Passive acoustic bearing estimation algorithms applied on hydro acoustic data

Syftet med detta examensarbete är att utvärdera bäringsprestandan hos tre olika metoder mot inspelad data från en verklig sonarapplikation, där källan är ett fartyg i rörelse. De utvärderade metoderna är klassisk lobformning och två högupplösande metoder Minimum Variance och MUSIC (MUltiple SIgnal Classification). Den spatiala kovariansmatrisen har en central betydelse för noggrannheten i bäringsestimaten för alla tre metoderna, vilket gör att den måste vara välestimerad. Estimeringen av den spatiala kovariansmatrisen och bäringsmetodernas prestanda har utvärderats med avseende på längden hos estimeringsfönstret (d.v.s. antal använda sampel för varje bäringsestimat) och rekursiv uppdatering av den spatiala kovariansmatrisen). Detta har gjorts genom att först etablera ett målspår och sedan följa detta under hela inspelningen. Mätningarna har visat att den rekursiva uppdateringen av den spatiala kovariansmatrisen ger en bättre bäringsprestanda än att använda längre estimeringsfönster. Dessutom kommer beräkningstiden och eftersläpningen i bäringsestimaten att reduceras. Både klassisk lobformning och MUSIC ger väldigt noggranna bäringsprestanda, till skillnad från Minimum Variance vilken har en betydligt sämre noggrannhet. MUSIC metoden är dock den metod som visar på de bästa upplösningsegenskaperna och har visat sig vara kapabel att separera två närliggande mål.