍。

十点半出去理发，去辰艺理发，充卡200，8次。去云天苑吃午饭，吃快餐，比较撑。

回宿舍，在床上玩手机，玩到两点多，接了一个京东金条的电话，起床。买的USB延长线丢件了。

起来拿东西去教研室，玩原神。去吃饭，玩巫师，收拾教研室桌面，

日记1027

早上起来 去吃饭 去湖边坐一坐

摘下眼镜 去湖边走一圈 去看鹅 鸭子

回到宿舍 看ali 看

把自行车包装丢掉

出去吃饭 吃面 回来午休

起床 洗头 去教研室 开组会

看开题报告 看田思源报销 去吃饭 回来去408 回335 看anaconda 安装 看4k音乐 自评估意见 修改对应关系

回宿舍

听ali 睡觉

GSFM信号（广义正弦调频信号）相较于 LFM（线性调频）、SFM（正弦调频）以及矩形脉冲等常见信号，在探测分辨率、频谱利用、多任务适配等方面优势显著，尤其适配水下声呐等场景，具体优势对比如下：

1. 对比 LFM 信号
   • 频谱利用率更高且波形正交性好：LFM 信号若通过调整参数实现多组信号传输，会因参数差异导致不同信号占据频带不同，不仅浪费频谱资源，还会影响探测稳定性；而 GSFM 信号可通过调整调制参数 α、无量纲参数 ρ 等，生成大量占据同一频带且彼此近似正交的波形。这种特性让它能在有限频谱内同时传输多组信号，大幅提升频谱利用率，适配多任务传输场景。
   • 探测与通信一体化适配性更强：LFM 信号用于探测通信一体化时，需借助分数阶傅里叶变换等复杂算法提取信息，会显著增加计算复杂度；GSFM 信号可直接与通信基带信号相乘形成一体化波形，既借助自身能量保证探测性能，又能通过波形携带通信信息。即便在通信误码率较高的情况下，也能稳定维持探测效果，且接收端可通过简单盲分离算法分离探测和通信信号，无需复杂处理。
   • 距离与速度分辨更精准：LFM 信号存在多普勒耦合时移问题，无法同时独立精准测量距离和速度，且匹配滤波器输出旁瓣较高，加权抑制旁瓣又会造成信噪比损失；GSFM 信号的模糊函数特性使其具备更高的距离和速度分辨率，无需额外加权处理，就能减少旁瓣干扰对测量结果的影响，精准识别近距离目标的位置和运动状态。
2. 对比 SFM 信号SFM 信号是 GSFM 信号在 ρ=1 时的特殊退化形式，GSFM 信号通过引入可调节的无量纲参数 ρ，拓展了波形的灵活性和多样性。当 ρ 取不同大于等于 1 的整数时，GSFM 信号的瞬时频率函数形状会随之改变，能适配不同信道条件和探测需求。例如面对不同水下环境的干扰时，可通过调整 ρ 值优化波形，而 SFM 信号参数固定，适配场景受限，难以应对复杂多变的应用场景。
3. 对比矩形脉冲信号
   • 抗干扰与虚警控制更优：矩形脉冲信号边界清晰但频域谐波分量多，易产生频谱泄漏和带外干扰，且作为脉冲信号，在水下等复杂环境中易受噪声影响导致探测虚警概率升高；GSFM 信号是连续调频信号，时域波形连续平滑，频域能量集中，能减少外界干扰，同时其连续信号特性可有效降低探测过程中的虚警概率，提升信号在复杂环境中的稳定性。
   • 适配复杂探测场景：矩形脉冲更适合近距离快速响应、硬件简化的场景，而在水下等需要精准探测和远距离传输的场景中，其距离分辨力低、抗多径干扰能力弱的问题突出；GSFM 信号凭借良好的时频特性，可抵抗水下多径传播带来的信号失真，同时保持较高的探测分辨率，更适配水下声呐等复杂探测场景。
4. 对比 OFDM 信号OFDM 信号虽频谱效率高，但峰均功率比高，对发射机线性度要求高，增加了硬件成本和功耗，且在非线性信道中易失真；GSFM 信号无需复杂的多载波结构，波形包络相对稳定，对非线性硬件的容忍度更高，且可通过单一波形实现探测与通信功能。而 OFDM 信号主要适配无线高速数据传输，若用于探测场景，需额外设计适配方案，功能单一且适配成本高。

探测通信一体化波形研究进展和声呐应用展望

科研进展20251112

科研进展20251113

<[博士，西工大，2013，刘宗伟]_不确定海洋环境中的目标检测与定位方法研究.pdf>

1. 一段话总结

该博士论文（西北工业大学刘宗伟，2013）围绕不确定海洋环境中的目标检测与定位展开，结合973项目（No.613XXX0101）和国家自然科学基金项目（No.11274252），分析了海洋环境参数不确定性的来源及对检测性能的影响，定义了检测性能环境参数敏感度函数；提出基于概率配点方法的不确定性传递快速计算方法，解决蒙特卡罗采样效率低的问题；研发了基于蒙特卡罗优化和主成分量分析的稳健检测方法，以及基于模态子空间重构的稳健定位方法（含干扰抑制拓展），并通过标准失配测试模型仿真和SWellEx-96海上实测数据验证了所有方法的有效性，为提升声呐在不确定海洋环境中的性能提供理论与方法支撑。

---

2. 思维导图（mindmap）

## 论文基础信息
- 作者：刘宗伟（西北工业大学）
- 学科专业：水声工程
- 指导教师：孙超教授
- 完成时间：2013年6月
- 支撑项目：973项目（No.613XXX0101）、国家自然科学基金（No.11274252）
## 研究背景与挑战
- 核心问题：常规检测/定位算法因**环境失配**性能下降
- 海洋环境特性：浅海环境复杂（时变/空变，如声速剖面、底质起伏）
- 技术挑战：目标噪声级降低（接近海洋噪声）、浅海环境参数难精确获取
## 关键基础理论与模型
- 水声传播理论：简正波理论（核心，适用于浅海低频）、射线理论等
- 常规检测方法：模型匹配检测器、能量检测器
- 常规定位方法：匹配场定位（MFP）、匹配模态定位（MMP）
- 不确定环境模型：标准失配测试模型（NRL提出，含水深、声速等参数不确定范围）
## 核心研究内容
- 环境参数不确定性影响
  - 不确定来源：介质扰动、欠采样、测量误差、模型简化
  - 检测性能敏感度：定义敏感度函数，量化性能损失（关键参数：水深、沉积层声速、水体声速剖面）
- 不确定性传递计算
  - 传统方法：蒙特卡罗采样（效率低）
  - 提出方法：概率配点方法（PCM）+多项式混沌展开（PCE），单模分布下计算量大幅降低
- 稳健检测方法
  - 蒙特卡罗优化检测器：结合贝叶斯+广义似然比，复杂度低且性能接近最优贝叶斯
  - 主成分量分析（PCA）检测器：提取信号波前稳定成分，含模态域形式（低频率下复杂度更低）
  - 干扰条件拓展：基于贝叶斯推导干扰下检测器，引入广义噪声协方差矩阵
- 稳健定位方法
  - 模态子空间重构：分解为可预测/非可预测子空间，用可预测子空间重构拷贝场
  - 干扰条件拓展：结合正交投影原理，抑制强干扰
## 验证与结果
- 仿真验证：基于标准失配测试模型，验证敏感度规律、方法有效性
- 实测验证：用SWellEx-96实验数据，验证检测（PCA检测器性能最优）、定位（模态子空间重构定位概率达0.8）性能
## 总结与展望
- 主要成果：敏感度量化、快速传递算法、两类稳健检测、一类稳健定位
- 待改进方向：更贴近实际的不确定模型、多模分布下传递方法、水平阵适配、宽带信号拓展

---

3. 详细总结

一、论文基础信息

类别	关键内容
基本信息	作者：刘宗伟；学校：西北工业大学；学科：水声工程；完成时间：2013年6月
指导教师	孙超教授
支撑项目	1. 973国家安全重大基础研究项目（No.613XXX0101）<br>2. 国家自然科学基金项目（No.11274252）
研究核心目标	解决不确定海洋环境中常规目标检测与定位算法因环境失配导致的性能下降问题

二、研究背景与挑战

1. 海洋环境特性
   • 浅海环境复杂：具有时变、空变特性，关键影响因素包括声速剖面（温度/盐度/压力决定）、海底底质起伏、海面风浪、海流/内波等。
   • 参数获取困难：全海域不间断测量不现实，现有方法（地声数据库、拖船反演、现场测量）均存在误差（如地声数据库10km预报误差达10dB）。
2. 技术挑战
   • 目标探测难度提升：新型安静型潜艇辐射噪声级大幅下降，近20年下降超30dB，接近甚至低于海洋噪声。
   • 环境适配难题：常规方法（如匹配场处理）依赖精确环境参数，浅海环境不确定导致模型失配，性能严重下降。

三、基础理论与模型

1. 水声传播理论

• 核心方程：波动方程（时域）→ Helmholtz方程（频域），求解理论包括射线理论、简正波理论等，论文以简正波理论为主（适用于浅海低频信号，计算精度高、速度快）。
• 简正波核心结论：声场可分解为多阶模态，每阶模态含水平行波（距离方向）和垂直驻波（深度方向）特性，低阶模态受环境不确定影响更小。

2. 常规检测与定位方法

方法类型	具体方法	原理	优缺点
常规检测	模型匹配检测器	基于Neyman-Pearson准则，计算接收数据与理论信号波前的匹配度（检验统计量：\(	s^H(\psi,S)r
	能量检测器	直接计算接收信号功率（检验统计量：\(r^H r\)）	优点：无需环境信息，实现简单；缺点：检测概率低
常规定位	匹配场定位（MFP）	阵列数据与拷贝场向量匹配，生成模糊表面，峰值对应目标位置（如Bartlett、MV处理器）	优点：利用声场复杂性，分辨率高；缺点：对环境失配敏感，运算量大
	匹配模态定位（MMP）	将阵元域数据转换到模态域，匹配模态系数实现定位	优点：可筛选稳定模态，运算量比MFP低一个数量级；缺点：模态分解存在误差

3. 不确定海洋环境模型

• 采用标准失配测试模型（美国NRL 1993年提出），用于仿真验证，关键参数及不确定范围如下表： | 环境参数 | 标称值 | 不确定范围 | 单位 | |——————|—————–|—————————|————| | 海水深度（D） | 102.5 | ±2.5 | m | | 海面声速（\(C_0\)）| 1500 | ±2.5 | m/s | | 海底声速（\(C_D^-\)）| 1480 | ±2.5 | m/s | | 沉积层声速（\(C_D^+\)）| 1600 | ±50 | m/s | | 底质密度（\(\rho\)）| 1.7 | ±0.25 | g/cm³ | | 底质吸收系数（\(\alpha\)）| 0.35 | ±0.25 | dB/λ |

四、核心研究内容与创新点

1. 海洋环境参数不确定性对检测性能的影响

（1）不确定性来源分类

• 海水介质自身扰动：湍流、内波、海流等导致声速剖面变化。
• 欠采样：离散时空采样无法反映环境连续变化（如AUV测量仍有间隔）。
• 测量误差：反演方法（如贝叶斯反演）本身存在不确定性。
• 模型简化失配：假设距离无关模型，忽略实际环境水平变化。

（2）检测性能环境参数敏感度

• 定义敏感度函数：\(ESD = 1 – \rho^2\)（\(\rho\)为真实与失配波前相关系数），量化参数不确定导致的检测性能损失，可作为环境不确定度的固有物理量。
• 关键仿真结论：
  1. 影响最显著的3个参数：水深（D）、沉积层声速（\(C_D^+\)）、水体声速剖面（\(C_0\)、\(C_D^-\)），其他参数（如基底声速、底质密度）影响较小。
  2. 频率特性：随信号频率升高（50Hz→500Hz），水深、海面声速、海底声速的敏感度增大，检测性能损失更严重。
  3. 空间特性：目标位于近海面/中下层深度、远距离时，敏感度更高，性能损失更大。

2. 环境参数不确定性传递的快速计算方法

（1）传统方法缺陷

• 蒙特卡罗采样法：需多次调用声场模型（如KRAKEN），计算量大（如5000次采样），效率低。

（2）提出方法：概率配点方法（PCM）+多项式混沌展开（PCE）

• 原理：将不确定声场用PCE展开为正交多项式（如高斯分布对应Hermite多项式），通过PCM选取配点（多项式根）求解展开系数，快速得到声场概率分布。
• 关键优势：
  • 单模分布下：仅需有限次声场模型调用（如5阶PCE仅需7次），精度接近蒙特卡罗（5000次采样），计算效率提升显著。
  • 局限性：多模分布（如高频率、大不确定度时）下，即使高阶层数（20阶），逼近误差仍大于3%，需改进。

3. 不确定海洋环境中的稳健目标检测方法

（1）基于蒙特卡罗优化的稳健检测器（MC-GLRT）

• 原理：结合贝叶斯原理（利用参数先验分布）和广义似然比（GLRT），通过蒙特卡罗采样生成信号矩阵，取最大匹配值作为检验统计量：\(T_{MG}(r) = \max_{\mathcal{R}} |s^H(\psi_i,S_i)r|^2\)。
• 性能验证（仿真+实测）：
  • 仿真：与最优贝叶斯检测器性能一致，优于平均模型匹配检测器（低虚警下性能提升超30%）。
  • 实测（SWellEx-96）：信噪比8.5dB时，ROC曲线与贝叶斯检测器重合，略低于PCA检测器（因对噪声分布敏感）。

（2）基于主成分量分析的稳健检测器（PCA检测器）

• 原理：利用不确定声场中信号波前不同实现的强相关性，通过PCA提取稳定主成分（特征值最大的前d个特征向量），检验统计量：\(T_{PCA}(r) = \sum_{i=1}^d \lambda_i |U_{PCA}(i)^H r|^2\)（\(\lambda_i\)为特征值）。
• 模态域拓展：将数据转换到模态域，对模态系数矩阵做PCA，低频率下模态数少（如100Hz时10阶模态），运算复杂度进一步降低。
• 关键结论：
  • 计算效率：在线运算量仅为最优贝叶斯检测器的1/5~1/8（如d=5 vs Z=25~40）。
  • 环境失配鲁棒性：适当扩大模型不确定度范围（如实际±1m→模型±5m），可避免失配导致的性能下降。

（3）干扰条件下的稳健检测器

• 原理：基于贝叶斯推导广义噪声协方差矩阵\(\hat{M}0\)（含干扰+环境噪声），引入预白化处理，检验统计量：\(T{PCA-int}(r) = \sum_{i=1}^d \lambda_i |U_{PCA}(i)^H \hat{M}_0^{-1} r|^2\)。
• 仿真结论：信干比-5dB时，PCA检测器检测概率比平均模型匹配检测器高25%，干扰抑制效果显著。

4. 不确定海洋环境中的稳健目标定位方法

（1）基于模态子空间重构的稳健定位方法

• 核心特性：环境不确定对不同模态影响不同，低阶模态更稳定（声线掠射角小，与边界耦合少）。
• 原理：
  1. 分解模态空间：可预测模态子空间（稳定，\(M_0\)阶）、非可预测模态子空间（不稳定）。
  2. 重构拷贝场：仅用可预测子空间生成拷贝场向量\(A_{\Omega_p}\)，定位模糊表面：\(B(\tilde{S}) = A_{\Omega_p}^H(\tilde{S}) R A_{\Omega_p}(\tilde{S})\)。
• 可预测模态确定：通过水平波数协方差矩阵投影，选择方差最小的\(M_0\)阶模态（如250Hz时\(M_0=7\)）。

（2）干扰条件下的拓展方法

• 原理：结合正交投影，构造干扰子空间的正交投影矩阵\(D = I – H(J)(H^H(J)H(J))^{-1}H^H(J)\)，抑制干扰响应，定位模糊表面：\(B(\tilde{S}) = \frac{(D A_{\Omega_p}(\tilde{S}))^H R (D A_{\Omega_p}(\tilde{S}))}{|D A_{\Omega_p}(\tilde{S})|^2}\)。
• 性能验证：信干比-5dB、信噪比25dB时，正确定位概率比常规方法高35%（0.45 vs 0.1）。

五、实验验证结果

1. 仿真验证（标准失配测试模型）

验证内容	关键结果
敏感度规律	水深不确定±5m时，ESD=0.6（性能损失60%）；频率500Hz时，ESD比50Hz高40%
不确定性传递	50Hz、单模分布下，5阶PCE与蒙特卡罗（5000次）概率密度误差<1%
稳健检测（PCA）	目标深度不确定±50m时，检测概率比平均模型匹配检测器高30%（0.7 vs 0.4）
稳健定位	信噪比25dB时，模态子空间重构方法正确定位概率0.8，常规MFP仅0.6

2. 实测验证（SWellEx-96实验）

• 实验配置：垂直阵（21元，深度94.125~212.25m），信号频率49Hz/109Hz，目标距离1500~8500m。
• 关键结果：
  • 检测：109Hz信号、信噪比8.5dB时，PCA检测器ROC曲线最优，最优贝叶斯检测器因信噪比估计误差性能略低（下降5%）。
  • 定位：49Hz信号、30分钟数据，模态子空间重构方法正确定位概率0.8，常规MFP仅0.1，稳健最大似然方法0.2。

六、总结与展望

1. 主要成果

1. 量化了环境参数对检测性能的影响，提出检测性能敏感度函数，明确关键影响参数。
2. 提出概率配点方法，解决不确定性传递计算效率低的问题。
3. 研发两类稳健检测方法（蒙特卡罗优化、PCA）和一类稳健定位方法（模态子空间重构），均通过仿真与实测验证。

2. 待改进方向

1. 不确定模型优化：现有模型为距离无关，需引入内波、水团等实际因素，建立距离相关模型。
2. 多模分布传递：需研究混合PCE等方法，解决高频率、大不确定度下多模分布的逼近问题。
3. 应用场景拓展：适配水平阵（拖曳阵、舷侧阵），研究宽带信号的稳健处理算法。

---

4. 关键问题

问题1：论文中定义的“检测性能环境参数敏感度”是什么？其核心结论的价值是什么？

答案：

• 定义：检测性能环境参数敏感度（ESD）是量化海洋环境参数不确定性导致检测性能损失的物理量，核心公式为\(ESD = 1 – \rho^2\)（\(\rho\)为真实信号波前与失配波前的相关系数）；当参数确定（无失配）时，\(\rho=1\)，\(ESD=0\)（无性能损失）；当参数不确定时，\(\rho<1\)，\(ESD>0\)（性能损失随\(\rho\)减小而增大）。
• 核心结论价值：
  1. 明确关键影响参数：指出水深、沉积层声速、水体声速剖面是对检测性能影响最显著的3个参数，为实际声呐系统参数校准优先级提供依据（如优先保证水深测量精度）。
  2. 揭示频率与空间特性：随信号频率升高、目标位于近海面/远距离，敏感度增大，指导声呐在不同场景下的参数设置（如浅海高频探测需更精细的环境建模）。

问题2：论文提出的“基于主成分量分析（PCA）的稳健检测器”相比传统检测器（如平均模型匹配检测器），在原理和性能上有何核心优势？

答案：

• 原理优势：
  1. 利用信号波前相关性：不确定海洋环境中，不同参数采样下的信号波前存在强相关性（如仿真中特征值前5个占比超90%），PCA可提取其中稳定的主成分（特征值最大的前d个特征向量），避免非稳定成分（环境不确定导致）的干扰。
  2. 模态域拓展：可将数据转换到模态域做PCA，低频率下模态数少（如100Hz时10阶模态），运算复杂度比阵元域进一步降低（在线匹配次数仅为最优贝叶斯检测器的1/5~1/8）。
• 性能优势：
  1. 环境失配鲁棒性：目标深度不确定±50m、海水深度不确定±5m时，PCA检测器检测概率比平均模型匹配检测器高30%~40%（仿真中0.7 vs 0.4）；SWellEx-96实测中，信噪比8.5dB时，ROC曲线与最优贝叶斯检测器重合，且无需估计信噪比/噪声功率（避免估计误差）。
  2. 干扰抑制能力：引入广义噪声协方差矩阵\(\hat{M}_0\)后，信干比-5dB时，检测概率比平均模型匹配检测器高25%，可有效抑制强干扰（如水面舰船噪声）。

问题3：基于模态子空间重构的稳健定位方法如何实现“稳健性”？其在SWellEx-96实测中的性能表现如何？

答案：

• 稳健性实现原理：
  1. 模态特性利用：环境参数不确定性对不同模态影响差异显著——低阶模态（声线掠射角小，与海面/海底耦合少）更稳定（水平波数标准差<10⁻⁶ 1/m），高阶模态不稳定（标准差>10⁻³ 1/m）。
  2. 子空间分解与重构：将模态空间分解为可预测模态子空间（稳定的低阶模态，如49Hz时前6阶）和非可预测模态子空间（不稳定的高阶模态），仅用可预测子空间重构拷贝场向量\(A_{\Omega_p}\)，通过子空间正交性消除非可预测模态的干扰，避免环境失配导致的定位偏差。
  3. 干扰抑制拓展：结合正交投影矩阵，将干扰子空间响应置零，解决强干扰下目标被掩盖的问题（如信干比-5dB时仍可定位）。
• 实测性能表现（SWellEx-96实验，49Hz信号，30分钟数据）：
  1. 正确定位概率：定义距离误差±500m、深度误差±20m为正确定位，模态子空间重构方法正确定位概率达0.8，常规MFP方法仅0.1，稳健最大似然方法0.2，性能提升显著。
  2. 定位精度：目标真实位置（8450m，60m）时，该方法定位结果为（8300m，58m），距离误差150m、深度误差2m，远优于常规MFP（定位结果9900m，56m，距离误差1450m）。

早上8：40 醒来，去上厕所，收拾滑雪需要带的护具和衣服，然后去食堂吃早饭，煎饼果子，豆浆，去教研室，复习单词。

事情一件一件做，昨天晚上 想法是写一个完整的文档，首先写一个提纲，把每一部分知识填充进去。

每十天掌握一个技能。

经常运动。

Latex 编写文件

20251230

早上九点醒来，玩手机，洗澡，上厕所，刷牙，然后吃东西，出门去教研室，把黑本装起来，背单词，把工作量统计表交给了fjh，找一个今天要学习的知识点。可能是最优化方法和最优化的工具。

下午来教研室，晚上吃饭，聊天，然后去教研室，晚上九点去羽毛球场，没打到球，看了一个小时回去睡觉。

20251231

早上七点醒来，在宿舍待到九点多，去教研室，把这一年的物品和经历记录下来，然后中午和梁喆一起去吃饭，回宿舍休息。玩手机刷视频到两点多，看仙帝归来，睡觉到3：47，上厕所，然后刷视频到快五点，去KTV，去吃饭，晚上酒店多回来；去家属院羽毛球场，最后打到十几分钟球。回教研室，写日记，然后准备回宿舍了。

20250101-0103

第一天早上在床上，然后起来收拾？出去吃饭，回来睡觉，其实是躺着玩手机，下来玩手机，出去吃饭，去教研室，然后回来洗澡睡觉。

第二天早上起来，背单词，然后去吃早饭，去练习钢琴，吃饭，回去睡觉，其实在玩手机，电脑游戏，然后吃饭，去教研室，回去玩游戏。

第三天，早上背单词，吃饭，去练习钢琴，吃饭，回去睡觉， 打游戏，然后吃饭，早点睡觉。

20250104

早上起来，上厕所，吃早饭，来教研室，学习英语口语，背单词，

中午回去睡觉，起来洗澡，洗衣服，来看最优阵列信号处理。

下午吃饭，回教研室看阵列信号处理，看仙逆，去打羽毛球，回宿舍洗脸，预约，睡觉。

20250105

早上起来，上厕所，吃早饭，来教研室，扫地。

看阵列信号处理，中午吃饭，回去睡觉，起来洗头，来教研室，给刘添一带了手套，没接。下午看阵列信号处理，感觉第3，4章的内容很不熟悉。晚上吃饭，回来看阵列信号处理。回宿舍换鞋，去跑步5km，回来看底特律，去洗澡，敷面膜，睡觉。

20250106

早上起来，上厕所，吃早饭，来教研室，看阵列信号处理。中午吃饭，回去看底特律，起床，来教研室，去骑车，回来去张伟吃饭，回来教研室，呆一会，去钢琴木屋，然后回去，看底特律，董超回来了，睡觉。

20250107

早上起来，上厕所，去洗头，出来吃饭，南瓜糊，来教研室，看底特律。

去健身房，吃饭，中午回去看完底特律，睡觉，到3点多醒来，去教研室，看阵列信号处理，然后去星餐吃饭，回来，去423，去408，回教研室，准备第二天多汇报内容，但是教研室人太多，写不出内容，我需要在安静的，单独一个人的时候写一些东西。回宿舍，洗衣服，背单词，吃药，刷牙，记录，准备汇报内容，组织自己的思考，准备睡觉。

汇报内容：

在三维混响强度模型的基础上，分析脉宽对混响强度的影响

额外解释一个问题，仿真混响回波得到回波信号对任意时刻的混响及进行计算时，

一种方法是混响级预报模型，是基于一系列假设的。一种是回波仿真模型，基于物理过程的。

20250112

早上起来，去厕所，去食堂，来教研室，体验几种语言的发音。

wangjie222

^oz8N&CIh7*9Sx

护照

算余额资产