CN111190167B - 一种仿生声呐机器人的目标定位方法 - Google Patents
一种仿生声呐机器人的目标定位方法 Download PDFInfo
- Publication number
- CN111190167B CN111190167B CN202010013027.XA CN202010013027A CN111190167B CN 111190167 B CN111190167 B CN 111190167B CN 202010013027 A CN202010013027 A CN 202010013027A CN 111190167 B CN111190167 B CN 111190167B
- Authority
- CN
- China
- Prior art keywords
- target
- sound wave
- dimensional
- detected
- features
- 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.)
- Active
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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
- G01S7/52001—Auxiliary means for detecting or identifying sonar signals or the like, e.g. sonar jamming signals
-
- 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
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/02—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems using reflection of acoustic waves
- G01S15/06—Systems determining the position data of a target
- G01S15/08—Systems for measuring distance only
-
- 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
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/88—Sonar systems specially adapted for specific applications
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
- G01S7/534—Details of non-pulse systems
- G01S7/536—Extracting wanted echo signals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Acoustics & Sound (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明属于目标定位技术领域,涉及基于仿生声呐机器人的目标定位方法。该方法包括:对经过滤波之后的两路声波信号进行分帧操作,对两路声波信号的每一帧求其短时能量和,设定短时能量阈值,若该帧的短时能量和大于或等于设定的阈值,则将此帧的终点记为发射信号的起点S1;截取长度为M的声波信号;利用截取的声波信号测定待测目标的水平距离、空间二维坐标;截取长度为N的声波信号;判断待测目标是否存在,若存在,则输出该待测目标的水平距离及空间二维坐标。本发明的方法,通过对声呐回波数据的充分处理分析,能够得出待测目标是否存在、待测目标与声波接收装置之间的水平距离、以及空间二维空间中的仰角和方位角,实现仿生机器人对目标的精确定位。
Description
技术领域
本发明属于目标定位技术领域,涉及基于仿生声呐机器人的目标定位方法。
背景技术
在基于仿生麦克风阵列的阵列信号处理中,要对单一目标进行精准定位需要知道三个要素:目标是否存在、目标至声波接收装置之间的距离、目标相对于声波接收装置的空间二维坐标。在这个过程中,通常使用视觉目测以及相关图像处理的方式来判断目标是否存在;通过发射信号以及回波信号之间的时延来坐标距离,但在仿生机器人中有外部结构影响声波接收装置的情况下,效果不佳;对于空间二维坐标,利用多重信号分类(MUSIC)算法等方法来进行坐标,但受限于带宽等因素的影响。
蝙蝠利用声呐系统进行定位导航是一个十分复杂精巧的系统,从信息论的角度来分析,声呐中的返回声波中必然包含着用于精确定位和三维空间的信息,蝙蝠耳、神经等相当于接收器,而大脑相当于一个快速高效的信号处理器。依托现有条件可以接收到反射得到的信号,只要能正确的处理所得信号数据,应该可以得到与蝙蝠相类似的定位效果。
仿生机器人通过模仿自然界中生物的外部形状或某些机能来实现特定的目的,依托声呐技术设计的移动仿生机器人解决了当利用电磁波和光为媒介的机器人在深度雾霾以及受电磁干扰情况下受到限制的不足。
近年来,许多国家的研究者从不同角度开展了针对蝙蝠定位特性的研究,欧洲的CIRCE研究项目,通过仿照蝙蝠头部的整体架构制作仿生天线,其信号发射装置模仿蝙蝠的鼻子、声带等发声结构,信号接收装置模仿蝙蝠的耳朵。Steckel J等人通过使用FPGA控制接收器阵列,接收器阵列接收到的蝙蝠的头部相关传递函数(HRTF)来实现回声定位相关传递函数(ERTF)。Milne J L等人研究了在回声定位中头部运动对二维物体形状的辨别的影响。然而以上大多数的实验研究大多聚焦于蝙蝠声学特性的理论研究以及运用时延坐标和超声测距来估算距离,现有的针对空间二维坐标的方法受距离影响较大,且未找到较好的基于仿蝙蝠耳廓结构的距离判定方法。
发明内容
为了解决现有技术的不足,本公开提供了一种仿生机器人的目标定位的方法。
本发明解决其技术问题采用的技术方案是:一种仿生声呐机器人的目标定位方法,包括:
对采集到的仿生声呐机器人的两路声波信号进行滤波处理,选取出声波信号中存放回波信息所处的频率范围内的声波信号;
对经过滤波之后的两路声波信号进行分帧操作,对两路声波信号的每一帧求其短时能量和,设定短时能量阈值,若该帧的短时能量和大于或等于设定的阈值,则将此帧的终点记为发射信号的起点S1;
根据起点S1,截取一段长度为M的声波信号;利用截取的声波信号测定待测目标的水平距离、空间二维坐标;
根据待测目标的水平距离,截取一段长度为N的声波信号;判断待测目标是否存在,若存在,则输出该待测目标的水平距离及空间二维坐标。
作为本发明的一种优选方式,截取一段长度为M的声波信号,
形成两路长度为M的声波信号序列;左路:X={x1,x2,…,xN…,xM};右路:Y={y1,y2,…,yN,…,yM}。
进一步优选地,所述的短时能量阈值为60-100。
进一步优选地,所述截取的声波信号的长度M的计算公式为:
其中,l表示仿生声呐机器人能够探测的最远的水平距离,c表示声速,Fs表示采样率。
作为本发明的一种优选方式,测定待测目标的水平距离包括:
将两路长度为M的声波信号合并为单路信号:Z={x1+y1,x2+y2,…,xN+yN,…,xM+yM};
对合并后的单路声波信号进行短时傅里叶变换,依据短时傅里叶变换的结果绘制回波信号的谱图;
对合并后的单路声波信号进行经验模态分解,选取IMF的前三个分量绘制时域波形图;
依据声波接收装置的几何中心点到一水平面的垂点,与待测目标到同一水平面的垂点,两垂点之间不同水平距离,绘制相应的回波谱图和时域波形图,构造距离-数据集,并将该集随机分成训练集和测试集;每一组距离-数据组合中均包含一个谱图和三个时域波形图;
将训练集中的数据作为特征输入到卷积神经网络中进行训练,以不同水平距离作为分类依据,得到训练好的卷积神经网络;
将测试集中的数据作为特征输入到训练好的卷积神经网络中,卷积神经网络的输出,即为待测目标的水平距离。
进一步优选地,所述的不同水平距离为在1~2m范围内取的10个以上的值组成的等差数列。
作为本发明的一种优选方式,测定待测目标的空间二维坐标包括:
将两路长度为M的声波信号序列,进行短时傅里叶变换,得到两路声波信号的谱图;
对谱图进行能量特征提取,得到高维能量特征P={px1,px2,…,px(p/2),py1,py2,…,py(p/2)};
对得到的高维能量特征采用局部线性嵌入的方式降维到m维,构造训练集;
将训练集的低维能量特征,输入到人工神经网络中,以其相对应的方位角和仰角作为输出,通过训练得到反馈网络;通过所述的反馈网络进行待测目标方位角和仰角的空间二维坐标。
进一步优选地,高维能量特征的降维方法包括:
将高维能量特征P={px1,px2,…,px(p/2),py1,py2,…,py(p/2)}分为N+K组高维能量特征,其中K组作为参照集,则参照集共有p*K维,剩下的N组作为实验集,则实验集共有p*N维;
参照集高维能量特征:K={P1,P2,…,PK}
实验集高维能量特征:N={PK+1,PK+2,…,PK+N}
从实验集中取出任一组高维能量特征与参照集中的高维能量特征组成一个新的高维能量特征的集合,则该集合共有p*(K+1)维,对该集合中的高维能量特征采用局部线性嵌入的方法降维到m维,即降维后该集合中共有m*(K+1)维低维特征;
将原属于实验集的那组数据从该集合降维后的低维特征中分离出来,得到一组低维特征;
将实验集中的其余所有高维能量依次进行降维处理,共得到N组低维特征,组成训练集,训练集共有m*N维。
作为本发明的一种优选方式,长度为N的声波信号截取包括:
计算回波信号的终点S3:S3=S2+S;
在S2和S3之间截取长度为N的声波信号,S·Fs≤N≤1.2S·Fs,Fs表示采样率;
其中,S1为发射信号的起点,S为发射波时长,c为声速,d为待测目标到声波接收装置的水平距离,ψ为待测目标相对于声波接收装置的几何中心点的仰角度数。
进一步优选地,所述判断待测目标是否存在的方法包括:
对两路长度为N的回波信号序列进行滤波处理:左路:A={a1,a2,…,aN};右路:B={b1,b2,…,bN};
对两路回波信号进行互相关操作,互相关函数为:
设定特征值的最大值为Rab=Rab(m)max;
对特征值设置一个阈值,若特征值的最大值大于或等于该阈值,则证明存在待测目标,输出其该待测目标的水平距离以及空间二维坐标;若特征值的最大值小于该阈值,则证明不存在待测目标。
进一步优选地,特征值的阈值为0.02-0.04。
与现有技术相比,本发明的有益效果是:
1、本发明所述的仿生声呐机器人的声呐回波进行目标定位方法,通过对声呐回波数据的充分利用,能够得出待测目标是否存在、待测目标与声波接收装置之间的水平距离、以及待测目标相对于声波接收装置在二维空间中的仰角和方位角,解决了之前仿生机器人仅能利用回波进行有限的回波分析,无法准确定位待测目标的不足。
2、通过使用卷积神经网络对频谱图和IMF分量的时域波形图进行回波距离判断,提高了回波距离判断的准确率,IMF分量的时域波形图对回波的大致位置进行坐标,通过频谱图进行具体坐标,解决了传统方法在仿生声呐机器人上进行距离判断误差较大的不足;由于原始回波信号经过短时傅里叶变换之后形成的高维能量特征,存在某种流形结构,通过将局部线性嵌入算法引入对高维能量特征的降维,并作为特征输入到人工神经网络中,提高了针对空间二维坐标的准确度。
附图说明
图1是本发明实施例的整体流程图;
图2是待测目标水平距离判断流程图;
图3是双耳耳廓外壳到待测目标之间水平距离示意图;
图4是绘制回波信号的谱图,图中:(a)、(b)分别表示不同水平距离下的谱图;
图5是待测目标空间二维坐标流程图;
图6是待测目标有无判断的流程图。
具体实施方式
为了便于理解本发明,下面结合附图和具体实施例,对本发明进行更详细的说明。附图中给出了本发明的较佳的实施例。但是,本发明可以以许多不同的形式来实现,并不限于本说明书所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。
作为一种可能的实现方式,本实施例的方法,采用的硬件设备包括一移动机器人,一声波接收装置,一声波发射装置,所述声波接收装置与所述声波发射装置置于所述移动机器人的头部。
声波接收装置由两个严格模仿蝙蝠耳廓结构的仿生耳廓构成,在每个耳廓内部放置一个麦克风接收声波信号。
本实施例的方法,整体流程如图1所示,主要包括三部分,对待测目标进行水平距离测定、对待测目标进行空间二维坐标测定、对待测目标进行有无判断。
具体步骤如下:
一、对仿生机器人的仿生双耳接收到的声波信号进行滤波处理,由于仿生双耳接收到的信号的发射信号为一从20KHz-5KHz的线性调频信号,故采用带宽为5KHz-20KHz的带通滤波器进行滤波。选取出声波信号中存放回波信息所处的频率范围内的声波信号;
二、对经过滤波之后的两路声波信号进行分帧操作,对两路声波信号的每一帧求其短时能量和,设定短时能量阈值为80,若该帧的短时能量和≥80,则将此帧的终点记为发射信号的起点S1;
三、根据起点S1,截取一段长度为M的声波信号,形成两路长度为M的声波信号序列;左路:X={x1,x2,…,xN…,xM};右路Y={y1,y2,…,yN,…,yM}。
其中,l表示仿生声呐机器人能够探测的最远的水平距离,c表示声速,Fs表示采样率。
利用截取的声波信号,对待测目标进行水平距离的测定和空间二维坐标的测定。
1、对待测目标进行水平距离测定,流程如图2所示,仿生双耳到待测目标之间水平距离的示意图如图3所示,具体包括:
(1)将两路长度为M的声波信号合并为单路信号:
Z={x1+y1,x2+y2,…,xN+yN,…,xM+yM};
(2)对合并后的单路声波信号进行短时傅里叶变换,依据短时傅里叶变换的结果绘制回波信号的谱图,不同水平距离下的谱图如图4所示;
(3)对合并后的单路声波信号进行经验模态分解,选取IMF的前三个分量绘制时域波形图;
(4)仿生双耳到待测目标之间水平距离在1~2m范围内,取10个呈等差数列的值,例如:1.0m、1.1m、1.2m、1.3m、1.4m、1.5m、1.6m、1.7m、1.8m、1.9m。依据不同的水平距离,绘制每个距离值的回波谱图和时域波形图,构造距离-数据(仰角和方位角)集,并将该集随机分成训练集和测试集;每一组距离-数据组合中均包含一个谱图和三个时域波形图;
例如:每一个距离值对应10个数据(不同仰角和方位角),10个距离共有100个数据,每一个数据都对应一个谱图和三个时域波形图。将这100个数据随机分成训练集和测试集;
(5)将训练集中的每一个数据对应的谱图和时域波形图,作为特征输入到卷积神经网络中进行训练,以不同水平距离作为分类依据,得到训练好的卷积神经网络;
(6)将测试集中的数据对应的谱图和时域波形图作为特征输入到训练好的卷积神经网络中,卷积神经网络的输出,即为仿生双耳到待测目标之间的水平距离d。
2、对待测目标进行空间二维坐标测定,流程如图5所示,具体包括:
(1)对两路经过截取之后的声波信号进行短时傅里叶变换,得到两路声波信号的谱图
(2)对谱图进行能量特征提取操作:
根据上述步骤得到待测目标的水平距离d,依据时延的方法找出回波所在的大致区域,选取两路声波信号中该区域的能量作为高维能量特征,单路声波信号可得到p/2维高维能量特征,两路声波信号共p维高维能量特征。
单组高维能量特征:P={px1,px2,…,px(p/2),py1,py2,…,py(p/2)}
(3)对得到的高维能量特征采用局部线性嵌入的方式降维到m维:
a.将现有的多组高维能量特征分为N+K组高维能量特征,其中K组作为参照集,则参照集共有p*K维,剩下的N组作为实验集,则实验集共有p*N维;
参照集高维能量特征:K={P1,P2,…,PK};
实验集高维能量特征:N={PK+1,PK+2,…,PK+N};
b.从实验集中取出任一组高维能量特征与参照集中的高维能量特征组成一个新的高维能量特征的集合,则该集合共有p*(K+1)维,对该集合中的高维能量特征采用局部线性嵌入的方法降维到m维,即降维后该集合中共有m*(K+1)维低维特征;
c.将原属于实验集的那组数据从该集合降维后的低维特征中分离出来,得到一组低维特征;
d.将实验集中其余的所有数据按照步骤a~c重复操作,依次进行降维处理,共得到N组低维特征,这N组低维特征构成训练集,训练集共有m*N维。作为一种可能的实现方式,降维后的维度为60维,相邻点数为20。
(4)将训练集的低维特征,输入到人工神经网络中,以其相对应的方位角和仰角作为输出,通过训练得到反馈网络;
(5)按照步骤a~c,将获得的高维能量特征降维成低维特征,作为测试集的低维特征,输入到训练好的人工神经网络中,输出为对应的方位角和仰角,即完成待测目标的空间二维坐标的测定。
四、根据上述步骤得到的待测目标的水平距离d及待测目标相对于仿生双耳的仰角ψ,截取一段长度为N的声波信号
计算回波信号的终点S3:S3=S2+S;
在S2和S3之间截取长度为N的声波信号,S·Fs≤N≤1.2S·Fs,Fs表示采样率;
其中,S1为发射信号的起点,S为发射波时长,c为声速,d为待测目标到声波接收装置的水平距离,ψ为待测目标相对于仿生双耳的几何中心点的仰角度数。
五、判断待测目标是否存在,流程如图6所示,具体包括:
对两路长度为N的回波信号序列进行滤波处理:左路:A={a1,a2,…,aN};右路:B={b1,b2,…,bN};
对两路回波信号进行互相关操作,互相关函数为:
设定特征值的最大值为Rab=Rab(m)max;
六、对特征值设置一个阈值0.04,若特征值的最大值Rab=Rab(m)max≥0.04,则证明该待测目标真实存在,输出该待测目标的水平距离d,及空间二维坐标:仰角和方位角。
若特征值的最大值Rab=Rab(m)max小于0.04,则证明该待测目标不存在。
至此,完成待测目标的精确定位。
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。均包含在本申请的保护范围之内。
Claims (6)
1.一种仿生声呐机器人的目标定位方法,其特征在于,包括:
选取出声波信号中存放回波信息所处的频率范围内的声波信号;
对经过滤波之后的两路声波信号进行分帧操作,对两路声波信号的每一帧求其短时能量和,设定短时能量阈值,若该帧的短时能量和大于或等于设定的阈值,则将此帧的终点记为发射信号的起点S1;
根据起点S1,截取长度为M的声波信号;利用截取的声波信号测定待测目标的水平距离、空间二维坐标;测定待测目标的水平距离包括:
将截取的两路长度为M的声波信号左路:X={x1,x2,…,xN,…,xM};右路:Y={y1,y2,…,yN,…,yM},
合并为单路信号Z={x1+y1,x2+y2,…,xN+yN,…,xM+yM};
对合并后的单路声波信号进行短时傅里叶变换,依据短时傅里叶变换的结果绘制回波信号的谱图;
对合并后的单路声波信号进行经验模态分解,选取IMF的前三个分量绘制时域波形图;
依据声波接收装置的几何中心点到一水平面的垂点,与待测目标到同一水平面的垂点,两垂点之间不同水平距离,绘制相应的回波谱图和时域波形图,构造距离-数据集,并将该集随机分成训练集和测试集;每一组距离-数据组合中均包含一个谱图和三个时域波形图;
将训练集中的数据作为特征输入到卷积神经网络中进行训练,以不同水平距离作为分类依据,得到训练好的卷积神经网络;
将测试集中的数据作为特征输入到训练好的卷积神经网络中,卷积神经网络的输出,即为待测目标的水平距离d;
测定待测目标的空间二维坐标包括:
将两路声波信号序列,进行短时傅里叶变换,得到两路声波信号的谱图;
对谱图进行能量特征提取,得到高维能量特征
P={px1,px2,…,px(p/2),py1,py2,…,py(p/2)];
对得到的高维能量特征采用局部线性嵌入的方式降维到m维,构造训练集;
将训练集的低维能量特征,输入到人工神经网络中,以其相对应的方位角和仰角作为输出,通过训练得到反馈网络;通过所述的反馈网络进行待测目标方位角和仰角的空间二维坐标测定;
根据待测目标的水平距离,截取长度为N的声波信号;判断待测目标是否存在,若存在,则输出该待测目标的水平距离及空间二维坐标;
所述判断待测目标是否存在的方法包括:
对两路长度为N的回波信号序列进行滤波处理:左路:A={a1,a2,…,aN};右路:B={b1,b2,…,bN};
对两路回波信号进行互相关操作,互相关函数为:
设定特征值的最大值为Rab=Rab(m)max;
对特征值设置一个阈值,若特征值的最大值大于或等于该阈值,则证明存在待测目标,输出其该待测目标的水平距离d以及空间二维坐标;
若特征值的最大值小于该阈值,则证明不存在待测目标;
特征值的阈值为0.02-0.04。
2.根据权利要求1所述的仿生声呐机器人的目标定位方法,其特征在于,所述的短时能量阈值为60-100。
4.根据权利要求1所述的仿生声呐机器人的目标定位方法,其特征在于,所述的不同水平距离为在1~2m范围内取的10个以上的值组成的等差数列。
5.根据权利要求1所述的仿生声呐机器人的目标定位方法,其特征在于,高维能量特征的降维方法包括:
将P={px1,px2,…,px(p/2),py1,py2,…,py(p/2)]分为N+K组高维能量特征,其中K组作为参照集,则参照集共有p*K维,剩下的N组作为实验集,则实验集共有p*N维;
参照集高维能量特征:K={P1,P2,…,PK}
实验集高维能量特征:N={PK+1,PK+2,…,PK+N}
从实验集中取出任一组高维能量特征与参照集中的高维能量特征组成一个新的高维能量特征的集合,则该集合共有p*(K+1)维,对该集合中的高维能量特征采用局部线性嵌入的方法降维到m维,即降维后该集合中共有m*(K+1)维低维特征;
将原属于实验集的那组数据从该集合降维后的低维特征中分离出来,得到一组低维特征;
将实验集中的其余高维能量依次进行降维处理,共得到N组低维特征,组成训练集,训练集共有m*N维。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010013027.XA CN111190167B (zh) | 2020-01-06 | 2020-01-06 | 一种仿生声呐机器人的目标定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010013027.XA CN111190167B (zh) | 2020-01-06 | 2020-01-06 | 一种仿生声呐机器人的目标定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111190167A CN111190167A (zh) | 2020-05-22 |
CN111190167B true CN111190167B (zh) | 2023-04-07 |
Family
ID=70709976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010013027.XA Active CN111190167B (zh) | 2020-01-06 | 2020-01-06 | 一种仿生声呐机器人的目标定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111190167B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116719035B (zh) * | 2023-08-10 | 2023-11-07 | 西安交通大学 | 双耳超声空间定位方法、自主移动机器人及控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106526578A (zh) * | 2016-12-19 | 2017-03-22 | 中国电子科技集团公司第二十研究所 | 基于蝙蝠双耳定位模型的水下目标方位估计方法 |
CN108198568A (zh) * | 2017-12-26 | 2018-06-22 | 太原理工大学 | 一种多声源定位的方法及系统 |
CN108469615A (zh) * | 2018-03-27 | 2018-08-31 | 山东大学 | 一种基于蝙蝠仿生声纳的小目标定位装置及其构建方法与应用 |
CN109239667A (zh) * | 2018-10-26 | 2019-01-18 | 深圳市友杰智新科技有限公司 | 一种基于双麦克风阵列的声源定位方法 |
CN109581385A (zh) * | 2018-12-17 | 2019-04-05 | 山东大学 | 基于大耳蝠双耳廓仿生声呐的目标定位装置及方法 |
-
2020
- 2020-01-06 CN CN202010013027.XA patent/CN111190167B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106526578A (zh) * | 2016-12-19 | 2017-03-22 | 中国电子科技集团公司第二十研究所 | 基于蝙蝠双耳定位模型的水下目标方位估计方法 |
CN108198568A (zh) * | 2017-12-26 | 2018-06-22 | 太原理工大学 | 一种多声源定位的方法及系统 |
CN108469615A (zh) * | 2018-03-27 | 2018-08-31 | 山东大学 | 一种基于蝙蝠仿生声纳的小目标定位装置及其构建方法与应用 |
CN109239667A (zh) * | 2018-10-26 | 2019-01-18 | 深圳市友杰智新科技有限公司 | 一种基于双麦克风阵列的声源定位方法 |
CN109581385A (zh) * | 2018-12-17 | 2019-04-05 | 山东大学 | 基于大耳蝠双耳廓仿生声呐的目标定位装置及方法 |
Non-Patent Citations (2)
Title |
---|
基于MEMS仿生矢量水听器的测距避障声纳系统设计;刘林仙 等;《电子科技大学学报》;20160131;全文 * |
基于声纳的移动机器人环境建模仿真平台的设计;赵冬梅 等;《山东科学》;20050331;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111190167A (zh) | 2020-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11346942B2 (en) | Target positioning device and method based on plecotus auritus double-pinna bionic sonar | |
Schillebeeckx et al. | Biomimetic sonar: Binaural 3D localization using artificial bat pinnae | |
CN106772246B (zh) | 基于声阵列的无人机实时检测和定位系统及方法 | |
CN102565759B (zh) | 一种基于子带信噪比估计的双耳声源定位方法 | |
CN108469615A (zh) | 一种基于蝙蝠仿生声纳的小目标定位装置及其构建方法与应用 | |
CN103217211B (zh) | 一种基于合成孔径原理的变电站噪声源分布测量方法 | |
CN102645265A (zh) | 一种基于虚拟时间反转镜的舰船辐射噪声级测量方法 | |
CN113868583B (zh) | 一种子阵波束聚焦的声源距离计算方法及系统 | |
CN109061654B (zh) | 一种深海环境下单圆环阵主动三维定位方法 | |
CN109597021B (zh) | 一种波达方向估计方法及装置 | |
CN109100711B (zh) | 一种深海环境下单基地主动声纳低运算量三维定位方法 | |
CN114089279A (zh) | 一种基于均匀同心圆麦克风阵列的声目标定位方法 | |
CN111190167B (zh) | 一种仿生声呐机器人的目标定位方法 | |
CN111580079B (zh) | 一种基于单矢量水听器的水下运动目标最近接近距离估计方法 | |
CN106526563A (zh) | 一种基于互相关虚拟阵的五元体积阵多目标方位估计方法 | |
CN110095755B (zh) | 一种声源定位方法 | |
CN109001297A (zh) | 基于单矢量水听器的大样本水声材料声反射系数测量方法 | |
CN112114300B (zh) | 一种基于图像稀疏表示的水下弱目标检测方法 | |
CN109600711B (zh) | 一种基于信道响应频域和空域联合处理的室内定位方法 | |
CN116299156B (zh) | 一种水听器垂直阵阵元位置估计方法及其优化策略 | |
CN115236592B (zh) | 一种基于单阵元时频曲线匹配的冰声定位方法 | |
CN115201821B (zh) | 基于强目标成像对消的小目标检测方法 | |
Feng et al. | Interpolation of the early part of the acoustic transfer functions using block sparse models | |
CN113126029B (zh) | 适用于深海可靠声路径环境的多传感器脉冲声源定位方法 | |
CN113805160B (zh) | 基于曲率和的主动声呐干涉条纹特征提取方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |