3.4.1 Nâng cao tỷ số SNR và độ lợi sau xử lý ICA
Tín hiệu hỗn hợp nhiều thành phần thu được ở cụm hydrophone 1 sau khi phân tích phổ cho thấy có nhiều thành phần tần số và hài xuất hiện (Hình 3.19.a), tính tỉ số SNR của tín hiệu này với tạp trắng cộng được SNR0 = 6.8282 (Bảng 3.5). Sau khi xử lý ICA, tiếng Ping của tầu ngầm được tách ra khỏi hỗn hợp với tạp nhiễu và hài đã giảm đi đáng kể (Hình 3.19.b), SNR1 = 20.0226. Như vậy độ lợi tăng được 13.1944 dB. Tương tự đối với tiếng động cơ diezen tàu nổi và âm thanh của cá voi (Hình 3.9.5,8,6,9) đều tăng được tỷ số SNR lên 14 dB.
Tính tỷ số SNR của tín hiệu hỗn hợp thu trộn được tại 3 hydrophone (Hình 3.9.4,5,6) = SNR0 và SNR của tín hiệu sau khi tách (Hình 3.9.7,8,9) = SNR1. Giả sử tạp âm là tạp trắng cộng có mức năng lượng không đổi, mô phỏng cho các tín hiệu ở Hình 3.9 ta được:
Bảng 3.5: Tính toán tỷ số SNR để xác định độ lợi sau xử lý ICA
Tỷ số SNR (SNR= Ptín hiệu / Ptạp)
Tín hiệu 1 (Tiếng Ping của
tàu ngầm)
Tín hiệu 2 (Tiếng động cơ Diezen
tàu mặt nƣớc)
Tín hiệu 3 (Âm thanh của
cá voi)
SNR0 (hỗn hợp trộn) 6.8282 5.8788 5.8438
SNR1 (sau khi tách) 20.0226 19.9942 19.9834
Độ lợi theo công thức
Hình 3.19: Tín hiệu miền tần số; a) tín hiệu hỗn hợp thu tại hydrophone, b) tiếng Ping tàu ngầm sau ICA
3.4.2 Nâng cao tỷ số SNR và độ lợi sau xử lý với mạng nơ ron FFNNs
Để thấy rõ hơn sự cải thiện tín hiệu sau xử lý, mô phỏng tính toán tỷ số SNR của tín hiệu đa đường trước khi đưa vào mạng nơ ron = SNR0 (Hình 3.17 b), và SNR sau khi xử lý = SNR1 (Hình 3.18 b) coi tạp âm nền là tạp trắng cộng có biên độ nhỏ và cố định, độ lợi A được xác định:
𝐴 =𝑆𝑁𝑅1 𝑆𝑁𝑅0=
10𝑙𝑜𝑔10(𝑃1)
10𝑙𝑜𝑔10(𝑃0)= 44.7827 − 8.2270 = 36.3356 (𝑑𝐵)
Sau khi xử lý tín hiệu đã bị triệt giảm các xung đa đường và độ lợi tăng được 36.3 dB. Như vậy, có thể thấy kỹ thuật này khả thi và có thể ứng dụng để giải tích chập mù đa kênh trong điều kiện không biết trước thông tin về môi trường cũng như đặc tính kênh thủy âm.
KẾT LUẬN
Luận án đặt ra vấn đề nghiên cứu tính toán cấu hình mảng cảm biến dưới nước và giải pháp xử lý tín hiệu khi làm việc ở vùng nước nông. Theo đó, để giải quyết vấn đề hiệu ứng đa đường, luận án đề xuất giải pháp xử lý kết hợp như sau: Một là đề xuất được mô hình mảng cảm biến có cấu trúc hình học phù hợp, kết hợp tạo búp sóng tùy biến như một bộ lọc không gian, tạo búp sóng thích nghi điều khiển búp sóng chính hẹp hướng về phía nguồn phát sẽ làm giảm tín hiệu đến từ các hướng khác, mục đích làm tăng độ lợi của mảng. Hai là xử lý tín hiệu theo mô hình giải tích chập mù đa kênh nhằm giảm sự ảnh hưởng của hiệu ứng đa đường, từ đó tăng tỷ số SNR của tín hiệu thu được và từ đó nâng cao khả năng phát hiện nhận dạng và định vị mục tiêu.
Những kết quả đạt được của luận án:
1. Luận án đã tính toán và đề xuất được mô hình toán học của mảng cảm biến, mô hình tín hiệu đa đường, các đặc trưng môi trường của vùng biển nước nông.
2. Luận án đã đề xuất giải pháp tạo búp sóng tùy biến, kết hợp được với các phương pháp tạo búp sóng thích nghi, nhằm tối ưu mảng
cảm biến để nâng cao độ lợi của mảng, chất lượng tín hiệu thu trong điều kiện bị ảnh hưởng bởi hiệu ứng đa đường.
3. Luận án đã ứng dụng kỹ thuật phân tách các phần từ độc lập ICA vào mảng cảm tùy biến để nâng cao khả năng định vị mục tiêu, nâng cao được tỷ số SNR của tín hiệu thu.
4. Luận án đã xây dựng được mô hình xử lý tín hiệu giải tích chập mù đa kênh cho mảng cảm biến thủy âm
5. Luận án đã xây dựng được chương trình tính toán giải tích chập mù bằng mạng nơ ron đường tiến (FeedFoward Neural Networks- FFNNs) theo thuật toán truyền có phản hồi (back - propagation) trên nguyên lý LMS, cho tín hiệu dạng xung sonar chủ động.
Những đóng góp mới của luận án. (adsbygoogle = window.adsbygoogle || []).push({});
- Đề xuất mô hình mảng cảm biến phẳng có khả năng tùy biến cấu trúc và điều khiển búp sóng linh hoạt nhằm nâng cao chất lượng tín hiệu thủy âm thu được tại vùng biển nước nông.
- Đề xuất giải pháp xử lý tín hiệu kết hợp phân tích thành phần độc lập ICA, Giải tích chập mù đa kênh cho mảng cảm biến phẳng có khả năng điều khiển cấu trúc nhằm nâng cao chất lượng mảng.
Kiến nghị về hƣớng nghiên cứu tiếp theo.
Bổ sung các điều kiện truyền âm thực tế, các hàm tính toán tốc độ âm thanh trong biển theo độ sâu, sự suy hao phản xạ của tia âm với bề mặt và đáy của kênh âm vào để tính toán sự ảnh hưởng của môi trường đến tín hiệu mảng cảm biến.
Xây dựng thuật toán để tạo búp sóng tùy biến thích nghi với thay đổi mạnh của môi trường nước biển nông, cho các mục tiêu chuyển động, và các hiệu ứng biển nông khác như Doppler, nhiễu vang..
Ứng dụng mạng nơ ron (trí tuệ nhân tạo) để giải tích chập mù cho những tín hiệu phức tạp có tần số thấp như đơn sin, đa sin, cụm sin, tách được những tín hiệu mục tiêu mong muốn từ những hỗn hợp tín hiệu thu được.
Tính toán giảm thiểu được số phần tử mảng cảm biến, nghiên cứu giảm thiểu được tạp ồn từ môi trường tác động vào mảng cảm biến. Đây là những định hướng nghiên cứu tiếp theo của luận án, việc ứng dụng được trí tuệ nhân tạo vào xử lý tín hiệu thủy âm sẽ góp phần không nhỏ vào công nghệ xử lý thủy âm hiện đại ngày nay.
Luận án đã thực hiện được các mục tiêu đặt ra ban đầu đó là nâng cao được chất lượng mảng cảm biến thủy âm trong điều kiện ảnh hưởng hiệu ứng đa đường ở vùng biển nông. Các kết quả nghiên cứu của luận án có thể ứng dụng được vào các hệ thống sonar thụ động thế hệ mới, các đề tài nghiên cứu khoa học phục vụ quốc phòng an ninh.