Underwater Noise Modeling and Direction-Finding Based on Heteroscedastic Time Series

Amiri, Hadi; Amindavar, Hamidreza; Kamarei, Mahmoud

doi:10.1155/2007/71528

Cited by 12 publications

(12 citation statements)

References 22 publications

(47 reference statements)

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…where the first term in the last equation is expressed by the first moment of the posterior ˆ x MAP ml (17) and γ m for the m th element.…”

Section: Source Power Estimationmentioning

confidence: 99%

“…In statistical signal processing, the noise has been assumed to vary spatially [8][9][10][11][12] , contain structure [13,14] , or have outliers [15] . Inspired by [6] , the heteroscedastic model was used to predict the time evolution of the noise for DOA estimation [16,17] . The proposed processing could be applied to spatial coherence loss [18][19][20] or to wavefront decorrelation, where turbulence causes the wave front to be incoherent for certain observations (thus more noisy).…”

Section: Introductionmentioning

confidence: 99%

See 1 more Smart Citation

DOA estimation in heteroscedastic noise

Gerstoft

Gemba

Nannuru

2018

The Journal of the Acoustical Society of America

View full text Add to dashboard Cite

The paper considers direction of arrival (DOA) estimation from long-term observations in a very noisy environment. The concern is to derive methods obtaining reasonable DOAs at very low SNR. The noise is assumed zero-mean Gaussian and its variance varies in time and space, causing stationary data models to fit poorly over long observation times. Therefore a heteroscedastic Gaussian noise model is introduced where the variance varies across observations and sensors. The source amplitudes are assumed independent zero-mean complex Gaussian distributed with unknown variances (i.e. the source powers), inspiring stochastic maximum likelihood (ML) DOA estimation. The DOAs of plane waves are estimated from multisnapshot sensor array data using sparse Bayesian learning (SBL) where the noise is estimated across both sensors and snapshots. This SBL approach is more flexible and performs better than other high-resolution methods since they cannot estimate the heteroscedastic noise process. An alternative to SBL is simple data normalization, whereby only the phase across the array is utilized. Simulations in noisy environments demonstrate that taking the heteroscedastic noise into account causes the DOA estimation to fail at lower SNR, often at 20 dB lower SNR.

show abstract

“…where the first term in the last equation is expressed by the first moment of the posterior ˆ x MAP ml (17) and γ m for the m th element.…”

Section: Source Power Estimationmentioning

confidence: 99%

Section: Introductionmentioning

confidence: 99%

DOA estimation in heteroscedastic noise

Gerstoft

Gemba

Nannuru

2018

The Journal of the Acoustical Society of America

View full text Add to dashboard Cite

show abstract

“…Recientemente los procesos GARCH también fueron utilizados en la modelización del ruido en aplicaciones de sonar (Amiri et al, 2007). Asimismo, en Noiboar y Cohen (2007) se propuso una extensión multidimensional de estas series temporales y se empleó en el modelado de coeficientes de la transformada wavelet para la detección de anomalias en aplicaciones de sonar.…”

Section: Resultados Preexistentesunclassified

“…Estos modelos utilizan la historia del proceso para mejorar su caracterización en el instante actual y las predicciones futuras. Han sido utilizados para modelar registros deíndices financieros cuyas varianzas fluctúan temporalmente y recientemente también han sido usados en el modelado de ruido producido bajo el agua en aplicaciones de sonar (Amiri et al, 2007). Dos de sus principales características son que sus funciones de densidad de pro-babilidad presenta colas pesadas, propiedad buscada en las distribuciones mencionadas para el modelado de clutter (Anastassopoulos et al, 1999;Shnidman, 1999;Sangston y Gerlach, 1994; la propuesta alternativa mencionada, y se muestran los resultados obtenidos (Pascual et al, 2011(Pascual et al, , 2013b.…”

Section: Introductionunclassified

“…Weinberg, 2011) y el agrupamiento de la volatilidad, es decir grandes cambios tienden a ser seguidos de grandes cambios y pequeños cambios tienden a ser seguidos de pequeños cambios, característica compatible con varios tipos de clutter en entornos naturales.En la sección 3.2 se da una breve introducción a los procesos GARCH y se describe el método de cuasi-máxima verosimilitud para la estimación de sus parámetros. Este procedimiento de estimación ha sido descripto en detalle por;Straumann (2005) y ha sido utilizado en diferentes aplicaciones(Amiri et al, 2007;Mousazadeh y Cohen, 2010).En problemas de estimación parámetrica, bajo ciertas condiciones la cota de Cramér-Rao (CRB por sus siglas en inglés) es la cota mínima para la varianza del error de un estimador insesgado(Kay, 1993). De este modo, la CRB es una herramienta que permite evaluar la precisión con la que se puede estimar un parámetro desconocido, como así también realizar evaluaciones de desempeño de distintos estimadores.…”

unclassified

See 1 more Smart Citation

Procesamiento de señales de radar en presencia de clutter dinámico

Pascual¹

View full text Add to dashboard Cite

El radar es un sistema de sensado remoto que utiliza técnicas de procesamiento estadístico de señales para obtener información de la señal recibida. Los radares convencionales son sistemas activos que operan transmitiendo energía en forma de ondas electromagnéticas y recibiendo las señales reflejadas por el entorno y el objeto iluminado. Una de las dificultades a tener en cuenta en los sistemas de radar es que la señal de interés suele encontrarse obscurecida por las reflexiones producidas por el ambiente, fenómeno al que se denomina {\it clutter}. Generalmente, y dependiendo de la aplicación, el clutter es considerado una fuente de interferencia y perturbaciones cuyos efectos se deben eliminar o reducir. Por lo tanto, en vista de su naturaleza aleatoria, es importante el desarrollo de métodos estadísticos de procesamiento de señales para poder detectar objetivos y estimar sus propiedades en situaciones de clutter intenso y dinámico. Para obtener algoritmos eficientes, es fundamental utilizar modelos realistas de las señales recibidas por el radar. Estos modelos deben enfatizar las diferencias entre el objeto de interés y el clutter. De esta forma, los métodos de procesamiento de señal son usados para separar el objetivo del clutter y reducir el efecto degradante de este último. En esta tesis se aborda el problema de detección en presencia de clutter dinámico para aplicaciones de radar. En especial se desarrollan modelos que contemplan las variaciones del escenario y utilizan la historia del clutter para mejorar su caracterización en el instante actual y las predicciones a tiempo futuro. La primera alternativa considera el clutter como una serie temporal que presenta heteroscedasticidad condicional autorregresiva generalizada, utilizando los denominados procesos GARCH. Este tipo de procesos poseen la característica de ser impulsivos, pero presentan la desventaja de que no cuentan con una expresión explícita para su función densidad de probabilidad. Por este motivo, se analizan alternativas para estimar sus parámetros y determinar la calidad de la estimación. Asimismo, se adaptan los test de hipótesis usuales para deducir un esquema de detección basado en el modelo GARCH. Con el fin de incorporar información de múltiples pulsos en los instantes de decisión, se extiende el modelo anterior combinando un proceso GARCH en dos dimensiones (GARCH-2D) con un proceso autorregresivo (AR) y se deriva el detector correspondiente para este modelo de clutter. La parte GARCH-2D del modelo preserva la propiedad impulsiva de los procesos GARCH y la AR en las innovaciones permite modelar la correlación pulso a pulso que existe en los datos. En ambos casos se deducen expresiones para las probabilidades de falsa alarma y, dada su complejidad matemática, la probabilidad de detección se evalúa por medio de simulaciones numéricas. Además, se analiza la sensibilidad del desempeño de los detectores ante errores en la estimación de sus parámetros. A pesar de que no resultan de tasa de falsa alarma constante, muestran un comportamiento robusto en situaciones prácticas. Por último, el desempeño de los detectores propuestos es comparado con algoritmos de detección existentes en la literatura utilizando mediciones reales de clutter marítimo. Los resultados muestran que presentan un mejor desempeño respecto de los demás detectores, es decir, una probabilidad de detección mayor para una tasa de falsa alarma menor, independientemente de la relación señal a clutter. Finalmente se estudia el problema de estimación secuencial de los parámetros de los procesos GARCH. Si bien de los análisis de sensibilidad se concluye que en los detectores porpuestos no es necesaria una actualización frecuente de los mismos, su estimación es la etapa de mayor costo computacional en los esquemas de detección propuestos. Siguiendo el enfoque de estimación Bayesiano se deduce un estimador lineal de mínimo error cuadrático medio para la varianza condicional de los procesos GARCH, que es el parámetro del cual depende el estadístico de los detectores desarrollados. La deducción del algoritmo es análoga a la del filtro de Kalman, pero en este caso las matrices del sistema son aleatorias.

show abstract