CN110764053A - 一种基于水下传感器网络的多目标被动定位方法 - Google Patents

一种基于水下传感器网络的多目标被动定位方法 Download PDF

Info

Publication number
CN110764053A
CN110764053A CN201911007165.0A CN201911007165A CN110764053A CN 110764053 A CN110764053 A CN 110764053A CN 201911007165 A CN201911007165 A CN 201911007165A CN 110764053 A CN110764053 A CN 110764053A
Authority
CN
China
Prior art keywords
target
node
estimation
signal
matrix
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.)
Granted
Application number
CN201911007165.0A
Other languages
English (en)
Other versions
CN110764053B (zh
Inventor
刘妹琴
田一玮
郑荣濠
张森林
樊臻
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201911007165.0A priority Critical patent/CN110764053B/zh
Publication of CN110764053A publication Critical patent/CN110764053A/zh
Application granted granted Critical
Publication of CN110764053B publication Critical patent/CN110764053B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01S5/20—Position of source determined by a plurality of spaced direction-finders
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B13/00—Transmission systems characterised by the medium used for transmission, not provided for in groups H04B3/00 - H04B11/00
    • H04B13/02—Transmission systems in which the medium consists of the earth or a large mass of water thereon, e.g. earth telegraphy
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明属于多传感器融合估计领域，提出了一种基于水下传感器网络的多目标被动定位方法，采用了特征级和决策级信息融合相结合的策略。基于水声传感器网络的多目标探测存在能耗高、定位精度低、时延大等问题，针对这些缺陷，本发明所提出的算法在单节点阵列进行多目标方位估计，并提取多种目标信号的特征，传输至融合中心进行处理，实时对多目标进行方位估计，并进一步得到位置信息。算法提高多目标位置估计的准确性的同时降低了节点间通讯信息量。因此，本发明对于解决实际的水下多目标被动定位问题具有重要的现实意义。

Description

一种基于水下传感器网络的多目标被动定位方法
技术领域
本发明属于多传感器融合估计领域，尤其涉及一种基于水下传感器网络的多目标被动定位方法。
背景技术
水下目标探测是海洋监测网和海洋预警系统必不可少的组成部分。在军事上，潜艇等非合作目标严重威胁了我国海洋安全，为了长期持续监测海洋环境，水下传感器网络将成为重要的技术依托。在民用领域，水下传感器网络也可用于水下目标的搜救、智能运输监测、海洋生物探测等。但传统的主动探测方式将消耗较大的能量，不利于水下传感器网的维护，且容易暴露己方位置。而普通的被动探测方案对威胁目标的定位效果较差，且近年来随着消噪技术的发展，潜艇、航行器等非合作目标的噪声级越来越低，出现许多无声潜艇等，增加了被动监听的难度。因此，将水下传感器网络与被动探测方案结合，将能够实时监测较大水域范围，水下无线传感器网络(Underwater Wireless Sensor Networks,UWSNs)主要由多个水下传感器节点组成，节点搭载水听器阵列，同时可与水下航行器和水面基站等进行通信。水下节点监听海洋目标水下声学信息，经一定的本地处理后传到融合中心进行融合，获得目标位置、速度与加速度等状态信息。
当威胁目标处于水下无线传感器网络探测范围内时，会由于螺旋桨等产生窄带低频噪声和宽带高频噪声。但受到水下多种复杂噪声的影响，目前基于单矢量水听器阵列的被动探测精度低、效果差，难以得到低信噪比情况下多目标准确的方位信息，而主动探测将消耗巨大的能量。水下环境的复杂性会导致水声通信时延大、误码率高，因此不同水听器阵列之间的量测信息难以直接融合，且无法进行数据同步。为了在提高估计准确度的同时降低通讯量、减少能耗，本发明提出了一种基于水下传感器网络的多目标被动定位方法。算法应用于水声传感器网络，通过多节点信号特征和DOA估计结果融合，提高了量测的准确性，并减少了通讯信息量，避免了虚假目标的产生。
发明内容
本发明提出了一种基于水下传感器网络的多目标被动定位方法。算法应用于水声传感器网络，节点搭载矢量传感器阵列，在单节点被动DOA估计的基础上，引入信源宽带噪声特征提取，并将多节点提取的信源特征和DOA估计结果进行融合，提高了量测的准确性的同时，减少数据通讯量，降低了量测和通讯的能耗。
为达到上述效果，本发明的技术方案为：
一种基于水下传感器网络的多目标被动定位方法，该方法应用于包含多个被动监听节点的水下传感器网络中，每个节点搭载矢量水听器阵列，针对静止目标，将多个单节点的多目标方位估计结果和量测信号特征信息提交中心节点进行多节点信息融合，得到多目标位置估计，从而对水下多目标进行实时定位。
进一步地，对单水听器的量测信号进行傅里叶变换，提取窄带信号并进行信源方位估计作为多目标方位估计结果；在时域上进行能量监测，根据能量比标出能量大于背景噪声平均能量的时间帧，计算该帧内信号过零率作为特征信息，并计算该高频宽带噪声的信源方位估计作为特征信号方位估计；将目标信源及方位估计结果、特征及方位估计结果传入中心节点，在中心节点处，将目标与特征进行关联，对信源方位估计与特征方位估计结果进行融合，得到多目标位置估计结果。
进一步地，窄带的信号信源方位(Direction of arrival,DOA)估计采用盖尔圆算法结合ESPRIT算法；高频宽带噪声DOA估计采用ISM算法估计特征数目及方位角，融合时将目标和特征进行数据关联，得到多目标位置估计结果。
进一步地，具体包含以下几个步骤：
步骤一，建立目标信源模型S并获得节点量测模型P。设置网络中节点数i＝1:N，N为正整数，并设置量测时间序列t。
步骤二，每个处理时段内，利用盖尔圆算法结合ESPRIT算法在每个节点处进行信源数估计，得到结果信源数估计值ki。
步骤三，对节点信号进行傅里叶变换，得到窄带频率f0,i，并进行DOA估计得到空间方位角
Figure BDA0002243115930000021
步骤四，通过计算能量峰提取特征，得到宽带噪声特征F、聚焦频率fm(m＝1,2…J,J为正整数)及空间方位角
Figure BDA0002243115930000022
步骤五，将步骤三、四中信息和结果传入中心节点，进行特征及信源的数据关联，并计算得到位置融合估计结果
Figure BDA0002243115930000023
进一步地，所述步骤一中，节点量测模型P描述为：
P(t)＝HS(t)+N(t) (1)
其中P(t)＝[p1(t),p2(t),...,pK(t)]T表示量测声压向量，S(t)＝[s1(t),s2(t),...,sK(t)]T表示目标信源向量，N(t)＝[n1(t),n2(t),...,nK(t)]T表示量测噪声向量，H＝[h(θ1),h(θ2),...,h(θK)]表示远场阵列流型，其中，K表示目标信源数，h(θk)表示来向为θk的第k(k＝1,2,…，K)个信源的方向向量，且
Figure BDA0002243115930000031
其中M为阵元数，τm(θk)表示为来自θk方向的信号源投射到第m个阵元时，相对于选定参考点的时延，ω0＝2πf为信号源的频率，t为量测时间序列，j是虚数。
进一步地，所述步骤二中，利用盖尔圆算法在第i个节点进行信源数估计得到结果ki具体为：
首先求第i个节点处量测信号协方差矩阵R：
R＝E[P(t)PH(t)] (2)
其中，(·)H表示矩阵的转置运算。
对协方差矩阵R作酉变换：
Rσ＝THRT (3)
其中
Figure BDA0002243115930000032
N0为协方差矩阵R的阶数，为
Figure BDA0002243115930000034
的特征向量构成的酉矩阵，为R去除末行末列后构成的子矩阵。
经变换后可得到：
Figure BDA0002243115930000036
其中：ρ、σ、λ、c均为变换后矩阵元素。
根据盖尔圆定理，信号对应的盖尔圆半径
Figure BDA0002243115930000037
噪声对应的盖尔圆半径ri＝0，则利用盖尔圆半径估计信源数目的准则：
其中ki(M)为调整因子，取值在0～1之间，令k0由小变大，若k0＝kζ时，GDE(k0)第一次出现非正值，则信源数估计值ki＝kζ-1。
进一步地，所述步骤三中，具体为：
在第i个节点处，采用ESPRIT算法进行目标信源DOA估计。对节点水听器接收得到的水声信号pk(t)进行傅里叶变换得到频谱，取频谱峰值对应的频率得到窄带频率f＝f0。由步骤一可知，节点处可探测到ki个目标信源，声波信号入射到节点的M(M＞ki)个声矢量水听器上，DOA可表示为
Figure BDA0002243115930000041
其中φk和
Figure BDA0002243115930000042
分别为第k个信源的方位角和俯仰角，声波信号的振速vk(r,t)和声压pk(r,t)可表示为距离r和时间t的函数：
Figure BDA0002243115930000043
其中ρ0为介质的密度，c为声速，uk为声波的单位方向矢量，且：
Figure BDA0002243115930000044
其中a(θα,k)、v(θα,k)、w(θα,k)分别为声矢量在x、y、z三个方向角度分量的函数表示。
在多个不同时刻采样获得的量测信号用矩阵表示为：
Figure BDA0002243115930000045
其中P为声压量测矩阵，S为信源向量矩阵，X、Y、Z分别为振速量测矩阵在空间中的分量。NP、NX、NY和NZ分别为P、X、Y、Z的量测噪声矩阵，Φa＝diag(a(θα,1),...,a(θα,k))，Φv＝diag(v(θα,1),...,v(θα,k))，Φw＝diag(w(θα,1),...,w(θα,k))。
构造成的新信号矩阵XE为：
Figure BDA0002243115930000046
通过
Figure BDA0002243115930000047
可求得XE自相关矩阵，对自相关矩阵进行特征分解，并将特征值由大到小进行排序，其中ki个较大特征值对应的特征向量张成信号子空间ES，由于存在唯一、非奇异的满秩矩阵D，对ES分块后得：
因此E4＝E1D-1ΦwD，可知E1和E4张成相似的子空间，对E1 +E4进行特征值分解，得到其特征值
Figure BDA0002243115930000052
因此可计算得到俯仰角：
Figure BDA0002243115930000053
同理对E1 +E3进行特征值分解，可求得v(θα,k)的估计值
Figure BDA0002243115930000054
经过配对后可得到方位角估计：
Figure BDA0002243115930000055
因此可得θα,k的估计值
Figure BDA0002243115930000056
进一步地，所述步骤四中，具体为：
在第i个节点上，通过计算能量提取高频噪声特征及方位信息，在时域1:t内，短时平均信号能量定义为S(τ)2，其中τ表示短时时间帧，可取
Figure BDA0002243115930000057
若S(τ)2＞δ，其中门限值δ由背景噪声能量均值给出，则计算该时间帧的信号过零率F作为信号特征标识，并对该特征信号进行宽带DOA估计。
将信号通过聚焦得到宽带聚焦频率f＝[f1 … fJ]，其中任一子带频率为fm，m＝1:J，m为正整数。
对宽带高频量测声信号进行DOA估计，在中心频率为fm的子带上可表示为：
x(fm)＝H(fm,θ)s(fm)+n(fm) (13)
其中H(fm,θ)为阵列流型矩阵，s(fm)为中心频率为fm的目标信源信号，n(fm)为中心频率为fm量测噪声信号。
求得协方差矩阵为：
R(fm)＝E[x(fm)xH(fm)] (14)
输出方位谱可表示为：
Figure BDA0002243115930000058
其中a(fm,θ)为空间扫描向量，
Figure BDA0002243115930000061
为扫描空间方位角，φ＝1:360°，每次递增1度，每次递增1度，取遍所有φ和
Figure BDA0002243115930000063
则得到θ所有可能取值。
将各子带方位谱累加求和可得到宽带输出方位谱：
Figure BDA0002243115930000064
提取功率谱PMVDR峰值所对应的θ即得到单节点处高频连续谱噪声方位估计结果
Figure BDA0002243115930000065
因此，得到特征信号F对应的方位估计结果
Figure BDA0002243115930000066
及对应的方位角
Figure BDA0002243115930000067
和俯仰角
Figure BDA0002243115930000068
进一步地，所述步骤五中，具体为：
将多个单节点的多目标方位估计结果和量测信号特征信息提交中心节点进行多节点信息融合，对目标和特征的方位估计结果进行数据关联，并计算估计目标位置：
中心节点收集各节点的空间方位估计结果，得到多个节点的多目标窄带信源和宽带特征空间方位角，设定条件：
Figure BDA0002243115930000069
其中A(x,y)为表示x和y差异的函数，p、q表示传感器网中不同的节点，各节点和
Figure BDA00022431159300000611
分别由步骤三和步骤四给出，为不同窄带目标信号和宽带特征的方位估计结果，ε为自定义的阈值，可根据应用环境、精度需求等调整确定。
满足条件后则用特征宽带DOA估计结果修正窄带DOA估计结果，用
Figure BDA00022431159300000612
替代
Figure BDA00022431159300000613
并将目标k和特征F进行对应，用不同的特征F对不同的目标k进行标定，建立起多目标与特征的关联关系。若未满足条件，则保留原
Figure BDA00022431159300000614
环境中目标信源估计数K＝maxki，即网络中各节点中估计得到的最大信源数。
将各节点的特征关联修正后的空间方位角对应的目标方位角和俯仰角分别扩展成K阶矩阵：目标方位角矩阵：和俯仰角矩阵：
Figure BDA00022431159300000616
其中未被节点探测到的目标方位角和俯仰角为0，即将各节点关联修正后的空间方位角对应的目标方位角和俯仰角按节点顺序分别组成矩阵后用0补足成K阶。N为传感器网节点数，为正整数。
K个的目标位置估计值可表示为其中第k(k∈[1,K])个目标的位置为：
Figure BDA0002243115930000071
能够被传感器网络中i个节点探测到，传感器网络中第i个节点位置可表示为：Li＝[lx,i ly,i lz,i]T，则有：
Figure BDA0002243115930000072
解该方程组即可计算出目标位置
Figure BDA0002243115930000073
计算每个目标位置则得到多目标位置估计值
Figure BDA0002243115930000074
与传统基于水声传感器网络主动定位算法相比，本发明采用的被动探测方式能有效降低探测能耗；与单一的信号级融合和决策级融合相比，本发明利用的信号特征融合方式可以有效地定位高噪声环境下的多威胁目标，并且降低探测能耗和通讯能耗，平衡了通讯信息量和定位精度，使传感器网的数据融合具有可行性。
附图说明
图1为本发明所提出的基于水下传感器网络的多目标被动定位算法的流程图。
图2为中心节点进行信息融合的示意图。
图3为定位算法及本发明改进示意图。
具体实施方式
本发明提供了一种基于水下传感器网络的多目标被动定位方法，该方法中，首先，建立基于传感器网的多目标定位模型，包括传感器节点阵列模型、目标信源模型，并初始化。
其次，建立单节点矢量水听器阵列DOA估计模型，对接收到的信号进行时空分帧，对单水听器接收信号进行短时傅里叶变换，得到窄带信号估计频率f1，并对多信源进行DOA估计，得到空间方位估计结果θα。同时通过时域声强检测捕捉高频短时强噪声，并得到特征F及空间方位估计θβ。将方位估计结果和特征信息传输至中心节点进行融合。
在中心节点，将所有节点的空间方位估计结果进行融合，计算得到信源位置，并将特征和信源估计进行对应，位置接近则将该特征分配给该信源，进行正确的数据关联，并用针对宽带噪声的方位估计结果修正针对窄带信号基于子空间分解的信源位置估计结果。
最后，融合中心输出当前估计的目标个数及位置。
下面结合附图对本发明的实施进行详细的说明，并给出具体的操作方式以及实施步骤。
步骤一，建立水声目标量测模型：
UWSNs中的节点搭载矢量水听器阵列，对水声环境进行实时监听，单节点矢量水听器阵列量测模型可以描述为：
P(t)＝HS(t)+N(t) (1)
其中P(t)＝[p1(t),p2(t),...,pK(t)]T表示量测声压向量，S(t)＝[s1(t),s2(t),...,sK(t)]T表示目标信源向量，N(t)＝[n1(t),n2(t),...,nK(t)]T表示量测噪声向量，H＝[h(θ1),h(θ2),...,h(θK)]表示远场阵列流型，其中，K表示目标信源数，h(θk)表示来向为θk的第k(k＝1,2,…，K)个信源的方向向量，且
Figure BDA0002243115930000081
其中M为阵元数，τm(θk)表示为来自θk方向的信号源投射到第m个阵元时，相对于选定参考点的时延，ω0＝2πf为信号源的频率，t为量测时间序列，j是虚数。
步骤二，采用盖尔圆准则估计单节点量测信源数。
若在第i个无线传感器网络节点处探测到的信源数应为ki，使用盖尔圆准则求ki。首先求该节点处量测信号协方差矩阵R：
R＝E[P(t)PH(t)] (2)
其中，(·)H表示矩阵的转置运算。
对协方差矩阵R作酉变换：
Rσ＝THRT (3)
其中
Figure BDA0002243115930000082
N0为协方差矩阵R的阶数，
Figure BDA0002243115930000083
为
Figure BDA0002243115930000084
的特征向量构成的酉矩阵，
Figure BDA0002243115930000085
为R去除末行末列后构成的子矩阵。
经变换后可得到：
Figure BDA0002243115930000086
其中：ρ、σ、λ、c均为变换后矩阵元素。
根据盖尔圆定理，信号对应的盖尔圆半径
Figure BDA0002243115930000087
噪声对应的盖尔圆半径ri＝0，则利用盖尔圆半径估计信源数目的准则：
Figure BDA0002243115930000091
其中ki(M)为调整因子，取值在0～1之间，令k0由小变大，若k0＝kζ时，GDE(k0)第一次出现非正值，则信源数估计值ki＝kζ-1。
步骤三，采用ESPRIT算法进行信源DOA估计。对节点水听器接收得到的水声量测信号pk(t)进行傅里叶变换得到频谱，取频谱峰值对应的频率得到窄带频率f＝f0,i。若有ki个信源入射到M(M＞ki)个声矢量水听器上，声波信号DOA为
Figure BDA0002243115930000092
其中φk和
Figure BDA0002243115930000093
分别为第k个信源的方位角和俯仰角，声波信号的振速vk(r,t)和声压pk(r,t)可表示为距离r和时间序列t的函数：
Figure BDA0002243115930000094
其中ρ0为介质的密度，c为声速，uk为声波的单位方向矢量，且：
Figure BDA0002243115930000095
其中a(θα,k)、v(θα,k)、w(θα,k)分别为声矢量在x、y、z三个方向角度分量的函数表示。
在多个不同时刻采样获得的量测信号用矩阵表示为：
Figure BDA0002243115930000096
其中P为声压量测矩阵，S为信源向量矩阵，X、Y、Z分别为振速量测矩阵在空间中的分量。NP、NX、NY和NZ分别为P、X、Y、Z的量测噪声矩阵，Φa＝diag(a(θα,1),...,a(θα,k))，Φv＝diag(v(θα,1),...,v(θα,k))，Φw＝diag(w(θα,1),...,w(θα,k))。
构造成的新信号矩阵XE为：
Figure BDA0002243115930000101
通过
Figure BDA0002243115930000102
可求得XE自相关矩阵RE，对自相关矩阵RE进行特征分解，并将特征值由大到小进行排序，取前ki个较大特征值对应的特征向量张成信号子空间ES，由于存在唯一、非奇异的满秩矩阵D，对ES分块后得：
Figure BDA0002243115930000103
因此E4＝E1D-1ΦwD，可知E1和E4张成相似的子空间，对E1 +E4进行特征值分解，得到其特征值
Figure BDA0002243115930000104
因此可计算得到俯仰角：
Figure BDA0002243115930000105
同理对E1 +E3进行特征值分解，可求得v(θαk)的估计值
Figure BDA0002243115930000106
经过配对后可得到方位角估计：
Figure BDA0002243115930000107
因此可得θα,k的估计值
步骤四，在第i个节点上，通过计算能量提取高频噪声特征及方位信息，在时域1:t内，短时平均信号能量定义为S(τ)2，其中τ表示短时时间帧，可取若S(τ)2＞δ，其中门限值δ由背景噪声能量均值给出，则计算该时间帧的信号过零率F作为信号特征标识，并对该特征信号进行宽带DOA估计。
将信号通过聚焦得到宽带聚焦频率f＝[f1…fJ]，其中任一子带频率为fm，m＝1:J，m为正整数。
对宽带高频量测声信号进行DOA估计，在中心频率为fm的子带上可表示为：
x(fm)＝H(fm,θ)s(fm)+n(fm) (13)
其中H(fm,θ)为阵列流型矩阵，s(fm)为中心频率为fm的目标信源信号，n(fm)为中心频率为fm量测噪声信号。
求得协方差矩阵为：
R(fm)＝E[x(fm)xH(fm)] (14)
输出方位谱可表示为：
Figure BDA0002243115930000111
其中a(fm,θ)为空间扫描向量，
Figure BDA00022431159300001117
为扫描空间方位角，φ＝1:360°，每次递增1度，
Figure BDA0002243115930000112
每次递增1度，取遍所有φ和
Figure BDA0002243115930000113
则得到θ所有可能取值。
将各子带方位谱累加求和可得到宽带输出方位谱：
Figure BDA0002243115930000114
提取功率谱PMVDR峰值所对应的θ即得到单节点处高频连续谱噪声方位估计结果因此，得到特征信号F对应的方位估计结果
Figure BDA0002243115930000116
及对应的方位角和俯仰角
Figure BDA0002243115930000118
步骤五，将多个单节点的多目标方位估计结果和量测信号特征信息提交中心节点进行多节点信息融合，对目标和特征的方位估计结果进行数据关联，并计算估计目标位置：
中心节点收集各节点的空间方位估计结果，得到多个节点的多目标窄带信源和宽带特征空间方位角，设定条件：
Figure BDA0002243115930000119
其中A(x,y)为表示x和y差异的函数，p、q表示传感器网中不同的节点，各节点
Figure BDA00022431159300001110
和
Figure BDA00022431159300001111
分别由步骤三和步骤四给出，为不同窄带目标信号和宽带特征的方位估计结果，ε为自定义的阈值，可根据应用环境、精度需求等调整确定。
满足条件后则用特征宽带DOA估计结果修正窄带DOA估计结果，用
Figure BDA00022431159300001112
替代
Figure BDA00022431159300001113
并将目标k和特征F进行对应，用不同的特征F对不同的目标k进行标定，建立起多目标与特征的关联关系。若未满足条件，则保留原
Figure BDA00022431159300001114
环境中目标信源估计数K＝maxki，即网络中各节点中估计得到的最大信源数。
将各节点的特征关联修正后的空间方位角对应的目标方位角和俯仰角分别扩展成K阶矩阵：目标方位角矩阵：
Figure BDA00022431159300001115
和俯仰角矩阵：其中未被节点探测到的目标方位角和俯仰角为0，即将各节点关联修正后的空间方位角对应的目标方位角和俯仰角按节点顺序分别组成矩阵后用0补足成K阶。N为传感器网节点数，为正整数。
K个的目标位置估计值可表示为其中第k(k∈[1,K])个目标的位置为：
Figure BDA0002243115930000122
能够被传感器网络中i个节点探测到，传感器网络中第i个节点位置可表示为：Li＝[lx,i ly,i lz,i]T，则有：
Figure BDA0002243115930000123
解该方程组即可计算出目标位置
Figure BDA0002243115930000124
计算每个目标位置则得到多目标位置估计值
Figure BDA0002243115930000125
上述中，表示x和y差异的函数通过角距离函数计算：
定义向量：UX＝[cos(x) sin(x)]T，UY＝[cos(y) sin(y)]T
计算两个向量之间的夹角，角距离为：A(x,y)＝acos(UX,UY)，其中acos(·)为反三角函数。
如图3所示，图3(1)为单节点定位单目标情况，其中1为节点，实线表示目标方位估计，2、3、4为目标可能的位置，该情况无法定位。图3(2)为两个节点定位单目标情况，1、2为节点，实线表示目标方位估计，3为目标，可得到唯一位置。图3(3)为两节点定位两个目标但未做关联的情况，其中1、2为节点，实线表示目标方位估计，3、4为目标的真实位置，5、6为虚假的目标位置，该情况会出现虚假定位。图3(4)为两节点定位两目标并进行了特征关联后情况，其中1、2为节点，粗实线为特征1即目标1的方位估计，细实线为特征2即目标2的方位估计，此时情况退化为两节点定位单目标问题，3、4为确定的目标真实位置。图3(5)为普通的决策级融合多目标定位算法，其中1、2、3为节点，实线为准确的目标方位估计，虚线为不准确的目标方位估计，4、5为真实的目标位置，6、7、8、9为根据估计得到的虚假目标位置。多个目标的多个方位估计结果无法进行正确对应，导致虚假目标位置点出现。图3(6)为本发明进行特征融合的定位算法，其中1、2、3为节点，点划线为与目标4进行关联的特征方位估计，粗实线为与目标5进行关联的特征方位估计，细实线为未进行关联的目标方位估计，4、5为确定的真实目标位置。进行特征方位估计修正后，具有相同关联特征的方位估计结果可确定唯一目标，无特征匹配的则继续采用原目标方位估计，减少了虚假目标。
因此，与传统基于水声传感器网络主动定位算法相比，本发明采用的被动探测方式能有效降低探测能耗；与单一的信号级融合和决策级融合相比，本发明利用的信号特征融合方式可以有效地定位高噪声环境下的多威胁目标，并且降低探测能耗和通讯能耗，平衡了通讯信息量和定位精度，使传感器网的数据融合具有可行性。

Claims (9)

1.一种基于水下传感器网络的多目标被动定位方法，其特征在于，该方法应用于包含多个被动监听节点的水下传感器网络中，每个节点搭载矢量水听器阵列，针对静止目标，将多个单节点的多目标方位估计结果和量测信号特征信息提交中心节点进行多节点信息融合，得到多目标位置估计，从而对水下多目标进行实时定位。
2.根据权利要求1中所述基于水下传感器网络的多目标被动定位方法，其特征在于，对单水听器的量测信号进行傅里叶变换，提取窄带信号并进行信源方位估计作为多目标方位估计结果；在时域上进行能量监测，根据能量比标出能量大于背景噪声平均能量的时间帧，计算该帧内信号过零率作为特征信息，并计算该高频宽带噪声的信源方位估计作为特征信号方位估计；将目标信源及方位估计结果、特征及方位估计结果传入中心节点，在中心节点处，将目标与特征进行关联，对信源方位估计与特征方位估计结果进行融合，得到多目标位置估计结果。
3.根据权利要求2中所述基于水下传感器网络的多目标被动定位方法，其特征在于，窄带的信号信源方位(Direction of arrival,DOA)估计采用盖尔圆算法结合ESPRIT算法；高频宽带噪声DOA估计采用ISM算法估计特征数目及方位角，融合时将目标和特征进行数据关联，得到多目标位置估计结果。
4.根据权利要求3中所述基于水下传感器网络的多目标被动定位方法，其特征在于，具体包含以下几个步骤：
步骤一，建立目标信源模型S并获得节点量测模型P。设置网络中节点数i＝1:N，N为正整数，并设置量测时间序列t。
步骤二，每个处理时段内，利用盖尔圆算法结合ESPRIT算法在每个节点处进行信源数估计，得到结果信源数估计值ki。
步骤三，对节点信号进行傅里叶变换，得到窄带频率f0,i，并进行DOA估计得到空间方位角
Figure FDA0002243115920000011
步骤四，通过计算能量峰提取特征，得到宽带噪声特征F、聚焦频率fm(m＝1,2…J,J为正整数)及空间方位角
步骤五，将步骤三、四中信息和结果传入中心节点，进行特征及信源的数据关联，并计算得到位置融合估计结果
Figure FDA0002243115920000013
5.根据权利要求4中所述一种基于水下传感器网络的多目标被动定位方法，其特征在于，所述步骤一中，节点量测模型P描述为：
P(t)＝ΗS(t)+N(t) (1)
其中P(t)＝[p1(t),p2(t),...,pK(t)]T表示量测声压向量，S(t)＝[s1(t),s2(t),...,sK(t)]T表示目标信源向量，N(t)＝[n1(t),n2(t),...,nK(t)]T表示量测噪声向量，H＝[h(θ1),h(θ2),...,h(θK)]表示远场阵列流型，其中，K表示目标信源数，h(θk)表示来向为θk的第k(k＝1,2,…，K)个信源的方向向量，且
Figure FDA0002243115920000021
其中M为阵元数，τm(θk)表示为来自θk方向的信号源投射到第m个阵元时，相对于选定参考点的时延，ω0＝2πf为信号源的频率，t为量测时间序列，j是虚数。
6.根据权利要求4所述基于水下传感器网络的多目标被动定位方法，其特征在于，所述步骤二中，利用盖尔圆算法在第i个节点进行信源数估计得到结果ki具体为：
首先求第i个节点处量测信号协方差矩阵R：
R＝E[P(t)PH(t)] (2)
其中，(·)H表示矩阵的转置运算。
对协方差矩阵R作酉变换：
Rσ＝THRT (3)
其中N0为协方差矩阵R的阶数，
Figure FDA0002243115920000023
为
Figure FDA0002243115920000027
的特征向量构成的酉矩阵，
Figure FDA0002243115920000024
为R去除末行末列后构成的子矩阵。
经变换后可得到：
Figure FDA0002243115920000025
其中：ρ、σ、λ、c均为变换后矩阵元素。
根据盖尔圆定理，信号对应的盖尔圆半径噪声对应的盖尔圆半径ri＝0，则利用盖尔圆半径估计信源数目的准则：
Figure FDA0002243115920000031
其中ki(M)为调整因子，取值在0～1之间，令k0由小变大，若k0＝kζ时，GDE(k0)第一次出现非正值，则信源数估计值ki＝kζ-1。
7.根据权利要求4所述基于水下传感器网络的多目标被动定位方法，其特征在于，所述步骤三中，具体为：
在第i个节点处，采用ESPRIT算法进行目标信源DOA估计。对节点水听器接收得到的水声信号pk(t)进行傅里叶变换得到频谱，取频谱峰值对应的频率得到窄带频率f＝f0。由步骤一可知，节点处可探测到ki个目标信源，声波信号入射到节点的M(M＞ki)个声矢量水听器上，DOA可表示为其中φk和
Figure FDA0002243115920000033
分别为第k个信源的方位角和俯仰角，声波信号的振速vk(r,t)和声压pk(r,t)可表示为距离r和时间t的函数：
Figure FDA0002243115920000034
其中ρ0为介质的密度，c为声速，uk为声波的单位方向矢量，且：
Figure FDA0002243115920000035
其中a(θα,k)、v(θα,k)、w(θα,k)分别为声矢量在x、y、z三个方向角度分量的函数表示。
在多个不同时刻采样获得的量测信号用矩阵表示为：
Figure FDA0002243115920000036
其中P为声压量测矩阵，S为信源向量矩阵，X、Y、Z分别为振速量测矩阵在空间中的分量。NP、NX、NY和NZ分别为P、X、Y、Z的量测噪声矩阵，Φa＝diag(a(θα,1),...,a(θα,k))，Φv＝diag(v(θα,1),...,v(θα,k))，Φw＝diag(w(θα,1),...,w(θα,k))。
构造成的新信号矩阵XE为：
Figure FDA0002243115920000041
通过
Figure FDA0002243115920000042
可求得XE自相关矩阵，对自相关矩阵进行特征分解，并将特征值由大到小进行排序，其中ki个较大特征值对应的特征向量张成信号子空间ES，由于存在唯一、非奇异的满秩矩阵D，对ES分块后得：
Figure FDA0002243115920000043
因此E4＝E1D-1ΦwD，可知E1和E4张成相似的子空间，对
Figure FDA0002243115920000044
进行特征值分解，得到其特征值
Figure FDA0002243115920000045
因此可计算得到俯仰角：
Figure FDA0002243115920000046
同理对
Figure FDA0002243115920000047
进行特征值分解，可求得v(θα,k)的估计值
Figure FDA0002243115920000048
经过配对后可得到方位角估计：
Figure FDA0002243115920000049
因此可得θα,k的估计值
Figure FDA00022431159200000410
8.根据权利要求4所述基于水下传感器网络的多目标被动定位方法，其特征在于，所述步骤四中，具体为：
在第i个节点上，通过计算能量提取高频噪声特征及方位信息，在时域1:t内，短时平均信号能量定义为S(τ)2，其中τ表示短时时间帧，可取
Figure FDA00022431159200000411
若S(τ)2＞δ，其中门限值δ由背景噪声能量均值给出，则计算该时间帧的信号过零率F作为信号特征标识，并对该特征信号进行宽带DOA估计。
将信号通过聚焦得到宽带聚焦频率f＝[f1 … fJ]，其中任一子带频率为fm，m＝1:J，m为正整数。
对宽带高频量测声信号进行DOA估计，在中心频率为fm的子带上可表示为：
x(fm)＝H(fm,θ)s(fm)+n(fm) (13)
其中H(fm,θ)为阵列流型矩阵，s(fm)为中心频率为fm的目标信源信号，n(fm)为中心频率为fm量测噪声信号。
求得协方差矩阵为：
R(fm)＝E[x(fm)xH(fm)] (14)
输出方位谱可表示为：
Figure FDA0002243115920000051
其中a(fm,θ)为空间扫描向量，
Figure FDA0002243115920000052
为扫描空间方位角，φ＝1:360°，每次递增1度，
Figure FDA0002243115920000053
每次递增1度，取遍所有φ和
Figure FDA0002243115920000054
则得到θ所有可能取值。
将各子带方位谱累加求和可得到宽带输出方位谱：
Figure FDA0002243115920000055
提取功率谱PMVDR峰值所对应的θ即得到单节点处高频连续谱噪声方位估计结果
Figure FDA0002243115920000056
因此，得到特征信号F对应的方位估计结果
Figure FDA0002243115920000057
及对应的方位角
Figure FDA0002243115920000058
和俯仰角
Figure FDA0002243115920000059
9.根据权利要求4所述基于水下传感器网络的多目标被动定位方法，其特征在于，所述步骤五中，具体为：
将多个单节点的多目标方位估计结果和量测信号特征信息提交中心节点进行多节点信息融合，对目标和特征的方位估计结果进行数据关联，并计算估计目标位置：
中心节点收集各节点的空间方位估计结果，得到多个节点的多目标窄带信源和宽带特征空间方位角，设定条件：
Figure FDA00022431159200000510
其中A(x,y)为表示x和y差异的函数，p、q表示传感器网中不同的节点，各节点和
Figure FDA00022431159200000512
分别由步骤三和步骤四给出，为不同窄带目标信号和宽带特征的方位估计结果，ε为自定义的阈值，可根据应用环境、精度需求等调整确定。
满足条件则用特征宽带DOA估计结果修正窄带DOA估计结果，用
Figure FDA00022431159200000513
替代
Figure FDA00022431159200000514
并将目标k和特征F进行对应，用不同的特征F对不同的目标k进行标定，建立起多目标与特征的关联关系。若未满足条件，则保留原环境中目标信源估计数K＝max ki，即网络中各节点中估计得到的最大信源数。
将各节点的特征关联修正后的空间方位角对应的目标方位角和俯仰角分别扩展成K阶矩阵：目标方位角矩阵：
Figure FDA0002243115920000061
和俯仰角矩阵：
Figure FDA0002243115920000062
其中未被节点探测到的目标方位角和俯仰角为0，即将各节点关联修正后的空间方位角对应的目标方位角和俯仰角按节点顺序分别组成矩阵后用0补足成K阶。N为传感器网节点数，为正整数。
K个的目标位置估计值可表示为
Figure FDA0002243115920000063
其中第k(k∈[1,K])个目标的位置为：能够被传感器网络中i个节点探测到，传感器网络中第i个节点位置可表示为：Li＝[lx,i ly,i lz,i]T，则有：
解该方程组即可计算出目标位置
Figure FDA0002243115920000066
计算每个目标位置则得到多目标位置估计值
Figure FDA0002243115920000067
CN201911007165.0A 2019-10-22 2019-10-22 一种基于水下传感器网络的多目标被动定位方法 Active CN110764053B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911007165.0A CN110764053B (zh) 2019-10-22 2019-10-22 一种基于水下传感器网络的多目标被动定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911007165.0A CN110764053B (zh) 2019-10-22 2019-10-22 一种基于水下传感器网络的多目标被动定位方法

Publications (2)

Publication Number Publication Date
CN110764053A true CN110764053A (zh) 2020-02-07
CN110764053B CN110764053B (zh) 2021-08-17

Family

ID=69331291

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911007165.0A Active CN110764053B (zh) 2019-10-22 2019-10-22 一种基于水下传感器网络的多目标被动定位方法

Country Status (1)

Country Link
CN (1) CN110764053B (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111487589A (zh) * 2020-04-21 2020-08-04 中国科学院上海微系统与信息技术研究所 一种基于多源传感器网络的目标落点定位方法
CN111505581A (zh) * 2020-04-16 2020-08-07 浙江大学 一种基于分布式传感器节点的被动目标检测方法
CN111505582A (zh) * 2020-04-27 2020-08-07 中国人民解放军92916部队参谋部 基于差分进化算法的水听器阵列定位方法
CN111537947A (zh) * 2020-05-12 2020-08-14 上海交通大学 单射频通道空间谱估计测向系统与方法
CN111626341A (zh) * 2020-05-12 2020-09-04 哈尔滨工程大学 一种面向水下目标识别的特征级信息融合方法
CN111665469A (zh) * 2020-06-11 2020-09-15 浙江大学 一种基于空间时频分布的水下多径信号参数估计方法
CN111856400A (zh) * 2020-07-29 2020-10-30 中北大学 一种水下目标声源定位方法及系统
CN111929645A (zh) * 2020-09-23 2020-11-13 深圳市友杰智新科技有限公司 特定人声的声源定位方法、装置和计算机设备
CN112488048A (zh) * 2020-12-16 2021-03-12 浙江工业大学 一种基于深度学习及随机阵列的声信号差分特征融合方法
CN112508277A (zh) * 2020-12-07 2021-03-16 厦门理工学院 一种水下多目标定位方法、终端设备及存储介质
CN113702903A (zh) * 2021-09-22 2021-11-26 中船海洋探测技术研究院有限公司 基于目标水下极低频矢量电磁场的阵列被动定位跟踪方法
CN114279447A (zh) * 2021-12-22 2022-04-05 杭州电子科技大学 一种基于约束数据最小二乘的新型纯方位被动测距方法
CN115825854A (zh) * 2023-02-22 2023-03-21 西北工业大学青岛研究院 一种基于深度学习的水下目标方位估计方法、介质及系统
CN116973899A (zh) * 2023-07-17 2023-10-31 哈尔滨工程大学 一种基于凸聚类的冰下多目标定位方法和装置
CN117176281A (zh) * 2023-08-01 2023-12-05 中国科学院声学研究所 一种联合时间同步与被动目标协同定位方法

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020175850A1 (en) * 2001-02-26 2002-11-28 Barnes Mark A. Method of envelope detection and image generation
US20090069029A1 (en) * 2007-09-12 2009-03-12 Ismail Guvenc Method for an improved linear least squares estimation of a mobile terminal's location under los and nlos conditions and using map information
CN101464510A (zh) * 2009-01-08 2009-06-24 浙江大学 一种无线传感器网络多点准确定位与跟踪方法
CN102833882A (zh) * 2011-06-15 2012-12-19 中国科学院声学研究所 一种基于水声传感器网络的多目标数据融合方法及系统
CN103308899A (zh) * 2013-05-23 2013-09-18 中国人民解放军第四军医大学 一种基于过零点技术的生物雷达人体目标识别方法
CN104333904A (zh) * 2014-10-24 2015-02-04 浙江大学 一种移动水下传感器网络节点的分布式定位方法
US20160131734A1 (en) * 2014-11-10 2016-05-12 The Boeing Company Systems and methods for coherent signal fusion for time and frequency estimation
CN105676181A (zh) * 2016-01-15 2016-06-15 浙江大学 基于分布式传感器能量比的水下运动目标扩展卡尔曼滤波跟踪方法
CN106525005A (zh) * 2016-10-28 2017-03-22 北京海卓同创科技有限公司 一种一体化多波束测深装置
CN107255818A (zh) * 2017-06-13 2017-10-17 厦门大学 一种两维多特征融合的水下目标快速检测方法
CN107255793A (zh) * 2017-06-16 2017-10-17 中国电子科技集团公司第二十九研究所 一种针对宽带ofdm通信信号的阵列测向方法及装置
CN108051773A (zh) * 2017-11-16 2018-05-18 河海大学 基于盖式圆盘准则估计信源数目的epuma方法
CN108089154A (zh) * 2017-11-29 2018-05-29 西北工业大学 分布式声源探测方法及基于该方法的声音探测机器人
US10020813B1 (en) * 2017-01-09 2018-07-10 Microsoft Technology Licensing, Llc Scaleable DLL clocking system
CN108303891A (zh) * 2018-02-11 2018-07-20 浙江大学 基于不确定海流扰动下的多auv分布式协同跟踪控制方法
CN108632764A (zh) * 2018-04-02 2018-10-09 浙江大学 一种多传感器选择性量测数据融合估计算法
CN108924808A (zh) * 2018-09-27 2018-11-30 山东理工大学 基于rbs同步机制的水下声学无线传感器网络节点动态定位方法
CN109283492A (zh) * 2018-10-29 2019-01-29 中国电子科技集团公司第三研究所 多目标方位估计方法及水声垂直矢量阵列系统
CN109413588A (zh) * 2018-09-27 2019-03-01 河海大学常州校区 一种固定深度水下传感器网络的水下节点位置预测方法
CN109683134A (zh) * 2019-01-08 2019-04-26 浙江大学 一种面向旋转声源的高分辨率定位方法
CN109814069A (zh) * 2019-01-22 2019-05-28 浙江大学 一种基于单定位信标的水下移动节点无源定位方法及其系统

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020175850A1 (en) * 2001-02-26 2002-11-28 Barnes Mark A. Method of envelope detection and image generation
US20090069029A1 (en) * 2007-09-12 2009-03-12 Ismail Guvenc Method for an improved linear least squares estimation of a mobile terminal's location under los and nlos conditions and using map information
CN101464510A (zh) * 2009-01-08 2009-06-24 浙江大学 一种无线传感器网络多点准确定位与跟踪方法
CN102833882A (zh) * 2011-06-15 2012-12-19 中国科学院声学研究所 一种基于水声传感器网络的多目标数据融合方法及系统
CN103308899A (zh) * 2013-05-23 2013-09-18 中国人民解放军第四军医大学 一种基于过零点技术的生物雷达人体目标识别方法
CN104333904A (zh) * 2014-10-24 2015-02-04 浙江大学 一种移动水下传感器网络节点的分布式定位方法
US20160131734A1 (en) * 2014-11-10 2016-05-12 The Boeing Company Systems and methods for coherent signal fusion for time and frequency estimation
CN105676181A (zh) * 2016-01-15 2016-06-15 浙江大学 基于分布式传感器能量比的水下运动目标扩展卡尔曼滤波跟踪方法
CN106525005A (zh) * 2016-10-28 2017-03-22 北京海卓同创科技有限公司 一种一体化多波束测深装置
US10020813B1 (en) * 2017-01-09 2018-07-10 Microsoft Technology Licensing, Llc Scaleable DLL clocking system
CN107255818A (zh) * 2017-06-13 2017-10-17 厦门大学 一种两维多特征融合的水下目标快速检测方法
CN107255793A (zh) * 2017-06-16 2017-10-17 中国电子科技集团公司第二十九研究所 一种针对宽带ofdm通信信号的阵列测向方法及装置
CN108051773A (zh) * 2017-11-16 2018-05-18 河海大学 基于盖式圆盘准则估计信源数目的epuma方法
CN108089154A (zh) * 2017-11-29 2018-05-29 西北工业大学 分布式声源探测方法及基于该方法的声音探测机器人
CN108303891A (zh) * 2018-02-11 2018-07-20 浙江大学 基于不确定海流扰动下的多auv分布式协同跟踪控制方法
CN108632764A (zh) * 2018-04-02 2018-10-09 浙江大学 一种多传感器选择性量测数据融合估计算法
CN108924808A (zh) * 2018-09-27 2018-11-30 山东理工大学 基于rbs同步机制的水下声学无线传感器网络节点动态定位方法
CN109413588A (zh) * 2018-09-27 2019-03-01 河海大学常州校区 一种固定深度水下传感器网络的水下节点位置预测方法
CN109283492A (zh) * 2018-10-29 2019-01-29 中国电子科技集团公司第三研究所 多目标方位估计方法及水声垂直矢量阵列系统
CN109683134A (zh) * 2019-01-08 2019-04-26 浙江大学 一种面向旋转声源的高分辨率定位方法
CN109814069A (zh) * 2019-01-22 2019-05-28 浙江大学 一种基于单定位信标的水下移动节点无源定位方法及其系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DUO ZHANG, MEIQIN LIU: "Non-Myopic Energy Allocation for Target Tracking in Energy Harvesting UWSNs", 《IEEE SENSORS JOURNAL》 *
张子涵: "基于水下传感器网络的目标定位研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
钱良芳,张森林,刘妹琴: "基于预约的数据队列水下无线传感器网络MAC协议", 《浙江大学学报（工学版）》 *

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111505581A (zh) * 2020-04-16 2020-08-07 浙江大学 一种基于分布式传感器节点的被动目标检测方法
CN111505581B (zh) * 2020-04-16 2022-04-29 浙江大学 一种基于分布式传感器节点的被动目标检测方法
CN111487589A (zh) * 2020-04-21 2020-08-04 中国科学院上海微系统与信息技术研究所 一种基于多源传感器网络的目标落点定位方法
CN111487589B (zh) * 2020-04-21 2023-08-04 中国科学院上海微系统与信息技术研究所 一种基于多源传感器网络的目标落点定位方法
CN111505582A (zh) * 2020-04-27 2020-08-07 中国人民解放军92916部队参谋部 基于差分进化算法的水听器阵列定位方法
CN111626341B (zh) * 2020-05-12 2022-04-08 哈尔滨工程大学 一种面向水下目标识别的特征级信息融合方法
CN111537947A (zh) * 2020-05-12 2020-08-14 上海交通大学 单射频通道空间谱估计测向系统与方法
CN111626341A (zh) * 2020-05-12 2020-09-04 哈尔滨工程大学 一种面向水下目标识别的特征级信息融合方法
CN111665469A (zh) * 2020-06-11 2020-09-15 浙江大学 一种基于空间时频分布的水下多径信号参数估计方法
CN111665469B (zh) * 2020-06-11 2022-08-23 浙江大学 一种基于空间时频分布的水下多径信号参数估计方法
CN111856400A (zh) * 2020-07-29 2020-10-30 中北大学 一种水下目标声源定位方法及系统
CN111856400B (zh) * 2020-07-29 2021-04-09 中北大学 一种水下目标声源定位方法及系统
CN111929645A (zh) * 2020-09-23 2020-11-13 深圳市友杰智新科技有限公司 特定人声的声源定位方法、装置和计算机设备
CN112508277A (zh) * 2020-12-07 2021-03-16 厦门理工学院 一种水下多目标定位方法、终端设备及存储介质
CN112508277B (zh) * 2020-12-07 2022-05-24 厦门理工学院 一种水下多目标定位方法、终端设备及存储介质
CN112488048A (zh) * 2020-12-16 2021-03-12 浙江工业大学 一种基于深度学习及随机阵列的声信号差分特征融合方法
CN112488048B (zh) * 2020-12-16 2024-03-22 浙江工业大学 一种基于深度学习及随机阵列的声信号差分特征融合方法
CN113702903B (zh) * 2021-09-22 2023-12-12 中船海洋探测技术研究院有限公司 基于目标水下极低频矢量电磁场的阵列被动定位跟踪方法
CN113702903A (zh) * 2021-09-22 2021-11-26 中船海洋探测技术研究院有限公司 基于目标水下极低频矢量电磁场的阵列被动定位跟踪方法
CN114279447A (zh) * 2021-12-22 2022-04-05 杭州电子科技大学 一种基于约束数据最小二乘的新型纯方位被动测距方法
CN115825854A (zh) * 2023-02-22 2023-03-21 西北工业大学青岛研究院 一种基于深度学习的水下目标方位估计方法、介质及系统
CN116973899A (zh) * 2023-07-17 2023-10-31 哈尔滨工程大学 一种基于凸聚类的冰下多目标定位方法和装置
CN116973899B (zh) * 2023-07-17 2024-04-02 哈尔滨工程大学 一种基于凸聚类的冰下多目标定位方法和装置
CN117176281A (zh) * 2023-08-01 2023-12-05 中国科学院声学研究所 一种联合时间同步与被动目标协同定位方法
CN117176281B (zh) * 2023-08-01 2024-04-30 中国科学院声学研究所 一种联合时间同步与被动目标协同定位方法
CN118265136A (zh) * 2023-08-01 2024-06-28 中国科学院声学研究所 一种水下被动目标协同定位方法

Also Published As

Publication number Publication date
CN110764053B (zh) 2021-08-17

Similar Documents

Publication Publication Date Title
CN110764053B (zh) 一种基于水下传感器网络的多目标被动定位方法
CN109188344B (zh) 脉冲噪声环境下基于互循环相关music算法信源个数与来波方向角估计方法
Bilik Spatial compressive sensing for direction-of-arrival estimation of multiple sources using dynamic sensor arrays
CN108375763B (zh) 一种应用于多声源环境的分频定位方法
CN108845325B (zh) 拖曳线列阵声纳子阵误差失配估计方法
CN109541548B (zh) 一种基于匹配场的空气声呐定位方法
CN112924959B (zh) 基于带宽合成的分布式高频地波雷达目标定位和测速方法
CN104330787A (zh) 水下运动阵列多目标检测和方位估计一体化方法
CN111896913A (zh) 高频雷达单极子/交叉环天线通道增益校准方法及装置
Pham et al. Real-time implementation of MUSIC for wideband acoustic detection and tracking
CN112924924B (zh) 一种基于l1范数稀疏表示的宽带信号DOA估计方法
CN115201821B (zh) 基于强目标成像对消的小目标检测方法
Bi Robust adaptive beamforming based on interference-plus-noise covariance matrix reconstruction method
CN115657045A (zh) 基于方位信息多被动探测平台水下航行器数据的融合方法
CN106896350A (zh) 一种WAS‑GMTI模式下基于Relax算法的杂波抑制和参数估计方法
Wu et al. Feature enhancement technique with distorted towed array in the underwater radiated noise
Liang et al. A DOA Estimation algorithm for the vertical line array of vector hydrophone based on data fusion method
CN111505581A (zh) 一种基于分布式传感器节点的被动目标检测方法
Zhang et al. Fast Estimation of Direction of Arrival for Towed Array Based on Sparse Bayesian Learning
Chen et al. DOA estimation of Underwater LOW noise target technique based on focusing matrix
CN114415170B (zh) 基于角度信息的双站高频地波雷达多目标匹配方法
CN110632579A (zh) 一种利用子阵波束域特征的迭代波束形成方法
CN116908782B (zh) 一种基于多源信号功率强度的目标定位方法
CN112114287B (zh) 一种方位观测数据的野值实时剔除方法
Liu et al. PRWSF-ABSBL: a fast direction of arrival estimation method based on sparse Bayesian learning and partial relaxation approach

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
GR01 Patent grant
GR01 Patent grant