Nyligen, ett forskarlag från Shanghai Institute of Optics and Fine Mechanics vid den kinesiska vetenskapsakademin (CAS) föreslog multi-source aliasing undertryckning för distribuerad fiber akustisk avkänning (DAS) med riktad koherent förbättringsteknologi. Resultaten publicerades i Optik bokstäver .

DAS har några unika fördelar, inklusive stor täckning, hög rumslig och tidsmässig upplösning, och stark omgivningsanpassningsförmåga, så det används i stor utsträckning inom många områden.

För närvarande, DAS är fortfarande besvärad av aliasproblemet från flera närliggande källor på grund av dess fysiska mekanism. Å ena sidan, svaga målsignaler kan översvämmas av intensivt bredbandsljud. å andra sidan, flera målsignaler är utmanande att detektera individuellt.

Lösningen av multi-source aliasing är till hjälp för att individuellt upptäcka multi-source signaler, identifieringsförmågan och tillförlitligheten hos DAS kommer att förbättras, och den storskaliga ansökningsprocessen kan främjas.

Forskarna föreslog ett nytt DAS-detektionsschema baserat på distribuerad riktningskoherensförbättring för interferensundertryckning av flera källor.

Med den unika karaktäristiken för kontinuerligt rumslig detektering och arraysignalbehandlingsidé, den rumsliga korrelationen mellan flerdimensionell detekteringsdata undersöktes, den distribuerade riktningsmässiga koherensförbättringen realiserades, signaler från specifika riktningar kan förstärkas eller undertryckas, och multi-source aliasing skulle kunna undertryckas.

I experiment, de fann att den föreslagna metoden kan extrahera svaga målsignaler från intensivt omgivande bredbandsbrus. De samma frekvenssignalerna från olika intilliggande mål kan också separeras från varandra med den riktade lyssningsmetoden.

I den föreslagna metoden, arraysignalbehandlingsidén användes framgångsrikt i DAS, och distribuerat riktat lyssnande förverkligades. Många vanliga problem från alias med flera källor, som låg igenkänningsnoggrannhet och robusthet, kan lösas, och den föreslagna metoden förväntas främja en storskalig implementering av DAS.