组合1 与 组合2
被动声纳处理全流程
这是一份面向水声入门者的交互式教程。你将通过流程图、公式拆解、参数滑块和合成数据演示，理解两条经典链路：组合1：预处理 → CBF → BTR → CFAR → 卡尔曼跟踪，以及 组合2：CBF → LOFAR → 背景均衡 → 线谱增强 → 线谱跟踪。
先建立一张“处理链地图”
被动声纳的重点不是单个算法，而是把多个算法串成稳定链路：先用阵列把空间方向分开，再在目标方向上做能量检测或线谱分析，最后用时间连续性降低虚警。
1. 先分方向
阵列接收到的是多个方向叠在一起的声音。波束形成相当于“把耳朵转向某个方位”，让该方向的信号相干叠加，其他方向相对被压低。
2. 再看证据
组合1看宽带能量是否持续变亮；组合2看低频谱线上是否有稳定、连续、可解释的机械频率。
3. 最后连成轨迹
单帧峰值可能是噪声。真正有价值的是连续多帧都能解释得通的方位轨迹或频率轨迹。
最小信号模型：入门者只需要先理解这三个量
如果假设目标来自 θ，那么我们给每个阵元补偿对应时延 τ_m(θ)，再把它们相加。猜对方向时，目标声被“对齐后相加”；猜错方向时，目标声不能很好对齐，输出能量就低。
组合1：基础稳健型流程
预处理 → CBF → BTR → CFAR → 卡尔曼跟踪。这条链路适合“先发现目标、看方位历程、形成稳定接触”。它不依赖目标一定有明显线谱，因此是非常适合入门和工程原型的基础流程。
预处理：让阵列数据“可比较、可相加”
目的不是把所有噪声消灭，而是避免明显错误污染后续结果。常做：去直流、带通滤波、通道幅相校准、异常阵元剔除、降采样、抗混叠滤波、平台自噪声频带屏蔽。
CBF：最经典的延时求和波束形成
对每个候选方位 θ，计算阵元应补偿的时延。若 θ 猜对，目标声在求和时增强；若猜错，增强较弱。CBF 的优点是稳健、好解释、实时性好。
BTR：把“每个时刻的方位能量”铺成图
每隔一个时间窗，扫描一遍方位，得到一条方位能量曲线。把这些曲线按时间堆叠，就是 BTR。目标常表现为一条连续亮线或亮带。
CFAR：让门限跟着背景变
海洋背景会随时间、方位变化。CFAR 不用固定门限，而是用待检测点附近的参考单元估计背景，再给出局部门限。这样能减少“某个方向长期偏亮导致的假警”。
跟踪：不要只相信单帧峰值
把每一帧检测点按“方位连续、速度合理、强度可信”连接起来。简化入门版可用卡尔曼滤波；多目标、交叉航迹时可用更复杂的数据关联。
输出：给操作员或上层算法看的结果
组合1最终输出通常不是一张孤立图，而是：候选目标方位、检测置信度、方位历程、轨迹质量、断点位置、可能的虚警区域。
组合1伪代码：从阵元数据到方位轨迹
输入：M通道阵列数据 X[m, n]，候选方位 angles，处理窗长 L，步长 H
输出：BTR矩阵 E[t, θ]，检测点 detections，方位轨迹 track
1. X_clean = preprocess(X)
- 去直流 / 带通滤波 / 通道校准 / 坏道处理
2. 对每个时间窗 t：
window = X_clean[:, tH : tH+L]
对每个候选方位 θ：
delays = steering_delay(array_geometry, θ)
y = delay_and_sum(window, delays)
E[t, θ] = sum(abs(y)^2)
3. 对 BTR 每个单元做 CFAR：
ref = training_cells_around(E, t, θ)
threshold = mean(ref) + k * std(ref)
if E[t, θ] > threshold:
detections.append((t, θ, E[t, θ]))
4. 跟踪：
用卡尔曼滤波或简单连续性规则连接检测点
输出平滑方位 track[t]
入门参数建议与常见错误
处理窗长：窗长越长，能量积累越充分，但轨迹响应越慢。目标快速机动时不要盲目加长。
方位栅格：栅格太粗会漏掉峰值，太细会增加计算量，也可能给人“虚假的超高精度”。
CFAR 参考单元：参考区不能把目标峰也算进去，否则门限被目标抬高，弱目标反而被漏掉。
BTR 亮点：单个亮点不等于目标。连续性、方位运动合理性和多源证据更重要。
组合1交互实验：亲手调出 BTR 轨迹
下面使用合成数据模拟“目标在方位上缓慢移动”。拖动滑块，观察阵元数、信噪比、目标机动和门限系数如何影响 BTR、检测点和轨迹稳定性。
BTR + CFAR + 简易跟踪演示
亮色区域代表波束形成后的能量。红色小点是超过自适应门限的检测点，绿色线是简化轨迹估计。数据为教学合成，不代表真实声纳数据。
组合2：低频线谱增强型流程
CBF → 方位波束输出 → LOFAR → 背景均衡 → 线谱增强 → 线谱跟踪 → 目标确认。这条链路适合目标具有稳定机械线谱时使用，例如主机、辅机、轴系、齿轮、泵等引起的窄带频率成分。
从 BTR 选一个方位，再进入 LOFAR
组合2经常接在组合1后面：组合1告诉你“哪个方位可能有目标”，组合2回答“这个方位有没有稳定低频机械线谱”。
STFT：把一段声音变成“时间-频率图”
把波束输出切成重叠短窗，每一窗乘 Hann 窗后做 FFT。窗长决定频率分辨率：窗越长，频率线越细；但目标变化响应越慢。
背景均衡：让“细线”从噪声底上站起来
水下噪声常常低频强、高频弱。若直接显示功率谱，低频背景可能很亮。背景均衡会估计每个频率附近的噪声底，再做扣除、除法或 dB 比值。
线谱增强：找窄、亮、连续的频率线
常见做法包括频向中值滤波、时间向平滑、局部峰值检测、谱白化、动态规划或 Viterbi 轨迹搜索。入门时先掌握“峰值 + 连续性”即可。
线谱跟踪：频率也会随时间漂移
目标转速、载荷或相对运动变化会让线谱略微漂移。不要只看某一帧，要跟踪线谱随时间的轨迹，并判断多条线是否同步漂移。
目标确认：把频谱证据和方位证据合在一起
如果某一方位在 BTR 上有连续轨迹，同时该方位 LOFAR 上出现稳定线谱，目标可信度会明显高于单独使用其中一种证据。
组合2伪代码：从目标方位到 LOFAR 线谱
输入：阵列数据 X[m,n]，目标方位 θ*，窗长 N，步长 H 输出：LOFAR谱图 Z[t,f]，线谱轨迹 lines 1. y = beamform_to_bearing(X, θ*) - 可用 CBF 或 MVDR 2. 对每个时间窗 t： frame = y[tH : tH+N] * hann(N) P[t, f] = abs(FFT(frame))^2 3. 背景估计与均衡： B[t, f] = local_median_or_smooth(P[t, f]) Z[t, f] = 10*log10(P[t, f] / B[t, f]) 4. 线谱检测： peaks = local_maxima(Z[t, :]) above threshold 5. 线谱跟踪： 在相邻时间窗之间连接频率接近的 peaks 删除持续时间过短、漂移过大、不满足倍频关系的假线
LOFAR 参数怎么选
频率分辨率：Δf = fs / N。想分开很接近的线谱，需要更长窗 N，但响应更慢。
重叠率：常用 50%～75% 重叠，让时频图更平滑。
窗函数：Hann 窗常用于降低谱泄漏；线谱很弱时，谱泄漏会显著影响可见性。
背景均衡：先估计噪声底，再做归一化。不要把真实线谱过度平滑进背景模型里。
组合2交互实验：观察 LOFAR 线谱如何显现
下面模拟一个目标方位上的波束输出信号。它包含若干条低频线谱、背景噪声和缓慢频率漂移。切换显示模式，观察“原始谱图”和“背景均衡后谱图”的差异。
LOFAR + 背景均衡 + 线谱跟踪演示
拖动基频、倍频数、漂移和线谱强度，观察窄带线如何从低频噪声底中被提取。白色/绿色轨迹为简化线谱跟踪结果。
组合1和组合2怎么配合使用？
最常见的工程思路不是二选一，而是先用组合1发现可疑方位，再用组合2验证该方位是否有稳定线谱证据。
| 维度 | 组合1：BTR/CFAR/跟踪 | 组合2：LOFAR/线谱增强 | 组合使用建议 |
|---|---|---|---|
| 核心问题 | 某个方位上是否持续有能量异常？ | 某个方位上是否有稳定低频线谱？ | 先方位发现，再频谱确认。 |
| 主要输入 | 多阵元阵列数据。 | 某个目标方位的波束输出。 | 组合1输出 θ*，组合2处理 y_{θ*}[n]。 |
| 强项 | 稳健、实时、能发现无线谱但宽带能量明显的目标。 | 对弱而稳定的机械线谱敏感，可用于目标确认和分类线索。 | 二者证据一致时，可信度更高。 |
| 弱项 | 旁瓣、背景起伏和多目标可能造成虚警或轨迹粘连。 | 无线谱、强机动或频带选错时效果较差。 | 用 BTR 约束方位，用 LOFAR 约束频率。 |
| 典型输出 | BTR 图、检测点、方位轨迹。 | LOFAR 图、线谱频率、线谱轨迹、倍频关系。 | 融合输出：目标方位 + 线谱证据 + 置信度。 |
推荐学习顺序
- 先理解 CBF 为什么能提高 SNR。
- 再看 BTR 如何把方位峰连成轨迹。
- 最后学习 LOFAR 如何从目标方位里提取线谱。
推荐调参顺序
- 先固定预处理和阵列几何。
- 调 BTR 的时间窗、方位栅格和 CFAR。
- 锁定方位后再调 LOFAR 窗长、重叠和背景均衡。
推荐输出格式
- 方位轨迹：θ(t)、强度、置信度。
- 线谱表：f(t)、持续时间、倍频族。
- 融合结论：发现/确认/待复核。
入门者最容易踩的坑
这些问题往往不是算法公式错了，而是工程细节让显示结果看起来“很像目标”。
把“亮”误认为“目标”
背景噪声、海况、自噪声、旁瓣和其他声源都可能让 BTR 某处变亮。判断目标要看时间连续性、方位合理性和多特征一致性。
忽略阵列校准
通道幅相不一致会直接影响波束形成。CBF 虽然稳健，但错误校准仍会导致主瓣变宽、旁瓣异常、方位偏差。
CFAR 参考窗污染
如果参考单元包含目标峰，门限会被抬高，弱目标被自己“压掉”。因此需要保护单元和合理参考窗。
LOFAR 窗长一味加大
长窗能提高频率分辨率，但会降低时间分辨率。目标机动、线谱漂移或短时出现时，过长窗反而会模糊。
过度背景均衡
均衡太弱，线谱出不来；均衡太强，真实线谱可能被当成背景消掉。要结合线谱连续性和多帧结果判断。
只看单一证据
组合1发现的方位轨迹和组合2发现的线谱轨迹应互相验证。单独的 BTR 亮线或单独的谱线都可能是误判。
小测验：你是否真的理解流程？
点击选项查看反馈。答错没关系，重点是理解每一步为什么存在。
1. 为什么组合2通常要先经过波束形成再做 LOFAR？
正确答案：B。LOFAR 关心目标方向上的低频线谱。先通过波束形成取目标方位，线谱会更清楚。
2. BTR 上某个点很亮，最稳妥的判断是什么？
正确答案：C。BTR 单点亮可能来自噪声、旁瓣或瞬时干扰。轨迹连续性更重要。
3. LOFAR 窗长增加后，通常最直接的变化是什么？
正确答案：A。窗长 N 增大，Δf=fs/N 变小；但一窗覆盖更长时间，机动响应会变慢。
公开资料与阅读入口
本教程的交互图使用合成数据，术语和流程参考了公开资料中对 BTR、CBF、LOFAR、DEMON/线谱处理的描述。以下链接便于继续学习。
- Weak Underwater Acoustic Target Detection and Enhancement with BM-SEED Algorithm：介绍 BTR 在被动声纳目标检测与跟踪中的使用，以及 CBF、MVDR、MUSIC/ESPRIT 的背景。
- Types of sonar systems, LOFAR and DEMON analysis：给出 LOFAR/DEMON 的基本步骤说明，包括选方位、加窗、FFT、归一化等。
- Broadband Passive Sonar Track-Before-Detect Using Raw Acoustic Data：讨论宽带被动声纳中 BTR、波束形成能量、背景时空相关和跟踪检测问题。