CN109633555A - 基于遗传music算法的水下目标定位方法 - Google Patents
基于遗传music算法的水下目标定位方法 Download PDFInfo
- Publication number
- CN109633555A CN109633555A CN201910148699.9A CN201910148699A CN109633555A CN 109633555 A CN109633555 A CN 109633555A CN 201910148699 A CN201910148699 A CN 201910148699A CN 109633555 A CN109633555 A CN 109633555A
- Authority
- CN
- China
- Prior art keywords
- population
- algorithm
- music
- fitness
- hereditary
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000004807 localization Effects 0.000 title claims abstract description 12
- 238000001228 spectrum Methods 0.000 claims abstract description 22
- 230000002068 genetic effect Effects 0.000 claims abstract description 18
- 230000035772 mutation Effects 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 32
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 27
- 230000000694 effects Effects 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 abstract description 5
- 230000006872 improvement Effects 0.000 abstract description 3
- 230000002708 enhancing effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 238000005457 optimization Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008303 genetic mechanism Effects 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000017105 transposition Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000008649 adaptation response Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000010353 genetic engineering Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/18—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using ultrasonic, sonic, or infrasonic waves
- G01S5/22—Position of source determined by co-ordinating a plurality of position lines defined by path-difference measurements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明提供一种提高搜索成功率及减少迭代计算量、改善精度及增强实时性效果的基于遗传MUSIC算法的水下目标定位方法,属于水下探测领域。本发明包括:S1、获取对水下目标定位的阵列接收数据,结合MUSIC算法,获得MUSIC谱的表达式,将该表达式作为适应度函数;S2、设定遗传算法的参数,确定初始化种群;S3、利用S1的适应度函数对当代种群中每一个个体进行适应度评估,计算适应度大小;S4、判断当前的种群是否满足预先设定停止迭代条件,若是,转入S6,若否,转入S5;S5、对当代种群通过选择、交叉、变异操作产生子代,构建下一代种群,转入S3;S6、迭代停止,输出当代种群中个体最优解,并通过判断适应度来确定目标的入射角度。
Description
技术领域
本发明提供一种水下定位方法,特别涉及一种基于MUSIC算法的水下目标定位方法,属于水下探测领域。
背景技术
海洋自然资源的丰富性及海域的宽阔性使其成为我国军事战略的重中之重。随着海洋军事及水声工程技术的飞速发展,水下目标定位是急需提高准确性的技术。波达方向(direction of arrival,DOA)估计,是阵列信号处理的一个重要的方向。从本质上讲,DOA估计是一种利用空间谱估计确定信源的位置。随着科学技术的不断发展,软硬件的日趋成熟,DOA估计也得到了许多实际的应用。现阶段高分辨、高精度测向技术理论经过众学者的研究,已取得丰硕成果并成功地应用到了军用、民用以及空间探索等领域。但在水声系统中应用还迟迟不能得到实现,主要原因是算法对信噪比的要求较高,而水下错综复杂的环境也使得信号的传递和接收都极其困难;其次,高精度算法的迭代计算量十分巨大,野影响了其在水下工程中的实用性。因此,研究一种精度高、准确性高、实时性强的方位估计算法具有非常重要的学术意义及实际应用价值。
由于水下环境条件特殊,当利用单个声呐探测阵列对目标进行定位时,需采用阵列方式收发声信号。在水声信号探测中,当两个目标处于空间距离较近时,常规的处理方法无法将目标方位分辨出来,对其方位估计结果也会造成较大的偏差,且目标体积小所引起的回波信号弱、信噪比低也会增加方位估计的难度,使得定位效果受到影响。目前水下定位方法主要可分为两类:(1)现有法。波束形成法是最早被提出的基于阵列接收信号的DOA估计方法,是在傅里叶谱估计方法上进行扩展,从现有的时域扩展到了空域。虽然数据被扩展到空域计算,仍然不能逃脱所谓的“傅里叶限制”。换言之,该方法在目标相距较近时失效,而失效距离受物理孔径限制。Burg和Capon分别提出了最大熵法和最小方差法,这两种方法被认为是最早提高分辨率的波束形成方法。熊鑫等研究了最小方差信号无畸变响应(MVDR)聚焦波束形成方法,探讨了参数对定位性能的影响情况。侯文姝等研究了声压阵波束形成方法对远场目标进行DOA估计时的性能大幅降低的主要原因。刘佳推导了两种基于信号相位匹配原理的近场高分辨算法,分析了几种算法的空间谱特性和聚焦分辨率,能够实现噪声源的近场高分辨定位。(2)子空间分类方法。R.O.Schmit等学者在1979年提出的多重信号分类(Multiple Signal Classification,MUSIC)算法,是子空间分类方法中最为经典的方法,该方法是一种高分辨率、高精度的无线信道参数估计算法,它的应用真正实现了高精度、高分辨DOA估计,是定位算法发展的一个重大转折点。正因为此,该方法打破了之前算法所受到的限制,能在一个波束中精确找到并识别出多个有用目标信号,而且定位精度也不受影响。为了尽量避免MUSIC算法谱峰搜索过程庞大的计算量,学者们做了许多深入研究,以Roy等人的成果最具代表性,将有用信号的子空间旋转不变的性质成功引入到方位估计中,提出了基于旋转不变技术的波达方向定位估计算法,成功规避了整个谱峰搜索过程计算量大的问题,缺点是导致定位精度及分辨率相较MUSIC算法有一定程度的下降。此外,还涌现出了很多其它的子空间DOA估计算法,例如Kumaresan等人的最小范数法(Minium NormMethod),Viberg的子空间权重适应法(Weighted Subspace Fitting),这些算法在不同程度上都有一定的改进。穆志海等研究了基于MUSIC算法的水下蛙人定位系统,为识别和探测蛙人提供理论基础和探测的可行方法;李雪冰等针对水下目标的定位问题建立圆柱基阵数学模型,推导出圆柱基阵的空间指向性函数表达式,并利用二维MUSIC算法对水下多目标进行方位估计;许劲峰等人从阵元数目和分辨率角度等方面对MUSIC算法的空间谱函数进行了优化处理,以得到更加优化的方位估计算法;左翔等研究了矢量水听器的单边指向性和MUSIC算法的高分辨率特性,提出基于矢量声压组合基阵的柱面分布噪声源近场高分辨定位方法;韩闯等人针对水下运动声源定位及复杂噪声源的分离量化方面,对算法进行了优化改进。
上述研究成果基本都是针对水下目标定位的精度进行了优化改进,没有考虑到算法的迭代计算量,快速定位的问题。
发明内容
针对上述不足,本发明提供一种提高搜索成功率及减少迭代计算量、改善精度及增强实时性效果的基于遗传MUSIC算法的水下目标定位方法。
本发明的一种基于遗传MUSIC算法的水下目标定位方法,所述方法包括:
S1、获取对水下目标定位的阵列接收数据,结合MUSIC算法,获得MUSIC谱的表达式,将该表达式作为适应度函数;
S2、设定遗传算法的参数,确定初始化种群;
S3、利用S1的适应度函数对当代种群中每一个个体进行适应度评估,计算适应度大小,根据适应度大小确定目标定位的准确程度和个体的优劣;
S4、判断当前的种群是否满足预先设定停止迭代条件,若是,转入S6,若否,转入S5;
S5、对当代种群通过选择、交叉、变异操作产生子代,构建下一代种群,转入S3进行下一次迭代;
S6、迭代停止,输出当代种群中个体最优解,并通过判断适应度来确定目标的入射角度。
优选的是,所述S1包括:
S11、获取对水下目标定位的阵列接收数据,计算该接收数据的协方差矩阵,将该协方差矩阵进行特征值分解,获得噪声子空间特征矢量矩阵;
S12、根据获得的噪声子空间特征矢量矩阵得到MUSIC谱的表达式作为适应度函数。
优选的是,所述MUSIC谱的表达式为:
PMUSIC表示峰值,α(θ)表示阵列的导向矢量,表示噪声子空间特征矢量矩阵。
优选的是,遗传算法的参数包括数字化编码方式、种群大小、选择策略、交叉概率和变异概率。
优选的是,选择操作中的选择算子采用轮盘赌注结合的最优保存策略;交叉操作中的交叉算子采用个体适应度高则低概率交叉、个体适应度低则选择多点交叉;变异操作中的变异算子的值随着当代种群的整体差异自行修改。
本发明的有益效果,本发明主要以现有MUSIC算法为基础,结合遗传算法的并行性、全局寻优及简洁性等特点来减少现有MUSIC算法的复杂遍历次数及运算时间,提出遗传MUSIC算法,以提高其搜索成功率及减少迭代计算量、改善精度及增强实时性效果。
附图说明
图1为遗传MUSIC算法流程图;
图2为本发明的遗传MUSIC算法和现有MUSIC算法在不同信噪比下的搜索成功率比较示意图;
图3为本发明的遗传MUSIC算法和现有MUSIC算法在不同信噪比下的迭代计算量比较示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
本实施方式的一种基于遗传MUSIC算法的水下目标定位方法,如图1所示,本实施方式的方法包括:
S1、获取对水下目标定位的阵列接收数据,结合MUSIC算法,获得MUSIC谱的表达式,将该表达式作为适应度函数;
本实施方式中,还包括构造仿真阵列模型,用于接收数据;
MUSIC算法将向量空间的概念引入到空间谱估计领域,标志着空间谱估计测向进入了繁荣发展阶段,经过四十年的发展,现阶段理论已经比较成熟。
S2、设定遗传算法的参数,确定初始化种群;
遗传算法的参数包括数字化编码方式、种群大小、选择策略、交叉概率和变异概率。
S3、利用S1的适应度函数对当代种群中每一个个体进行适应度评估,计算适应度大小,根据适应度大小确定目标定位的准确程度和个体的优劣;
S4、判断当前的种群是否满足预先设定停止迭代条件,若是,转入S6,若否,转入S5;
本实施方式中预先设定停止条件为当前迭代与上次迭代几乎没有差别或者当前迭代次数达到最大设定更新的次数;
S5、对当代种群进行遗传操作:通过选择、交叉、变异操作产生子代,构建下一代种群,迭代数加1,转入S3进行下一次迭代;
S6、迭代停止,输出当代种群中个体最优解,并通过判断适应度来确定目标的入射角度。
本实施方式的MUSIC算法作为空间谱估计中的经典算法,在阵列信号多维参数估计中具有重要地位,但谱峰搜索过程较大的计算量使其在实时性要求时受到限制,遗传算法的并行性、全局寻优及简洁性等特点为上述问题提供了一种解决方案。本实施方式基于遗传算法对MUSIC算法进行了改进,建立可以准确、快速定位的方法遗传MUSIC算法。遗传MUSIC算法的建立过程是利用遗传算法的并行计算性能代替MUSIC算法谱峰搜索中繁琐的遍历过程,同时因为谱峰搜索过程等同于寻找最大值的过程,因此将遗传算法的适应度函数设为MUSIC谱的表达式。
MUSIC算法是将任意阵列输出数据的协方差矩阵进行特征分解,得到与信号分量相对应的信号子空间和信号分量相正交的噪声子空间,然后利用信号与噪声空间的正交性估计信号参数。具体计算过程如下。
窄带远场信号的DOA数学模型为:
X(t)=A(θ)S(t)+N(t) (1)
式中,A(θ)=[α(θ1),α(θ2),…,α(θM)]是N×M的阵列矩阵,又称为阵列流形向量或方向响应向量;S(t)=[α(t1),α(t2),…,α(tM)]T是M个入射信号矢量;N(t)=[n(t1),n(t2),…,n(tN)]T是阵列噪声矢量。
当阵元间距为半波长d=λ/2时均匀线阵的效果最佳,此时阵列的导向矢量为:
利用矢量水听器基阵接收探测目标信号,并计算协方差矩阵,则:
式中,XH为矩阵的共轭转置。因为信号与噪声相互独立,所以R可分解为只与信号相关的部分和只与噪声相关部分,ARSAH表示信号部分,RS表示信号的协方差矩阵。
对R进行特征值分解,则:
R=U∑UH (4)
式中,U为特征矢量矩阵;UH为特征矢量矩阵的转置;∑为所有特征值合并成的一个对角矩阵,则∑可表达为:
式(5)中,特征值满足如下关系:
λ1≥λ2≥…≥λN>λN+1=…=λM=σ2 (6)
定义如下两个对角矩阵:
当空间噪声为白噪声时,则:
∑N=σ2I(M-N)*(M-N) (9)
式(7)与式(8)中,∑S为特征值较大部分构成的对角矩阵,∑N为剩下特征值构成的对角矩阵。
此外,特征矢量矩阵也可分两部分:一部分是与∑S对应的信号子空间US=[e1e2…en];另一部分是与∑N对应的噪声子空间UN=[eN+1 eN+2…eM],则协方差矩阵可整理为:
MUSIC算法中,信号子空间和噪声子空间的正交特性可以表示为:
αH(θ)UN=0 (11)
式(11)是MUSIC算法的核心,可利用信号与噪声空间的正交性估计信号参数。
在实际应用中,采集到的实验数据并不是无限长的,其协方差矩阵的最大似然估计为:
对进行特征分解可得到式(11)中噪声子空间特征矢量矩阵
实际上,水下目标探测存在诸多干扰因素,因此信号子空间和噪声子空间在大多数情况下并不正交,所以实际应用中,通常采用最小优化搜索法获取水下目标的位置,角度估计可表示为:
由式(13),可得MUSIC算法的谱估计,可表示为:
根据式(14),再根据信号参数范围进行谱峰搜索,求得的极大值点对应的角度即为信号入射方向,由此确定目标方位。
本实施方式的S1包括:
S11、获取对水下目标定位的阵列接收数据,计算该接收数据的协方差矩阵,将该协方差矩阵进行特征值分解,获得噪声子空间特征矢量矩阵;
S12、根据获得的噪声子空间特征矢量矩阵得到MUSIC谱的表达式如式(14),作为适应度函数;
遗传算法(Genetic Algorithm)由美国的J.Holland教授1975年提出,是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型,是模拟自然进化过程搜索最优解的方法,它是借鉴生物界的进化规律(适者生存,优胜劣汰遗传机制)演化而来的随机化搜索方法,其主要特点是直接对结构对象进行操作,不存在求导和函数连续性的限定;具有内在的隐并行性和更好的全局寻优能力;采用概率化的寻优方法,能自动获取和指导优化的搜索空间,自适应地调整搜索方向,不需要确定的规则。遗传算法的这些性质,已被学者广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。
对于求函数最值的优化问题,一般可以描述为下列数学规划模型:
式中,max f(X)为目标函数式,X为决策变量;X∈R、为约束条件,U是基本空间,R是U的子集。满足约束条件的解X称为可行解,集合R表示所有满足约束条件的解所组成的集合,称为可行解集合。
遗传算法是通过迭代过程实现,当算法收敛或达到最大迭代次数则停止。遗传算法中每一条染色体对应着遗传算法的一个解决方案,一般用适应度函数来衡量解决方案的优劣,从而判断个体输出结果的自适应度。具体操作为:首先确定以何种方式进行数字化编码来初始化个体参数,之后随机产生初始化种群,在解码过程中用适应度函数对种群中的每一个基因个体作一次适应度评估,之后进行选择、交叉、变异操作产生子代,得到下一代种群,最后判断当前种群是否满足预先设定停止条件即当前迭代与上次迭代几乎没有差别或者当前迭代次数达到最大设定更新的次数,满足条件则停止迭代并输出个体最优解,否则继续进行上一步操作。
本实施方式中的遗传算法的三个算子:选择、交叉、变异相应的改进策略如下:选择算子采用了轮盘赌注结合的最优保存策略;交叉算子采用个体适应度高则低概率交叉、个体适应度低则选择多点交叉;变异算子的值则随着当代种群的整体差异自行修改。正交变异算子对各基因座上基因值的比例进行均衡以维持种群多样性,克服未成熟收敛;小变异概率的多位点变异算子用于提高算法的局部搜索能力,对极大值点进行搜索,确定目标的入射角度。
仿真实验:本实施方式基于均匀线阵的一维DOA估计,对水下目标搜索成功率及实时性进行仿真实验。
现有MUSIC算法的仿真参数:水听器阵阵元个数M=8,阵元间距50mm,入射信号频率fc=15kHz,快拍数SNAP=100,搜索的角度范围为40°≤θ≤140°。遗传算法的仿真参数:种群规模N=70;交叉概率Pc=0.7;变异概率Pm=0.07;采用二进制编码,其长度L=14;最大进化代数MaxGen=100。
(1)算法搜索成功率比较
为了分析不同信噪比下MUSIC算法与本发明的遗传MUSIC算法对水下目标定位的效果,进行如下仿真。仿真实验设定为1000次,当本发明的遗传MUSIC算法的谱峰搜索结果与现有MUSIC算法的谱峰图搜索结果角度差小于0.1°时,认定为搜索成功,两种算法的搜索成功率如表1所示。
表1两种算法在不同信噪比下的搜索成功率比较
由表1可知,现有MUSIC算法的目标搜索成功率在90.2%~91.4%,当信噪比为0时,搜索成功率最高为91.4%;本发明的遗传MUSIC算法的搜索成功率在95.4%~96.7%,当信噪比为0时,搜索成功率为96.7%,同样达到最高。由此可见,本发明的遗传MUSIC算法搜索成功率明显大于MUSIC算法,提升范围在5.2%~6.1%,且信噪比为0时,搜索成功率均达到最大。
(2)算法迭代计算量比较
为分析相同精度不同信噪比条件下现有MUSIC算法与本发明的遗传MUSIC算法的迭代计算量,进行如下仿真。仿真过程中MUSIC算法的实验次数设定为1000次,当本发明的遗传MUSIC算法的谱峰搜索结果与现有MUSIC算法的谱峰图搜索结果角度差小于0.1°时,记录本发明的遗传MUSIC算法的迭代计算量,两种算法的迭代计算量如表2所示。
表2两种算法在不同信噪比下的迭代计算量比较
由表2可知,相同精度不同信噪比条件下,现有MUSIC算法在搜索目标峰值过程中需要遍历1000次,而本发明的遗传MUSIC算法迭代计算量随信噪比的不同,需要的次数在806~893之间,且随信噪比增大,迭代计算量逐渐减少,当信噪比为25时本发明的遗传MUSIC算法迭代806次,比现有MUSIC算法遍历搜索计算量减少了194次。由此可见,本发明的遗传MUSIC算法可以大大减少计算时间,保证更快的探测到目标位置。
为进一步分析在信噪比为0时,精度分别为0.01°、0.1°及1°两种算法的迭代计算量,进行如下仿真。结果如表3所示。
表3两种算法在信噪比为0、不同精度下的迭代计算量比较
由表3可知,本发明的遗传MUSIC算法在精度为1°、0.1°及0.01°时,相较于现有MUSIC算法的迭代计算量分别减少了4次、114及5050次。本发明的遗传MUSIC算法相对于现有MUSIC算法的计算量在精度为1°时仅减少4次,而在精度为0.01°时,计算量减少了5050次。由此可知,随精度的提高,迭代计算量缩减量呈下降趋势且幅度较大。由此可见,在保证高精度的前提下,使用本发明的的遗传MUSIC算法可有效地减少迭代计算量,保证水下目标实时探测性。
结论:相同精度下随信噪比增大,如图2所示,本发明的遗传MUSIC算法相比于现有MUSIC算法的搜索成功率高,如图3所示,迭代计算量越来越小;
信噪比相同精度不同的条件下,随定位精度的提高、遍历计算量缩减值逐渐增大;
由此可知,本发明的遗传MUSIC算法可提高运算速度,减少计算时间,保证实时输出目标位置。
虽然在本文中参照了特定的实施方式来描述本发明,但是应该理解的是,这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是,可以对示例性的实施例进行许多修改,并且可以设计出其他的布置,只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是,可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是,结合单独实施例所描述的特征可以使用在其他所述实施例中。
Claims (5)
1.一种基于遗传MUSIC算法的水下目标定位方法,其特征在于,所述方法包括:
S1、获取对水下目标定位的阵列接收数据,结合MUSIC算法,获得MUSIC谱的表达式,将该表达式作为适应度函数;
S2、设定遗传算法的参数,确定初始化种群;
S3、利用S1的适应度函数对当代种群中每一个个体进行适应度评估,计算适应度大小,根据适应度大小确定目标定位的准确程度和个体的优劣;
S4、判断当前的种群是否满足预先设定停止迭代条件,若是,转入S6,若否,转入S5;
S5、对当代种群通过选择、交叉、变异操作产生子代,构建下一代种群,转入S3进行下一次迭代;
S6、迭代停止,输出当代种群中个体最优解,并通过判断适应度来确定目标的入射角度。
2.根据权利要求1所述的基于遗传MUSIC算法的水下目标定位方法,其特征在于,所述S1包括:
S11、获取对水下目标定位的阵列接收数据,计算该接收数据的协方差矩阵,将该协方差矩阵进行特征值分解,获得噪声子空间特征矢量矩阵;
S12、根据获得的噪声子空间特征矢量矩阵得到MUSIC谱的表达式作为适应度函数。
3.根据权利要求2所述的基于遗传MUSIC算法的水下目标定位方法,其特征在于,所述MUSIC谱的表达式为:
PMUSIC表示峰值,α(θ)表示阵列的导向矢量,表示噪声子空间特征矢量矩阵。
4.根据权利要求1所述的基于遗传MUSIC算法的水下目标定位方法,其特征在于,遗传算法的参数包括数字化编码方式、种群大小、选择策略、交叉概率和变异概率。
5.根据权利要求1所述的基于遗传MUSIC算法的水下目标定位方法,其特征在于,选择操作中的选择算子采用轮盘赌注结合的最优保存策略;交叉操作中的交叉算子采用个体适应度高则低概率交叉、个体适应度低则选择多点交叉;变异操作中的变异算子的值随着当代种群的整体差异自行修改。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910148699.9A CN109633555A (zh) | 2019-02-28 | 2019-02-28 | 基于遗传music算法的水下目标定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910148699.9A CN109633555A (zh) | 2019-02-28 | 2019-02-28 | 基于遗传music算法的水下目标定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109633555A true CN109633555A (zh) | 2019-04-16 |
Family
ID=66066121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910148699.9A Pending CN109633555A (zh) | 2019-02-28 | 2019-02-28 | 基于遗传music算法的水下目标定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109633555A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110320492A (zh) * | 2019-07-16 | 2019-10-11 | 哈尔滨工程大学 | 一种基于导向矢量对称特性的低复杂度doa估计方法 |
CN110716171A (zh) * | 2019-08-28 | 2020-01-21 | 上海无线电设备研究所 | 一种基于遗传算法的极化doa联合估计方法 |
CN112748376A (zh) * | 2020-12-30 | 2021-05-04 | 哈尔滨工程大学 | 基于mp-music法的水下三维空间被动磁场方法 |
CN113759303A (zh) * | 2021-08-04 | 2021-12-07 | 中山大学 | 一种基于粒子群算法的无网格波达角估计方法 |
CN117010132A (zh) * | 2023-09-27 | 2023-11-07 | 中国船舶集团有限公司第七一九研究所 | 一种水下多基地声纳系统的空间阵位优化方法及系统 |
-
2019
- 2019-02-28 CN CN201910148699.9A patent/CN109633555A/zh active Pending
Non-Patent Citations (1)
Title |
---|
奉朝阳: "基于进化算法的水下目标定位算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110320492A (zh) * | 2019-07-16 | 2019-10-11 | 哈尔滨工程大学 | 一种基于导向矢量对称特性的低复杂度doa估计方法 |
CN110716171A (zh) * | 2019-08-28 | 2020-01-21 | 上海无线电设备研究所 | 一种基于遗传算法的极化doa联合估计方法 |
CN112748376A (zh) * | 2020-12-30 | 2021-05-04 | 哈尔滨工程大学 | 基于mp-music法的水下三维空间被动磁场方法 |
CN113759303A (zh) * | 2021-08-04 | 2021-12-07 | 中山大学 | 一种基于粒子群算法的无网格波达角估计方法 |
CN113759303B (zh) * | 2021-08-04 | 2024-05-24 | 中山大学 | 一种基于粒子群算法的无网格波达角估计方法 |
CN117010132A (zh) * | 2023-09-27 | 2023-11-07 | 中国船舶集团有限公司第七一九研究所 | 一种水下多基地声纳系统的空间阵位优化方法及系统 |
CN117010132B (zh) * | 2023-09-27 | 2023-12-26 | 中国船舶集团有限公司第七一九研究所 | 一种水下多基地声纳系统的空间阵位优化方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109633555A (zh) | 基于遗传music算法的水下目标定位方法 | |
CN111123192B (zh) | 一种基于圆形阵列和虚拟扩展的二维doa定位方法 | |
CN108375763B (zh) | 一种应用于多声源环境的分频定位方法 | |
AU2009222991B2 (en) | Autonomous sonar system and method | |
WO2007007390A1 (ja) | 到来波数推定方法、到来波数推定装置及び無線装置 | |
Abdalla et al. | Performance evaluation of direction of arrival estimation using MUSIC and ESPRIT algorithms for mobile communication systems | |
CN107290732B (zh) | 一种量子大爆炸的单基地mimo雷达测向方法 | |
CN104502904B (zh) | 一种鱼雷自导波束锐化方法 | |
CN106093920B (zh) | 一种基于对角加载的自适应波束形成算法 | |
CN108761394A (zh) | 一种基于时空处理的高分辨低旁瓣去卷积谱估计方法 | |
He et al. | Polarization difference smoothing for direction finding of coherent signals | |
Li et al. | Source bearing and steering-vector estimation using partially calibrated arrays | |
CN108318855A (zh) | 基于均匀圆阵的近场和远场混合信号源定位方法 | |
Agatonovic et al. | High resolution two-dimensional DOA estimation using artificial neural networks | |
Nie et al. | Adaptive direction-of-arrival estimation using deep neural network in marine acoustic environment | |
Boyer et al. | Simple robust bearing-range source's localization with curved wavefronts | |
CN112903081B (zh) | 声矢量传感器阵列自适应波束形成方法、系统及存储介质 | |
CN112083423B (zh) | 一种多基地声源高精度定位方法 | |
CN1875292A (zh) | 分辨声纳阵列中的指向性信息 | |
Pandey et al. | Experimental validation of wideband SBL models for DOA estimation | |
Rypkema et al. | Memory-efficient approximate three-dimensional beamforming | |
CN113281698A (zh) | 一种嵌套阵中基于级联的非高斯信源测向方法 | |
Ahmed et al. | Simulation of Direction of Arrival Using MUSIC Algorithm and Beamforming using Variable Step Size LMS Algorithm | |
Chahrour et al. | Direction of Arrival Estimation using Riemannian Mean and Distance | |
CN113111304B (zh) | 强冲击噪声下基于量子射线机理的相干分布源测向方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190416 |