hydrophysicsФундаментальная и прикладная гидрофизикаFundamental and Applied Hydrophysics2073-66732782-5221St. Petersburg Research Center of the Russian Academy of Sciences10.7868/S2073667319020035hydrophysics-43Research ArticleГИДРОАКУСТИКАHYDROACOUSTICSРаспознавание объектов и определение дистанции по эталонам базы данных спектров сигналовRecognition of marine objects and distance definition using the samples of the database of signal spectraШейнманЕ. Л.SheinmanE. L.

 Санкт-Петербург

St.-Petersburg

bell.sunny@yandex.ruАО «Концерн «Океанприбор»; Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» им. В. И. Ульянова (Ленина)РоссияJSC «Concern «Oceanpribor»; Saint-Petersburg electrotechnical universityRussian Federation2019291120211222026Copyright © Шейнман Е.Л., 20212021Шейнман Е.Л.Sheinman E.L.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://hydrophysics.spbrc.ru/jour/article/view/43

Рассматривается совместное распознавание объекта и определение дистанции методом сравнения спектральной плотности давления шумового сигнала, наблюдаемого на определенной дистанции объекта, с эталонными спектральными плотностями давления шумовых сигналов объектов, хранящимися в базе данных. Решение задачи основано на минимизации меры близости между обнаруженным сигналом и эталонными, хранящимися в базе данных спектров сигналов. В статье проведен анализ основных известных методов оценки дистанции в режиме шумопеленгования и проведен сравнительный анализ различных мер близости для решения задач распознавания и оценки дистанции обнаруженного морского объекта. Рассматривались наиболее характерные меры, отражающие специфику различных видов расстояний: подобности и расстояния для числовых данных (Ружечки, Брея–Кёртиса, Канберры, Кульчинского), аналоги Евклидова расстояния (Евклидова метрика, метрика Манхэттена, расстояние размера Пенроуза, расстояние формы Пенроуза, Лоренцевское расстояние, расстояние Хеллинджера, расстояние Минковского, расстояние Махаланобиса или статистическое расстояние), корреляционные подобности и расстояния (корреляция Пирсона, подобность Орчини, нормированное скалярное произведение). Показана низкая эффективность корреляционных и ковариационных мер близости и целесообразность использования для решения рассматриваемой задачи разностных мер близости – аналогов Евклидова расстояния. Показано, что значения этих мер близости сильно зависят от уровня шумности объекта, что определяет необходимость сравнения измеренного сигнала и эталонных сигналов различных уровней шумности (построения сетки по шумности). Определены перспективные направления дальнейших исследований.

The joint object recognition and distance determination are considered by comparing the spectral pressure density of the noise signal observed at a certain object distance, with the samples of the spectral pressure density of the noise signals of the objects stored in the database. The solution of the problem is based on minimization of the measure of proximity between the detected signal and the samples stored in the database of signal spectra. The article analyzes the main known methods of distance estimation at the passive detection sonar, and carries out a comparative analysis of various proximity measures to solve recognition problems and estimate the distance of a detected marine object. The most characteristic measures reflecting the specifics of different types of distances were considered: similarities and distances for numerical data (Ruzhechka, Bray–Curtis, Canberra, Kulczinski), analogs of Euclidean distance (Euclidean distance, Manhattan distance, Penrose size distance, Penrose form distance, Lorentzian distance, Hellinger distance, Minkowski distance, Mahalanobis distance or statistical distance), correlation similarities and distances (correlation similarity, cosine similarity). Low efficiency of metrics of correlation and cosine and expediency of use for the problem decision such metrics, as analogues Euclidean distance, is shown. It is shown that the values of these metrics are the functions of the signal level of the object, which determines the need to compare the measured signal and the samples of the database of signal spectra for different noise levels. The perspective directions of further researches are defined.

оценка дистанциибаза данныхмера близостираспознаваниеидентификация типа объектаdistance estimationdatabasedistance metricrecognitionidentification of object typeReferencesДемиденко В.А., Перельмутер Ю.С. Спектральный метод оценки дистанции // Гидроакустика Вып 6. 2006. С. 51–59.Demidenko V.A., Perelmuter Yu.S. Spectral method of the range estimation. Hydroacoustics. 2006, 6, 51–59 (in Russian).Машошин А.И. Синтез оптимального алгоритма пассивного определения дистанции до цели // Морская радиоэлектроника. 2012. № 2 (40). С. 30–34.Mashoshin A.I. Synthesis of the optimal algorithm for the passive determination of the distance. Morskaya Radioelektronica. 2012, 2 (40), 30–34 (in Russian).Шейнман Е.Л. Определение некоторых параметров, характеризующих источник звука и распространение звукового сигнала в стратифицированной среде // Гидроакустика. 2008. № 8. С. 50–60.Sheinman E.L. Estimation of some parameters, describing the sound source and distribution of the sound signal in the stratified environment. Hydroacoustics. 2008, 8, 50–60 (in Russian).Шейнман Е.Л. Анализ эффективности идентификации источников звука по эталонным базам данных параметров сигнала // Гидроакустика. 2007. Вып. 7. С. 51–61.Sheinman E.L. The analysis of the identification efficiency of sound sources with using signal parameters databases. Hydroacoustics. 2007, 7, 51–61 (in Russian).Деза Е.И., Деза М.М. Энциклопедический словарь расстояний. М.: Наука, 2008. 446 с. / Пер. с англ. Deza E., Deza M.-M. Dictionary of Distances. ELSEVIER, 2006. 446 p.Deza E., Deza M.-M. Dictionary of Distances. ELSEVIER, 2006. 446 с.Половикова О.Н., Фокина В.В. Использование евклидова и манхэттенского расстояний в качестве меры близости для решения задачи классификации // Журнал технических и прикладных исследований «Известия АлтГУ». 2010. Том 1. № 65.Polovikova O.N., Fokina V.V. Use Euclidean and Manhatten distances as a measure of distance for the decision of the classification problem. 2010, 65, 1 (in Russian).Волкова А.А., Зеленкова И.Д., Перельмутер Ю.С. Совместная оценка расстояния до цели и шумности цели // Гидроакустика. 2010. № 11. С. 33–38.Volkova A.A., Zelenkova I.D., Perelmuter J.S. Joint Estimation of Target Distance and Noisiness. Hydroacoustics. 2010, 11, 33– 38 (in Russian).Селезнев В.А., Янпольская А.А. Сравнительный анализ различных способов идентификации трасс // Труды. 11-й Всерос. конф. «Прикладные технологии гидроакустики и гидрофизики», 2012.Seleznev V.A., Janpolskaja A.A. Сomparative analysis of various ways of track identification. Trudy 11-i Vseros. konf. «Pricladnye tekhnologii gidroakustiki i gidrofiziki», 2012 (in Russian).Сташкевич А.П. Акустика моря. Л.: Судостроение, 1966.Stashkevich A. Acoustics of the sea. Leningrad, Sudostroenie, 1966, 350 p. (in Russian).

The authors declare that there are no conflicts of interest present.