|
$ a. W0 W% L# m6 I( R
美国军方对于科研的基金和项目资助种类很多，其中最吸引人关注的就是SBIR和STTR项目。SBIR项目又称为Small Business Innovation Research，即小企业创新研究项目；STTR项目又称为Small Business Technology Transfer，即小企业技术转化项目。SBIR由美国国会创立于1982年，目的是通过联邦基金资助和鼓励小型商业领域的研发和创新，其宗旨归纳起来主要是以下几个方面，一是激励技术创新；二是使用小商业科研的模式来满足联邦研发的需求；三是刺激和鼓励那些社会地位和经济实力较弱的小型商业企业努力参加技术创新；四是增加联邦科研中私人商业创新模块的占比，从而鼓励竞争、增加产能和提升经济水平。按照美国防部项目发布周期来看，美海军SBIR项目发布机构（SBIR Broad Agency Announcements，BAA）通常每年发布3次，包含了一系列来自海军及其系统司令部关心的技术主题。小型企业根据技术主题内容进行投标，并阐述自己的目标。STTR一般每年发布2次。 ! V* I, F% J: ^- H
SBIR和STTR的项目研究机制是很有意思的，美国人采取带有竞争性的三阶段模式：阶段一，这个阶段一般是可行性研究，决定某种技术或者idea的科学性，技术上是否可行，同时能否回答海军部的需求，这个阶段里面SBIR、STTR的资助金额最多不能超过14万美元；阶段二，进入这个阶段前提是阶段一成功完成，某个公司进入该阶段以后，需要将自己的技术做成原型，通过演示的方式进行测试和验证；阶段三，这个阶段是SBIR项目最重要的阶段，这个阶段里面SBIR项目基金是没有钱的，项目研发的费用主要来自于政府和私人企业，通过资助，使得企业的SBIR项目转化为产品、工具和服务，最终能够满足海军的需要。还有一点比较重要的是，如果某个企业能够竞争获得阶段一研发资助的话，那么阶段三研发奖也能随之获得，无需再竞争。 + Z5 a$ ~* W2 R* u% S
2020年注定是不平凡的一年，那么日我们来看看美军在水下战科研领域这几年到底在关注什么，聚焦什么？ ' ^0 B9 U# m9 }. `7 K
( {8 S1 E! Z( r c* J 一、拖曳线列阵方向 5 w {, d8 ~# t, z2 d0 b8 o
⒈拖曳阵监测
; T, K9 L, O* w8 P& Q( D+ z 《Environmental Condition Monitoring for Towed Arrays》项目的研究方是Luna Innovations公司，主研究人员是Kevin Farinholt，投资年度为2020财年，目前研究阶段为Phase I。项目主要用于给拖曳阵监测环境和作战数据的，可以有效减少和预防阵元损坏，减少10%的运维成本。
5 _# \) Z6 d" Y6 | ⒉拖线阵抗切割隔振模块
* |! A' ]' K6 @2 r4 A3 G3 o: B 《Surface Ship Fat Line Towed Array Cut-Resistant Vibration Isolation Module (VIM)Hose》项目的研究方是METSS公司，主研究人员是Kenneth Heater，投资年度为2019财年，目前研究阶段为PhaseⅡ。项目主要用于给TB-37、TB-16和TB-34 multi-function拖曳阵研发新型的隔震段模块，能够做到high-tension,longline fishing tackle。 ( f+ j1 Y3 F! W
⒊Surtass大孔径拖曳线列阵改善 8 _# X# l" V6 _
《Methods for Measuring an Acoustic Arrays Straightness and for Autonomous Mechanical Straightening to Avoid Contact with Sea Bottom Under All Operational Conditions》项目的研究方是Makai Ocean Engineering公司，主研究人员是Kevin Veenstra，投资年度为2019财年，目前研究阶段为PhaseⅡ。项目从名字上就很有意思，主要是用于改善Surtass大孔径拖曳线列阵的检测能力的。项目认为，像Surtass这样的拖线阵，必须使其不受流的影响，从而保持直线状。美国海军一直在寻求创新手段能够使得Surtass在浅海区作业时保持直线不拖撞到海底。Makai公司在Phase I 中从概念上发明了一种拖曳稳定器，包含一个拖体夹住船尾拖曳阵的左右舷，提供一种均匀的拖曳力。通过数值模型仿真和海试，证明该稳定器能够至少提供20%～50%的深度控制能力，使得拖曳阵小于±2英寸的扭曲，大大减少的对海底的碰撞。 ; h8 s9 H" u5 ]) U/ g
⒋多舰声呐双基地主动定位
8 v+ Z3 m# r2 E$ X9 i1 V. g/ t 《Multi-ship Sonar Bistatic Automatic Active Localization》项目的研究方是Metron公司，主研究人员是Terence Bazow，投资年度为2019财年，目前研究阶段为PhaseⅢ。项目从研究阶段来看，已经进入实用化阶段了，相当于成熟了。Metron公司为美国海军开发了成熟了双基地主动处理系统。该项目通过对信号和信息处理链在目标检测、跟踪和定位上的处理，从而提供目标的状态估计和不确定信息。PhaseⅡ的研究目标是研究出通用的双基地检测、跟踪和分类处理系统。 ) ]& N! C3 x9 O( l1 H
⒌用于主动声呐跟踪和分类的聚类与关联算法 % `( _- Y; R, Y+ @2 J3 |
《Next-Generation Clusterer: Clustering and Association for Active Sonar Tracking and Classification》项目的研究方是ARiA公司，主研究人员是Jonathan Botts，投资年度为2019财年，目前研究阶段为PhaseⅠ。项目研究是为了满足海军需要创新主动探测能量杂波聚类和联合算法，用于改善AN/SQQ-89A(V)15系统主动探测性能。ARiA公司开发出了下一代杂波聚类器，算法主要包括回声定位目标特征增强，杂波剔除和目标辨识，其中回波特征增强，主要通过深度学习算法实现。 * T$ ^6 z8 G% I& j0 a6 S
⒍主动声呐的物理改进
: l$ Y9 O3 j t( P- x, F 《Physics-Based Improvements for Continuous Active Sonar (CAS)》项目的研究方是Signal Systems公司，主研究人员是John Murray，投资年度为2020财年，目前研究阶段为PhaseⅡ。Signal Systems公司开发了一种新的运动自适应匹配滤波器，将观测到的连续波主动声呐回波的标准副本转化为时变延迟量（tuning standard replicas to account for time-varying delays observed in received continuous active sonar (CAS) echoes）。该方法能够直接将线性调频的时变延迟物理模型融入估计算法，解决水面舰舰壳声呐、拖曳声呐和目标之间的未知与未测量运动。
3 a* i2 u* U2 s1 Y2 W 
+ K& H. Z$ u( y
二、被动声呐信号处理
' |* f' z5 s& L q: H! y7 h ⒈声学反探测决策辅助 ) p4 T1 [+ Z' v( e6 J' a
《Acoustic Counterdetection Mitigation (ACDM) Decision Aid》项目的研究方是Daniel H.Wagner,Associates公司，主研究人员是W.Monach，投资年度为2020财年，目前研究阶段为PhaseⅠ。Daniel H. Wagner Associates (DHWA)公司开发声学反探测缓解进化机器学习算法（Acoustic Counterdetection Mitigation(ACDM)Evolutionary Machine Learning(EML)），主要用于改善现有的作战路径规划软件。该方法通过准确计算累积反探测概率，能够自动生成并推荐最优化的反潜战搜索，为友方反探测反潜平台解决潜艇威胁提供办法。 * U3 l# z- _5 Y+ ~
⒉改进鱼雷防御能力 0 E0 ~# M6 A6 [
《Improved Torpedo Defense》项目的研究方是3 Phoenix公司，主研究人员是Russ Jeffers，投资年度为2011财年，研究阶段为PhaseⅡ。该项目通过研究先进统计信号处理算法，能够自动分类并分辨鱼雷齐射。在PhaseⅡ中，主要解决端射方向齐射鱼雷的分辨率，通过使用多途分辨、谱分析方法，能够有效提取和分辨空间上接近窄带声特征信号的空间分辨率。同时，利用多模、多传感器数据融合允许水面图像的解杂波问题。
+ C) A8 V0 ]* E( Y/ U ⒊基于深度学习的鱼雷目标被动检测和分类 . r0 @+ [ E: ^
《Big Data Tools for High-speed Threat Detection and Classification》项目的研究方是Black River Systems Company公司，主研究人员是Jonathan Soli，投资年度为2019财年，研究阶段为PhaseⅠ。该项目研究一种深度学习方法从被动信号中用于检测和分类疑似鱼雷目标。鱼雷检测中，需要经验丰富的操作员从波束级显示图像中分拣出鱼雷目标信号，这往往非常耗时。因此，该项目开发出FRONT ROW（Fast Recognition Of Naval Threats for Reducing Operator Workload）方法，能够自动检测和分类潜在威胁目标，同时能够将波束级中感兴趣的目标信号分拣出提示操作员注意。FRONT ROW方法使用一个混合卷积神经网络（H-CNN）来分类波束级谱图数据中的短帧（0.5秒），同时采用序列贝叶斯算法来融合H-CNN输出。对比全帧处理技术，FRONT ROW基于短帧的处理方法将利用更简单的网络，更少的训练数据。FRONT ROW的分类正确率能够到70%。 ( c, D+ g$ W' j
⒋Surtass鲁棒性更强的拖线阵波束形成算法 3 i6 ^4 h0 h9 B$ z$ J, C
《Robust Towed Array Beamforming》项目的研究方是Digital System Resources公司，主研究人员是Benjamin Shapo，投资年度为2003财年，研究阶段为PhaseⅠ。该项目为了Surtass被动信号处理开发新的算法。从研究阶段来看，这个项目只研究了一个阶段就没有下文了，估计是这个技术性能有问题终止了。但是这个方法还是有一定效果的。该项目主要是Shapo和Bethel开发的新式自适应波束形成方法，该新算法被称为最优化和约束空间处理（Spatial Processing:Optimized and Constrained(SPOC)），该方法通过搜索每个传感器上平面波集的最小能量来完成目标检测。其波束形成的权向量与传统的自适应波束形成权向量不同，其利用的是波束形成器输出噪声最小化。该方法我认为值得进一步追踪研究，尤其是在大孔径低频拖曳线列阵上。
7 e# m8 M( E2 d0 e8 O: o ⒌浅海低频信号的自适应处理算法
8 C' K- Y; i' b1 P8 f/ q$ ~9 c/ j 《ADAPTIVE PROCESSING FOR SHALLOW WATER LOW FREQUENCY ACTIVE (LFA) OPERATIONS》项目的研究方是Digital System Resources公司，主研究人员是DAVID DEFATTA，投资年度为1995财年，研究阶段为PhaseⅡ。该项目通过研究一种约束自适应波束域波束形成器，用来从主瓣中剔除旁瓣干扰。在该项目的Phase I研究中，通过使用Cholesky Factorization最小方差无失真响应（CF-MVDR）和约束最小均方格状联合预处理（CP-JPLSL），最终实现对波束域协方差矩阵相干空间分离（CSD），能够改善浅海运用中的性能。该方法已经被应用在了Surtass中，因此，可以看出来，美国人在2000年以前，已经完成了大部分被动检测信号处理算法的研究。
* M( y# ^: ]& _* t6 s3 H7 \. E ⒍高分辨率图像处理技术 * @0 A5 Q: {$ Q' D/ v+ g
《Develop and Produce High Resolution Image Processing with a MidFrequency Active Sonar》项目的研究方是Ocean Acoustical Services and Instrumentation Syst公司，主研究人员是Phil Abbot，投资年度为1998财年，研究阶段为PhaseⅡ。该项目在PhaseⅠ的研究中，通过在AN/SQS-53C和Towed Active Receiver Subsystem (TARS)上搭配合成孔径声呐技术演示了浅海探测小目标成像的能力。下一步，匹配场处理技术将作为一种非常可靠的SAS信号处理技术用于浅海成像中改善图像分辨率。在Phase II的设计目标中，浅海小目标检测指标是探测距离为2～15公里，其中分辨率为方位1米，距离1米，深度2米，扫测绘制率为每小时100平方公里。
& D; u4 E$ }* t% }, k& M ⒎适用于浅海的波束形成算法 ; S- R5 s. K2 V, r( a. i+ W3 X3 L
《Shallow Water Beamformer》项目的研究方是3 Phoenix公司，主研究人员是Russ Jeffers，投资年度为2004财年，研究阶段为PhaseⅠ。该项目是设计一种基于浅海声场实践状态的波束形成器，首先聚焦于水平阵检测水面目标。研究方希望能够将该技术应用于弗吉尼亚攻击型核潜艇上。 6 @: R/ Q% e/ p0 t k# ~- Y
⒏宽带谱特征信息的识别与提取
. A) `) t3 q1 k( D 《Broadband Signature Information Identification and Extraction》项目的研究方是Innovative Technology Associates公司，主研究人员是Kermit Harvel，投资年度为1999财年，目前研究阶段为PhaseⅡ。在PhaseⅠ的研究中，声呐操作人员对于当前被动声呐系统宽带接触显示的分类总是显得很困惑，现有的宽带能量谱对辅助操作人员辨识帮助并不大，有个办法就是利用颜色编码对宽带谱特征信息进行分类标识。这个方法极大改善了SPED算法的性能和宽带显示效果。在PhaseⅡ研究中，针对颜色编码进一步深化研究，从而决定哪些编码能够最突出目标特征信息，能够使得操作员在混杂一片的被动宽带历程条中区分出哪些是潜艇目标。
?% D) y& q0 e2 C/ { ~! N" J 
' E$ O, Z& t6 b7 }% V
三、战术决策辅助 * `$ _8 D0 N, p4 d
⒈通过感知和模拟海洋变化提高探测率 + c+ T' `; h6 z$ f
《Detection Rate Improvements Through Understanding and Modeling Ocean Variability》项目的研究方是Ocean Acoustical Services and Instrumentation Syst公司，主研究人员是Phil Abbot，投资年度为2020财年，目前研究阶段为PhaseⅡ。浅海环境下特别依赖战术声呐系统，主要原因是空间和时间多样性潜在影响声呐系统性能。ONR资助的基础研究，同时结合舰队演习结果表明，浅海环境在战术上对美国海军至关重要，因为沿着风向方位的声速剖面快速变化，水平各向异性海底导致传播损失也存在时空各向异性的问题。大部分现有舰队战术辅助决策系统和性能预报系统中的传播损失模型，当输入模型参数准确时也能计算准确，但是事实上并没有足够的传感器能进行采样时变的环境参数，因此模型计算输出也并不准确。该项目的研究主要就是通过高频率采样环境参数，来说明声传播模型的差异性，从而来得到声呐检测的不确定量，辅助平台部署，改善后续测试的准确性。
$ b/ B1 Z+ q. h( M3 I: U ⒉反潜战威胁适应性战术决策辅助系统
! H' A+ e |8 `, g! [# G! Z 《Threat Suitability Tactical Decision Aid for Anti-Submarine Warfare》项目的研究方是Adaptive Methods公司，主研究人员是Lewis Hart，投资年度为2017财年，目前研究阶段为PhaseⅡ。Adaptive Methods公司开发了一种新的战术辅助决策软件，用来评估反潜战威胁。该项目使用模糊逻辑算法来定义、开发和评估威胁适用性问题，利用多准则决策分析来决定在敌对威胁条件下的适应能力。
% H( s2 s. K L 
! K% O% w }3 {% y
来源：范文涛科学网、水声之家、溪流之海洋人生
1 ?7 j# d3 W: z: n {3 d
0 q/ v+ I, C. Z
) B4 M$ d! G9 j. t m+ I6 G, H& F7 D, ]3 `
; d' h6 Z/ n' I1 Q
8 P( s+ V0 e8 R* x! g3 @! r, v
| 
