Abstract
When solving the actual task of detecting by its own acoustic emission (AE) unmanned aerial vehicles (UAVs), making a potential threat to various areas of human activity, it becomes necessary to distinguish its signal from all other acoustic noises. The application of the autoregression model, widely used in practice, is complicated by the need to use significantly high orders of the model, since the distinguishing features of the UAV acoustic signal that differ it from other signals are located in the low-frequency region of the spectrum. The article proposes the use of a composite autoregression model that adequately describes the correlation properties of a signal at significant time intervals and provides an increase in spectral resolution in the low-frequency region. Experimental studies carried out on using the proposed mathematical model show significant differences in the spectral power density (SPD) of UAVs AE from SPD of various sources’ noise, which improve the quality characteristics of the UAV detection-recognition problem. A simplified procedure is proposed for determining frequencies of SPD peaks of a long-term autoregression model without spectrum calculation, which is advisable to use when working in real time.
Highlights
Модель авторегрессииМодель АР рационально использовать для узкополосных случайных процессов.
В основу модели АР положена корреляция отсчета случайного процесса в текущий момент времени с некоторым конечным или бесконечным числом отсчетов в предыдущие моменты времени.
Корреляционные связи позволяют осуществить регрессию текущего отсчета на предшествующие отсчеты.
Summary
Модель АР рационально использовать для узкополосных случайных процессов. В основу модели АР положена корреляция отсчета случайного процесса в текущий момент времени с некоторым конечным или бесконечным числом отсчетов в предыдущие моменты времени. Корреляционные связи позволяют осуществить регрессию текущего отсчета на предшествующие отсчеты. В уравнении АР текущий отсчет представляется взвешенной суммой предыдущих отсчетов с некоторыми коэффициентами веса [14]. J=1 где Φ[p, j] – коэффициенты АР, a[t] – некоррелированные случайные отсчеты, p – порядок модели АР. Первый индекс у коэффициентов АР и корней уравнения (7) указывает на порядок модели. Условие оптимальности позволяет получить уравнения и определить критерии для определения параметров модели – коэффициентов АР и порядка модели. Уравнения для расчета оптимальных оценок коэффициентов АР получают из (1), они носят название уравнений Юла-Уокера p.
Sign-in/Register to view highlights & summary Sign-in/Register to access full text options 
Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have
Schedule a callMore From: Visnyk NTUU KPI Seriia - Radiotekhnika Radioaparatobuduvannia
Disclaimer: All third-party content on this website/platform is and will remain the property of their respective owners and is provided on "as is" basis without any warranties, express or implied. Use of third-party content does not indicate any affiliation, sponsorship with or endorsement by them. Any references to third-party content is to identify the corresponding services and shall be considered fair use under The CopyrightLaw.
