¿Cómo implemento un algoritmo de umbral adaptativo para sonda submarina?

10

Quiero implementar un algoritmo de umbral adaptativo en MATLAB para filtrar los datos recibidos por un receptor de sonda submarina. Los datos recibidos tienen un componente de ruido interactivo resultante del ruido subacuático y la reflexión especular. El método CFARD está cerca, pero no sirve para mi propósito. Tengo que hacer una imagen de los datos para poder ver el objeto, en una pantalla, que se coloca bajo el agua dentro de la profundidad de exploración del sonar. Cualquier ayuda será apreciada.


EDITAR:

Es un ambiente submarino. Estoy tratando de poner en umbral una señal que se ha recibido de un transductor sonar después de que se haya reflejado en un objetivo sólido, que se encuentra en el mismo entorno que el transductor. Los problemas pertenecen al dominio de sonar de imágenes acústicas subacuáticas . El problema es que no he podido modelar el ruido ambiental subacuático. Por lo que he leído hasta ahora sobre este tema, el modelo de ruido sigue una distribuciónK. Además, el ruido ambiental no es de naturaleza aditiva, sino interactivo. Por lo tanto, el umbral tiene que ser adaptativo. También mencioné el método CFARD en mi pregunta. Eso es útil para el procesamiento de señales en aplicaciones de radar, ya que solo estamos interesados ​​en encontrar un solo punto en un área grande que tenga alta energía. No se puede decir lo mismo sobre la sonda de imagen acústica subacuática, donde tratamos de mostrar el objetivo en la pantalla como un video. Espero haberlo dejado más claro ahora.

Saurabh
fuente
44
Hola, si bien su pregunta es interesante y está relacionada con el tema de este sitio, nos gustaría recibir más información. ¿Puede describir su modelo de entorno, qué es lo que está tratando de umbral y cómo lo ha abordado hasta ahora? Este sitio es compatible con LaTeX, por lo que puede ingresar matemáticas entre dos $.
Lorem Ipsum
Bueno, que has intentado? Este es básicamente un proyecto de investigación y su pregunta básicamente quiere que modelemos el entorno e implementemos el algoritmo para usted ... Aún no ha abordado los puntos en mi primer comentario.
Lorem Ipsum
Contrasta su problema con el típico problema de detección de radar, pero realmente no sé qué espera ver (es decir, ¿cómo se ve la señal que desea establecer en el umbral? ¿Qué está tratando de extraer con un umbral?) A una foto de algún tipo ayudaría. Además, ¿qué quieres decir con ruido "interactivo"? Multiplicativo?
Jason R
@Saurabh Esto es muy interesante, ¿puede proporcionar más información como otros han pedido?
Spacey
Tengo ganas de votar por la falta de respuesta a las preguntas formuladas. ¿Está buscando detectar picos en la señal, o solo cuando la señal está por encima de cierto umbral? (algo así como, ¿pasa algo en la señal?)
CyberMen

Respuestas:

2

Su pregunta ha recibido muy pocas contribuciones, probablemente debido a la falta de contenido. Durante una conferencia reciente, me encontré con la tesis doctoral: Détection en Environnement non Gaussien ( Detección en un entorno no gaussiano ). Como está en francés, reproduzco el resumen aquí:

Durante mucho tiempo, los ecos de radar provenientes de los diversos retornos de la señal transmitida en muchos objetos del entorno (desorden) han sido modelados exclusivamente por vectores gaussianos. El procedimiento de detección óptimo relacionado se realizó luego mediante el filtro combinado clásico. Entonces, la mejora tecnológica de los sistemas de radar mostró que la verdadera naturaleza del desorden ya no podía considerarse gaussiana. Aunque la optimización del filtro adaptado ya no es válida en tales casos, se propusieron técnicas CFAR (frecuencia de alarma falsa constante) para este detector con el fin de adaptar el valor del umbral de detección a las múltiples variaciones locales del desorden. A pesar de su diversidad, ninguna de estas técnicas resultó ser robusta u óptima en estas situaciones. Con el modelado del desorden por procesos complejos no gaussianos, como el SIRP (Proceso aleatorio invariante esférico), se han encontrado estructuras óptimas de detección coherente. Estos modelos describen muchas leyes no gaussianas, como la distribución K o las leyes de Weibull, y se reconoce en la literatura para modelar muchas situaciones experimentales de manera relevante. Para identificar la ley de su componente característico (es decir, la textura) sin estadísticas a priori sobre el modelo, proponemos, en esta tesis, abordar el problema mediante un enfoque bayesiano. De esta proposición surgen dos nuevos métodos de estimación de la ley de textura: el primero es un método paramétrico, basado en una aproximación de Padé de la función generadora de momentos, y el segundo es el resultado de una estimación de Monte Carlo. Estas estimaciones se llevan a cabo en datos de desorden de referencia y conducen a dos nuevas estrategias de detección óptimas, respectivamente llamadas PEOD (Detector óptimo estimado de Padé) y BORD (Radar de detector óptimo bayesiano). La expresión asintótica de la BORD (convergencia en la ley), llamada "BORD asintótica", se establece junto con su ley. Este último resultado da acceso a los rendimientos teóricos óptimos del BORD asintótico, y también puede aplicarse al BORD si la matriz de correlación de datos no es singular. Los rendimientos de detección de BORD y los de BORD asintótico se evalúan en datos experimentales de desorden en el suelo. Obtuvimos resultados que validan tanto la relevancia del modelo SIRP para el desorden, la optimización del BORD y su adaptabilidad a cualquier tipo de entorno.

Las matemáticas deben ser legibles. Si es de alguna ayuda, puede rastrear la referencia en inglés del autor o del comité de tesis doctoral.

Laurent Duval
fuente