CN109581385B - 基于大耳蝠双耳廓仿生声呐的目标定位装置及方法 - Google Patents

Abstract

本发明公开了基于大耳蝠双耳廓仿生声呐的目标定位装置及方法，基于蝙蝠仿生耳的回声定位装置，使用两个阵元获取的回声就能确定到目标的方位角和俯仰角，定位到目标所在的空间位置，解决了使用双阵元天线无法定位到空间坐标的问题。本发明所述的基于蝙蝠仿生耳的定位方法，根据蝙蝠耳的滤波特性，使用了神经网络估计空间位置的方法，并且使用了脉冲串估计方法减小了估计角度的误差，得到了精确的方位角和俯仰角。

Description

基于大耳蝠双耳廓仿生声呐的目标定位装置及方法

技术领域

本公开涉及目标定位领域，特别是涉及基于大耳蝠双耳廓仿生声呐的目标定位装置及方法。

背景技术

本部分的陈述仅仅是提高了与本公开相关的背景技术，并不必然构成现有技术。

在天线的阵列信号处理中，如果想利用天线对某一物体进行准确的定位，将天线的位置作为原点，仰角、方位角、距离这三个分量缺一不可。使用发射的信号与回波信号的时间差可以确定距离，利用时延估计或多重信号分类(MUSIC)等算法能够计算出方位角的变化，但是仰角方向上的算法却有待研究。

蝙蝠声呐可以使蝙蝠在黑暗和复杂的环境下拥有灵活的运动能力，蝙蝠有许多种类，它们的耳朵和鼻叶各不相同，能够让蝙蝠获得空间中物体的位置信息。作为蝙蝠信号发射部位的鼻叶和接受回声的耳廓经过长期进化，形成了与声呐系统相适应的外在复杂结构，蝙蝠的外耳能够等效为一个声学天线，仅通过两个外耳的声音反射就可以对声场的波束进行调节。

对于蝙蝠的定位特性的研究，很多国家的研究者都对此进行了大量尝试。当今基于声波定位技术在工程技术的应用上取得了较大的进步，很多研究表明，使用类似于蝙蝠发出的宽带声信号能够识别物体的空间信息。Yamada Y等人研究了能够使用类似蝙蝠头的装置来检测空间中某些位置的信息，并且实现避障功能。R Müller等人模仿马铁菊头蝠的耳廓的动态形变设计了仿生智能耳。Dieter Vanderelst等人根据他们统计的声音数据提取的特征，将一些自然物体分类，实现了场景识别功能。Itamar Eliakim设计了一个使用阵列麦克风回声定位原理的小车，能够自动收集地图信息。然而以上很多研究实验只是应用了双耳时延法估计方位角角度和超声测距原理估算目标距离。对于单只蝙蝠耳的结构对目标方位的准确判断却没有很多的研究，蝙蝠耳接收到的回波所包含的复杂信息也没有被充分运用。

发明内容

为了解决现有技术的不足，本公开提供了基于大耳蝠双耳廓仿生声呐的目标定位装置及方法；

第一方面，本公开提供了基于大耳蝠双耳廓仿生声呐的目标定位装置；

基于大耳蝠双耳廓仿生声呐的目标定位装置，包括：超声发生器，所述超声发生器向待测物体发射超声信号；超声信号经过待测物体反射后被安装在两个仿大耳蝠耳廓内侧底部的两个超声接收器接收；两个超声接收器接收后，将接收的信号送入信号采集器；信号采集器将采集的两个麦克风的信号由模拟信号转为数字信号后送入信号处理器；信号处理器对接收的数字信号通过短时傅里叶变换进行信号能量特征提取，将能量特征输入到训练好的神经网络中，识别待测物体的方位角和俯仰角。

所述仿大耳蝠耳廓，包括左仿生耳廓和右仿生耳廓；是对真实大耳蝠的左右两个耳廓分别进行三维扫描，获得大耳蝠耳廓的三维数据；然后通过3D打印机打印获得；打印尺寸为真实大耳蝠耳廓尺寸的n倍，超声信号的发射频率为真实蝙蝠频率的

所述仿大耳蝠耳廓，前倾设定角度固定在旋转平台上，所述旋转平台通过步进电机的控制进行旋转；所述步进电机通过控制器控制。

发射超声信号为线性调频信号脉冲串，通过改变待测物体相对超声接收器的高度和方位，来实现对待测物体相对超声接收器的方位角和俯仰角的采集。

所述超声发射器为超声喇叭，所述超声喇叭的型号包括但不限于Avisoft公司生产的ultra sound gate。

所述超声接收器为超声麦克风，所述超声麦克风的产品型号包括但不限于SPU0410LR5H-QB。所述信号采集器为National Instrumental公司的型号包括但不限于PXIe-6358信号采集卡。所述待测物体包括但不限于一个用线吊住的小球。通过控制小球高度测量仿大耳蝠耳廓仰角方向上的定位特性。所述小球可以替换为任何整体尺寸远小于定位装置到该物体距离的目标。

反射信号的频带宽度与发射信号相同，系统采样率fs大于50kHz。

信号能量特征提取的步骤为：提取反射信号的频率信息，从10kHz开始，分别提取每1000Hz频率范围的能量，形成能量特征。

因此，在申请实施例中，直接利用了大耳蝠双耳的形状以及大耳蝙蝠所使用超声的主要成分，并依据蝙蝠声呐直接相关的头部结构设计了装置的主要部分，直接模拟了大耳蝠声呐功能和定位的全过程。在蝙蝠生物声呐系统在空间目标定位的基础上，现已能够实现三维空间中单目标的准确定位。

第二方面，本公开提供了基于大耳蝠双耳廓仿生声呐的目标定位方法；

基于大耳蝠双耳廓仿生声呐的目标定位方法，包括：

步骤(1)：调整仿大耳蝠耳廓的俯仰角，超声发生器向待测物体发射超声信号；

步骤(2)：分别安装在左右两个仿大耳蝠耳廓内侧底部的超声接收器，接收超声信号的回波信号；两个超声接收器接收后，将接收的信号送入信号采集器；

步骤(3)：信号采集器将采集的两个麦克风的信号由模拟信号转为数字信号后送入信号处理器；

步骤(4)：信号处理器对接收的数字信号通过短时傅里叶变换进行信号能量特征提取，将能量特征输入到训练好的神经网络中，识别待测物体的估计方位角和估计俯仰角。

作为一种可能的实现方式，所述发射超声信号是chirp脉冲串信号每个chirp脉冲串中包括若干个等间隔的chirp脉冲，单个chirp脉冲为频率从20kHz下降到5kHz的线性调频信号，单个chirp脉冲频率从20kHz下降到5kHz持续5ms。

作为一种可能的实现方式，信号处理器对接收的数字信号通过短时傅里叶变换进行信号能量特征提取的具体步骤为：

对接收的数字信号分为m帧，通过短时傅里叶变换之后，得到每个回波信号的频谱图。针对频谱图含有回波信号的每一帧区域提取p个频谱数据，作为回波信号的能量特征；因此，最终回波信号的能量特征是一个p*m的二维特征向量；将提取出的二维特征向量转换为一维特征向量，得到两路信号的能量序列：

左耳：X＝(x₁,x₂,...,x_p,x_p+1,...,x_2p,...,x_p*m)；

右耳：Y＝(y₁,y₂,...,y_p,y_p+1,...,y_2p,...,y_p*m)；

作为一种可能的实现方式，神经网络的训练步骤为：

采用十折交叉验证方法进行神经网络训练：将所有特征划分为10个子特征集，每个子特征集包含所有采集到的数据的特征；将9个子特征集作为训练集，剩余的一个子特征集作为测试集；分别进行10次验证，以测试神经网络角度估计的可靠性。

将训练集的数据特征输入到神经网络中对神经网络进行训练；以两路信号的能量序列作为神经网络的输入值，分别以待测物体在空间中的方位角和俯仰角作为标签，进行神经网络训练；

将测试集的数据特征输入到神经网络中对神经网络的分类精度进行测试；

当分类精度达到设定阈值时，停止训练，得到训练好的神经网络。

作为一种可能的实现方式，将能量特征输入到训练好的神经网络中，识别待测物体的方位角和俯仰角的具体步骤为：

以两路信号的能量序列作为训练好的神经网络的输入值，神经网络输出目标的方位角和俯仰角。

作为一种可能的实现方式，基于大耳蝠双耳廓仿生声呐的目标定位方法，还包括：

步骤(5)：使用滑动窗计数平均法，对步骤(4)获取的待测物体的估计方位角和估计俯仰角进行处理，得到精确的方位角和精确的俯仰角；或者，

使用滑动窗累加法，对步骤(4)获取的待测物体的估计方位角和估计俯仰角进行处理，得到精确的方位角和精确的俯仰角。

作为一种可能的实现方式，滑动窗计数平均法的具体步骤为：

在每个脉冲获得了单脉冲估计方位角和估计俯仰角之后，采用一个滑动窗进行最终的角度估计，对于N个估计值来说，使用一个长度为L的一级滑动窗对设定范围的角度进行滑动，步长为窗长的一半，滑动窗的起始位置对应N个估计值中的最小值，滑动窗的结束位置对应N个估计值中的最大值；

取落入单脉冲估计角度值最多的滑动窗的中点所在角度作为结果；

当出现若干个滑动窗落入的估计角度同样为最多时，取均含有最大脉冲个数的所有滑动窗的最左边窗的左边界和最右边窗的右边界的平均值作为结果窗的中间值；

在第一级滑动搜索后，下一级搜索在上一级得到的角度范围内使用L/2的滑动窗形成新的搜索范围，继续搜索直至搜索完毕；

将最终得到的滑动窗所在角度作为脉冲串角度精确值。

作为一种可能的实现方式，滑动窗累加法的具体步骤为：

采用一个滑动窗进行最终的角度估计，对于N个估计值来说，使用一个长度为L的一级滑动窗对设定范围的角度进行滑动，滑动窗的起始位置对应N个初始估值中的最小值，滑动窗的结束位置对应n个初始估值中的最大值，步长为1°；

被滑动窗覆盖的所有整数角度处都拥有一个初始为0的y值，y值用于计算脉冲在当前角度的累加值；

当某个脉冲的估计值在窗内，则该滑动窗覆盖下的每个角度的y值均增加1；当窗口滑动结束后，统计拥有最大y值的的角度作为最优角度；

如果有若干个都是最大y值的角度，取所述若干个最大y值的角度的平均值作为结果，该结果即为第一级滑窗估计值；

在第一级滑动搜索后，下一级搜索在上一级得到的角度范围内使用L/2的滑动窗形成新的搜索范围，继续搜索直至搜索完毕。

将最终得到的滑动窗所在的角度作为脉冲串角度精确值。

为了得到更精确的估计，还可以加入L/2长度的二阶窗和L/4长度的三阶窗。

与现有技术相比，本公开的有益效果是：

1.本发明所述的基于蝙蝠仿生耳的回声定位装置，使用两个阵元获取的回声就能确定到目标的方位角和俯仰角，定位到目标所在的空间位置，解决了使用双阵元天线无法定位到空间坐标的问题。

2.本发明所述的基于蝙蝠仿生耳的定位方法，根据蝙蝠耳的滤波特性，使用了神经网络估计空间位置的方法，并且使用了脉冲串估计方法减小了估计角度的误差，得到了精确的方位角和俯仰角。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。

图1为本发明所述信号采集装置的硬件连接关系图；

图2为本发明的信号采集装置的机械连接示意图；

图3(a)和图3(b)为本发明所述信号采集装置的球坐标示意图和侧视图；

图4(a)-图4(f)为超声喇叭的发射信号与左右耳接收到的信号的语谱图和时间域图；

图5为改变脉冲串中的脉冲数量和使用不同的三级滑窗，仰角估计与真实角度的误差图；

图6(a)-图6(c)为不同误差角度、不同脉冲数量、改变方位角限制角度的使用脉冲串方法估计的仰角识别率；

图7为改变脉冲串中的脉冲数量和使用不同的三级滑窗，方位角估计与真实角度的误差图；

图8为不同误差角度、不同脉冲数量的使用脉冲串方法估计的方位角识别率。

具体实施方式

应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

本发明仅仅利用了大耳蝠的双耳形状，即达到了目标位置的判定。

大耳蝠(Plecotus auritus)是一种能够发出25KHz到65KHz调频信号的FM蝙蝠。本发明团队的研究表明，大耳蝠的面部结构与其它种类的蝙蝠如马铁菊头蝠等相比来说不算复杂，而他的耳廓结构相对复杂，在30KHz～50KHz范围内，大耳蝠耳朵模型收到的波束在各频点的能量与来波的俯仰角和方位角均有着一定的对应关系。因此大耳蝠的外耳结构可以起到信号接收天线的作用，将来自各个俯仰角的声波滤波放大处理。所以利用大耳蝠外耳接收到的扫频信号的能量分布就可确定俯仰角和方位角，据此，本发明仅仅利用了大耳蝠的双耳形状，即达到了目标位置的判定。

如图1和图2所示，一种基于蝙蝠仿生声呐的定位装置，包括：超声发生器，所述超声发生器向待测物体发射超声信号；超声信号经过待测物体反射后被安装在两个仿大耳蝠耳廓内侧底部的两个超声接收器接收；两个超声接收器接收后，将接收的信号送入信号采集器；信号采集器将采集的两个麦克风的信号由模拟信号转为数字信号后送入信号处理器；信号处理器对接收的数字信号通过短时傅里叶变换进行信号能量特征提取，将能量特征输入到训练好的神经网络中，识别待测物体的方位角和俯仰角。

两个仿大耳蝠耳廓包括左仿大耳蝠耳廓和右仿大耳蝠耳廓；左仿大耳蝠耳廓和右仿大耳蝠耳廓分别被视为左仿生天线和右仿生天线。

两个超声接收器分别为左麦克风和右麦克风。

图3(a)和图3(b)为本发明所述信号采集装置的球坐标示意图和侧视图；

仿大耳蝠耳廓可由3D打印机实现，通过对真实的大耳蝠耳廓进行三维扫描，可获得大耳蝠耳廓的三维数据，然后利用3D打印机打印获得。实际打印的尺寸可以是真实大耳蝠尺寸的n倍，但发射频率就应该降为真实蝙蝠频率的1/n。例如，我们得到的大耳蝠耳朵拥有频率扫描特性的频率范围为30～45kHz，根据缩尺模型原理，本实验用的耳朵为3倍于原大小的模型，则可以求出发射信号的有效频率范围是10～15kHz。

超声发射器：超声发射器用来实现超声发射，该发射器应能发射与耳廓尺寸相当的超声信号，本实验发射信号的有效频率范围是10～15kHz，将发射信号频率范围调整为5～20kHz。

信号采集器：用来采集由前方目标反射而来的超声反射信号，反射信号的频带宽度与发射信号相同，系统采样率fs应该大于50kHz。信号采集器把采集到的模拟信号转换为数字信号，送入信号处理器。

信号处理器：提取反射信号的频率信息，即从10kHz开始，分别提取每1000Hz频率范围的能量，形成参数向量。作为神经网络的输入。神经网络算法也由信号处理器完成。通过神经网络算法的计算，得到输出结果，也就是目标的方位角和俯仰角。

实验所用的蝙蝠耳为3D打印机打印的大小为3倍于原耳朵的模型，两只模型取自于同一只大耳蝠耳朵模型的镜像，在耳朵底部放入一个超声麦克风，通过使用绝缘胶布固定在旋转平台上，同时防止声波从模型底部进入麦克风，耳模型前倾40度。旋转平台下面为一个步进电机，方便进行两只耳朵的旋转，从而测量方位角上的定位信息。步进电机下面为超声喇叭，待测物体为一个使用线吊住的小球，通过控制小球高度可以测量耳朵模型仰角方向上的定位特性。

所述超声喇叭的型号是Avisoft公司生产的ultra sound gate；所述信号采集与处理装置为National Instrumental公司的型号为PXIe-6358信号采集卡；所述麦克风的产品型号为SPU0410LR5H-QB；所述步进电机的型号为42BYGH34。

改变物体的相对定位装置的方位角和俯仰角，发射线性调频信号脉冲串，通过信号采集器采集回波信号并将回波信号保存在信号处理器中。

所述信号处理器将接收的回波信号做短时傅里叶变换，形成参数向量，作为神经网络的输入。

使用神经网络训练提取的特征，得到目标的方位角和俯仰角。

一种利用上述装置进行定位的方法，步骤包括：

除了采用基于神经网络的算法获得目标方位角和俯仰角的估计值之外，为了提高精度，发射的超声信号是chirp脉冲串信号。每个chirp脉冲串中包含了多个等间隔的chirp脉冲，单个脉冲为频率从20kHz下降到5kHz的线性调频信号，持续5ms。

用超声发射器发射脉冲串信号，目标反射后经过蝙蝠双耳模型，被采集器接收。在对回波信号做短时傅里叶变换之后，便可得到每帧声音频域下的幅频变化规律。把接收到的5ms回波信号谱图的对角线区域分为20帧，每帧分为30个值作为窄带频率特征，因此回波信号的总特征是一个30×20的向量。

取对角线区域的的分段能量值作为参数，形成两路信号的短时能量参数序列，

左耳：X＝(x₁,x₂,...,x_p,x_p+1,...,x_2p,...,x_p*m)；

右耳：Y＝(y₁,y₂,...,y_p,y_p+1,...,y_2p,...,y_p*m)；

以此两路序列作为输入，分别以单目标物体在空间中的方位角和俯仰角作为标签，进行神经网络学习，神经网络采用传统的BP神经网络或深度神经网络均可。

采用十折交叉验证方法进行神经网络训练：将实验中使用的所有特征划分为10个子特征集，每个子特征集包含来自实验室内四个位置的所有采集到的数据的特征。将9个子特征集作为训练集，剩余的一个子特征集作为测试集。分别进行10次验证，以测试神经网络角度估计的可靠性。

训练好的神经网络可用于单目标方位确定，具体做法是同样如上所述得到左耳和右耳接收单目标反射的回波形成两路短时量量参数序列作为神经网络的输入，神经网络会自动输出目标的方位角和俯仰角。

实验发现，采用如图4(a)-图4(f)的单调频信号进行目标识别得到的结果的误差范围大部分位于真实值的±5度的范围内。经过每个单脉冲可以确定的获得一个方位角和俯仰角的角度估计值，当脉冲串中脉冲数量较多时，可以采用k-mean聚类，但由于脉冲个数较少，我们采用了变窗长的滑动窗搜索方法，对这个脉冲串中每个调频脉冲获得的角度估计值采用滑动窗搜索，最终得到一个相对精确的方位角和俯仰角。

对于脉冲串中每个单脉冲信号按照上面的步骤得到方位角或仰角的估计值，脉冲串中脉冲个数为N,则结果为N个估计值，为了利用这些结果得到更精确的估计值，本发明采用了两种变窗长滑动窗的估计方法。如下所述：

变窗长滑动窗搜索方法说明：

滑动窗计数平均法

在每个脉冲获得了单脉冲估计角度之后，采用一个滑动窗进行最终的角度估计，根据单脉冲的统计结果，单脉冲角度估计值中的大多数会落入真实值±5度的范围之内。对于N个初始估计值来说，使用一个长度为L的一级滑动窗对一定范围的仰角角度进行滑动，步长为窗长的一半，滑动窗的起始位置对应N个初始估值中的最小值，滑动窗的结束位置对应N个初始估值中的最大值。取落入单脉冲估计角度值最多的窗的中点所在角度作为结果，当出现多个窗落入的估计角度同样为最多时，取这几个均含有最大脉冲个数的最左边窗左边界和最右边窗的右边界的平均值作为结果窗的中间值；在第一级滑动搜索后，第二、三级搜索在上一级得到的角度范围内使用L/2的滑动窗形成新的搜索范围，直至搜索完毕。最终得到的窗的所在角度作为脉冲串角度估计值。

滑动窗累加法

滑动窗的起始位置对应N个初始估值中的最小值，滑动窗的结束位置对应n个初始估值中的最大值，步长为1°。被滑窗覆盖的所有整数角度处都拥有一个初始为0的y值，用于计算脉冲在当前角度的累加值。若某个脉冲的估计初值在窗内，则该窗覆盖下的每个角度的y值均增加1。当窗口滑动结束后，统计拥有最大y值的的角度作为最优角度。如果有多个最大y值的角度，取这几个角度的平均值作为结果，该结果即为第一级滑窗估计值。为了得到更精确的估计，还可以加入L/2长度的二阶窗和L/4长度的三阶窗。

实验结果表明使用脉冲串比单脉冲方法明显提高了识别率，实现了角度的精确检测功能。

图4(a)-图4(f)中语谱图灰度的不同表示信号在此位置的强度不同，3个语谱图分别表示喇叭的发射信号和左、右耳麦克风接收到的信号。图中对比能看出喇叭发射的信号经过耳模型后不同频率能量分布出现了变化，表示耳模型有一定的滤波作用。

图5和图7分别为仰角估计误差与方位角估计误差。横轴是脉冲串中不同的脉冲数量，纵轴是不同的滑动窗口的大小。小图中的横轴和纵轴分别表示方位角和仰角。训练时的方位角限制为-70°到+70°，仰角范围为20°-55°。由图7中可以看出，当方位角在30°以内时，脉冲串估计得到的误差很小。随着脉冲串中脉冲数量的增加，误差的最大值也会变小，这表明估计的角度也变得越来越稳定。仰角的神经网络估计误差较低，在12度以下，方位角的估计误差较高，最高误差达到了25度。

使用不同的阈值进行误差判定，当误差小于一定的阈值时，我们认为本次角度估计是正确的。我们将这个阈值称作误差角度。通过改变误差角度、方位角限制角度和脉冲数量，能够得到不同的识别率曲线。

图6(a)-图6(c)中三张曲线图分别为仰角误差处于1度、3度、5度时，不同方位角限制角度下的仰角脉冲串识别率。我们能够在图中看出误差在5度时，所有的角度估值结果都非常准确，都在95％以上，这表明，通过神经网络测试得出的角度与真实角度的误差在5度以内时，多脉冲正确率非常高。仰角误差在1度与3度时，多脉冲判别也有比较好的表现。当方位角限制角度增大时，识别的准确率会有所下降。另外，脉冲串中脉冲的数量也会影响识别率。

图8中曲线图表示不同方位角误差时改变脉冲数量的方位角脉冲串识别率。当误差在15度以上时，方位角的估计值比较准确，在80％以上。当增加脉冲的数量时，识别率也会相应增加。

图6(a)-图6(c)与图8表示仰角与方位角的多脉冲识别率，能够看出增加脉冲串的脉冲数量，识别率会有相应提高，但是方位角的识别能力比仰角的识别能力差。使用多脉冲识别角度的方法比单脉冲的识别率提高了很多。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (9)

1.基于大耳蝠双耳廓仿生声呐的目标定位装置，其特征是，包括：超声发生器，所述超声发生器向待测物体发射超声信号；超声信号经过待测物体反射后被安装在两个仿大耳蝠耳廓内侧底部的两个超声接收器接收；两个超声接收器接收后，将接收的信号送入信号采集器；信号采集器将采集的两个麦克风的信号由模拟信号转为数字信号后送入信号处理器；信号处理器对接收的数字信号通过短时傅里叶变换进行信号能量特征提取，将能量特征输入到训练好的神经网络中，识别待测物体的方位角和俯仰角；

所述发射超声信号是chirp脉冲串信号， 每个chirp脉冲串中包括若干个等间隔的chirp脉冲，单个chirp脉冲为频率从20kHz下降到5kHz的线性调频信号，单个chirp脉冲频率从20kHz下降到5kHz持续5ms。

2.如权利要求1所述的装置，其特征是，所述仿大耳蝠耳廓，包括左仿生耳廓和右仿生耳廓；是对真实大耳蝠的左右两个耳廓分别进行三维扫描，获得大耳蝠耳廓的三维数据；然后通过3D打印机打印获得；打印尺寸为真实大耳蝠耳廓尺寸的n倍，超声信号的发射频率为真实蝙蝠频率的

3.基于大耳蝠双耳廓仿生声呐的目标定位方法，其特征是，包括：

步骤(1)：调整仿大耳蝠耳廓的俯仰角，超声发生器向待测物体发射超声信号；

步骤(2)：分别安装在左右两个仿大耳蝠耳廓内侧底部的超声接收器，接收超声信号的回波信号；两个超声接收器接收后，将接收的信号送入信号采集器；

步骤(3)：信号采集器将采集的两个麦克风的信号由模拟信号转为数字信号后送入信号处理器；

步骤(4)：信号处理器对接收的数字信号通过短时傅里叶变换进行信号能量特征提取，将能量特征输入到训练好的神经网络中，识别待测物体的估计方位角和估计俯仰角。

4.如权利要求3所述的方法，其特征是，信号处理器对接收的数字信号通过短时傅里叶变换进行信号能量特征提取的具体步骤为：

对接收的数字信号分为m帧，通过短时傅里叶变换之后，得到每个回波信号的频谱图；针对频谱图含有回波信号的每一帧区域提取p个频谱数据，作为回波信号的能量特征；因此，最终回波信号的能量特征是一个p*m的二维特征向量；将提取出的二维特征向量转换为一维特征向量，得到两路信号的能量序列：

左耳：X＝(x₁,x₂,...,x_p,x_p+1,...,x_2p,...,x_p*m)；

右耳：Y＝(y₁,y₂,...,y_p,y_p+1,...,y_2p,...,y_p*m)。

5.如权利要求3所述的方法，其特征是，神经网络的训练步骤为：

将训练集的数据特征输入到神经网络中对神经网络进行训练；以两路信号的能量序列作为神经网络的输入值，分别以待测物体在空间中的方位角和俯仰角作为标签，进行神经网络训练；

将测试集的数据特征输入到神经网络中对神经网络的分类精度进行测试；

当分类精度达到设定阈值时，停止训练，得到训练好的神经网络。

6.如权利要求3所述的方法，其特征是，

将能量特征输入到训练好的神经网络中，识别待测物体的方位角和俯仰角的具体步骤为：

以两路信号的能量序列作为训练好的神经网络的输入值，神经网络输出目标的方位角和俯仰角。

7.如权利要求3所述的方法，其特征是，还包括：

步骤(5)：使用滑动窗计数平均法，对步骤(4)获取的待测物体的估计方位角和估计俯仰角进行处理，得到精确的方位角和精确的俯仰角；或者，

使用滑动窗累加法，对步骤(4)获取的待测物体的估计方位角和估计俯仰角进行处理，得到精确的方位角和精确的俯仰角。

8.如权利要求7所述的方法，其特征是，滑动窗计数平均法的具体步骤为：

在每个脉冲获得了单脉冲估计方位角和估计俯仰角之后，采用一个滑动窗进行最终的角度估计，对于N个估计值来说，使用一个长度为L的一级滑动窗对设定范围的角度进行滑动，步长为窗长的一半，滑动窗的起始位置对应N个估计值中的最小值，滑动窗的结束位置对应N个估计值中的最大值；

取落入单脉冲估计角度值最多的滑动窗的中点所在角度作为结果；

当出现若干个滑动窗落入的估计角度同样为最多时，取均含有最大脉冲个数的所有滑动窗的最左边窗的左边界和最右边窗的右边界的平均值作为结果窗的中间值；

在第一级滑动搜索后，下一级搜索在上一级得到的角度范围内使用L/2的滑动窗形成新的搜索范围，继续搜索直至搜索完毕；

将最终得到的滑动窗所在角度作为脉冲串角度精确值。

9.如权利要求7所述的方法，其特征是，滑动窗累加法的具体步骤为：

采用一个滑动窗进行最终的角度估计，对于N个估计值来说，使用一个长度为L的一级滑动窗对设定范围的角度进行滑动，滑动窗的起始位置对应N个初始估值中的最小值，滑动窗的结束位置对应n个初始估值中的最大值，步长为1°；

被滑动窗覆盖的所有整数角度处都拥有一个初始为0的y值，y值用于计算脉冲在当前角度的累加值；

当某个脉冲的估计值在窗内，则该滑动窗覆盖下的每个角度的y值均增加1；当窗口滑动结束后，统计拥有最大y值的的角度作为最优角度；

如果有若干个都是最大y值的角度，取所述若干个最大y值的角度的平均值作为结果，该结果即为第一级滑窗估计值；

在第一级滑动搜索后，下一级搜索在上一级得到的角度范围内使用L/2的滑动窗形成新的搜索范围，继续搜索直至搜索完毕；

将最终得到的滑动窗所在的角度作为脉冲串角度精确值。

Images