Kotelnikov Institute of Radio Engineering and Electronics of RAS Русский Sign in Submit a paper
Journal of Radio Electronics Online scientific journal · eISSN 1684-1719
2017, № 11 · RADIO WAVE PROPAGATION

Алгоритм распознавания акустических, оптических электрических сигналов от слабых источников в присутствии известного фона

A.V. Gerus1, E.V. Savchenko1, V.P. Savorskii1

1 Kotelnikov IRE RAS, Moscow, Russia
Full text (PDF) UDC 004.021 EDN YMEPLU

Abstract

A method for identifying weak optical as well as electrical and acoustic signals from biological objects on a known background in a multispectral analysis is proposed. The method is based on the use of normalized calibrated background spectra and possible objects and using the orthogonalization procedure, under which the orthogonal projection module is determined to the background and object vectors in the extended multidimensional space. For a correct hypothesis of an object, this module must have a minimum value among the possible ones. Mathematical modeling on the example of optical signals from the aerodrome near Moscow, obtained by a hyperspectral receiver, showed a good recognition of all four objects under consideration with a background fraction in the mixture up to 85-95%.

  • orthogonal projection
  • variability
Аннотация (на русском)

Алгоритм распознавания акустических, оптических электрических сигналов от слабых источников в присутствии известного фона

Предложен способ идентификации слабых оптических, а также электрических и акустических сигналов на известном фоне в многоспектральном анализе. Способ основан на использовании нормированных калиброванных спектров фона и возможных объектов и использовании процедуры ортогонализации, при которой находится модуль ортогональной проекции к векторам фона и объектов в расширенном многомерном пространстве. Для правильной гипотезы объекта этот модуль должен иметь минимальное значение среди возможных вариантов. Математическое моделирование на примере оптических сигналов от подмосковного аэродрома, полученных гиперспектральным приемником, показало уверенное распознавание всех рассмотренных четырех объектов при доле фона в смеси до 85-95%.

For citation

Gerus A.V., Savchenko E.V., Savorskii V.P. Алгоритм распознавания акустических, оптических электрических сигналов от слабых источников в присутствии известного фона // Journal of Radio Electronics. – 2017. – No. 11.

References

  1. Миргородский В.И., Герасимов В.В., Пешин С.В. Обнаружение новых акустических сигналов от головы человека. // Акустичекий журнал. 2014. Т. 60 № 4. С. 437-442.
  2. Amro I., Mateos J., Vega M., Molina R., Katsaggelos A.K. A survey of classical methods and new trends in pansharpening of multispectral images. // EURASIP Journal on Advances in Signal Processing. 2011.
  3. Loncan L., Almeida L.B., Bioucas-Dias J.M., Briottet X., Chanussot J., Dobigeon N., Fabre S., Liao W., Licciardi G.A., Simões M., Tourneret J.-I., Veganzones M.A., Vivone G., Wei Q., Yokoya N. Hyperspectral pansharpening. // IEEE Geoscience and remote sensing magazine. 2015. No 3. P.27-46.
  4. Журавель Ю.Н., Федосеев А.А. Особенности обработки гиперспектральных данных дистанционного зондирования при решении задач мониторинга окружающей среды // Компьютерная оптика, 2013. Том 37. № 4. С.471-476.
  5. Игнатьев В.Ю., Матвеев И.А., Мурынин А.Б., Трекин А.Н. Метод повышения разрешения космических изображений с использованием априорной информации в векторной форме для сохранения границ. // Вестник Московского государственного технического университета им. Н.Э. Баумана. Серия «Естественные науки». 2017. С.1717-1730
  6. Хафизов Д.Г. Синтез и анализ алгоритмов распознавания изображений пространственных групповых точечных объектов. Дисс. канд. техн. наук. Йошкар-Ола. 2004. 151 с.
  7. Герус А.В., Герус Т.Г. Акустооптические методы идентификации объектов в гиперспектральном анализе. // Физические основы приборостроения, 2015. C. 70-83.
  8. J. Pearlman, S. Carman, C. Segal, P. Jarecke, P. Barry Overview of the Hyperion Imaging Spectrometer for the NASA EO-1 Mission // Geoscience and Remote Sensing Symposium, 2001. IGARSS '01. IEEE. 2001. Vol. 7
  9. ВЕГА-PRO - Профессиональный информационный сервис анализа данных спутниковых наблюдений для оценки и мониторинга возобновляемых биологических ресурсов [электронный ресурс]. Режим доступа: http://pro-vega.ru
  10. D. Manolakis, G. Shaw. Detection Algorithms for Hyperspectral Imaging Applications // Signal Processing Magazine. IEEE. 2002. Vol. 19. No. 1. P. 378-384.
  11. D. Manolakis, D.Marden, G. Shaw. Hyperspectral Image Processing for Automatic Target Detection Applications // Lincoln Laboratory Journal. 2003. Vol. 14. No 1. P. 79-115.