CN111273263A - 基于信息融合的自主探测声纳多目标doa估计方法 - Google Patents
基于信息融合的自主探测声纳多目标doa估计方法 Download PDFInfo
- Publication number
- CN111273263A CN111273263A CN201910554420.7A CN201910554420A CN111273263A CN 111273263 A CN111273263 A CN 111273263A CN 201910554420 A CN201910554420 A CN 201910554420A CN 111273263 A CN111273263 A CN 111273263A
- Authority
- CN
- China
- Prior art keywords
- angle
- doa
- max
- frequency band
- target
- 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
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
- 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
- G01S7/539—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明是基于信息融合的自主探测声纳多目标DOA估计方法。本发明将各阵元的通道数据进行FFT处理,获得各阵元对应的频域数据,根据窄带条件进行频段划分,得到各通道的频带数据,根据指向性进行组合得到协方差矩阵。将所述协方差矩阵向特征子空间投影,利用特征分解得到主特征向量,根据特征值排序对不同信号分量进行选取,选取信号分量;将所述信号分量进行空间谱估计,记录信号分量空间谱的最大置信度,以最大置信度对应的角度方位以及所述角度方位频段贡献分布作为结果信息,根据结果信息判断是否存在目标,计算角度结果;综合多个传感器的角度结果信息,采用信息融合方法进行结果信息融合,获得最终角度结果。
Description
技术领域
本发明涉及水声探测位技术领域,是一种基于信息融合的自主探测声纳多目标DOA估计方法。
背景技术
声呐被动探测的分辨力欠缺与作用距离不足一直是水声探测领域的难点问题。考虑到海洋环境的复杂多变性及目标的隐蔽性,历史上已提出大量信号处理算法。传统的DOA估计技术,通常利用多阵元接收数据进行波束形成,进而通过导向矢量扫描获得空间谱,通过选取空间谱最大值或极大值进行DOA估计。由于受到阵列空间受限的影响,传统DOA估计技术的能力也受到限制。主要问题在于阵列空间受限的情况下,无法对弱目标或远距离目标进行准确探测。同时,在强干扰存在的情况下,无法对强干扰附近目标进行有效探测。并且,在多目标同时存在的时刻,其目标分辨能力也不足以区分临近目标。因此,近年来,使用较少的水听器进行弱目标声源探测成为新的研究热点。
矢量阵技术的发展使得阵列空间受限的情况有所改善。由于其在单阵元上额外增设两个振速通道,使得在阵元数不变的情况下,子阵接收信息得以增加,相应空间增益也得以提升。一定程度上提高了声呐作用距离及对弱目标的探测能力。同时,通过所增设的振速通道与原有声压通道组合,获得特殊指向性,基本解决了测向左右舷模糊的问题,扩大了被动声呐探测的角度范围。
信息融合理论是将来自多个不同传感器的观测数据或判决结果进行综合,从而形成一个关于同一环境或事件的更完全、更准确的判决。采用检测融合方法的主要目的,就是通过对多个传感器检测结果的融合,获得任意单个传感器所无法达到的检测性能。在阵元空间受限的情况下,利用多传感器同时接收数据,采用信息融合技术,实现目标探测的准确性,且在一定程度提升了被动声呐对目标的分辨力。
发明内容
本发明为实现减少水听器进行弱目标声源探测和的精准探测目标提升被动声纳对目标的分辨能力,提供了一种基于信息融合的自主探测声纳多目标DOA估计方法,本发明提供了以下技术方案:
一种基于信息融合的自主探测声纳多目标DOA估计方法,所述方法包括如下步骤:
步骤一:将各阵元的通道数据进行FFT处理,获得各阵元对应的频域数据,根据窄带条件进行频段划分,得到各通道的频带数据;
步骤二:将划分好的各通道的频带数据,根据指向性进行组合得到协方差矩阵;
步骤三:将所述协方差矩阵向特征子空间投影,利用特征分解得到主特征向量,根据特征值排序对不同信号分量进行选取,选取信号分量;
步骤四:将所述信号分量进行空间谱估计,记录信号分量空间谱的最大置信度,以最大置信度对应的角度方位以及所述角度方位频段贡献分布作为结果信息,根据结果信息判断是否存在目标,计算角度结果;
步骤五:综合多个传感器的角度结果信息,采用信息融合方法进行结果信息融合,获得最终角度结果。
优选地,所述窄带条件进行频段划分具体为:根据选择中心频率,依照具体窄带条件选择频段宽度,具体条件如下:
其中,B为频带宽度,f0为中心频率。
优选地,所述步骤二具体为:矢量矩阵通过将各通道数据进行不同的组合,获得不同的指向性,根据不同指向性进行组合得到协方差矩阵,通过下式表示协方差矩阵
其中,R为协方差矩阵,ak为导向矢量的第k个主分量,k为主特征向量数,H为共轭转置。
优选地,所述步骤三具体为:
第一步:将协方差矩阵向特征子空间投影,对协方差矩阵进行特征分解,得到主特征向量,通过下式表示主特征向量:
V=[v1,v2…vk] (3)
其中,V为主特征向量的集合,vk是协方差矩阵的第k个主特征向量;
第二步:根据特征值大小,由大到小对特征向量排序,再对排序后信号特征向量进行选取,选取I个信号分量,满足I≥K。
优选地,所述步骤四具体为:
第一步:在第m个传感器中,根据选取的I个信号分量,在角度搜索范围中进行空间谱估计,通过下式表示空间谱估计:
为第m个传感器所接收的fk频段数据投影得到的第i个信号分量Ui所估计得到的空间谱,为I个信号分量,fk为第m个传感器所接受的频段,为L个扫描角度,a(θl)为角度θl所对应的导向矢量,Θ为角度搜索范围;
第三步:以doamax为中心±c1°作为选择范围,c1为第一次角度范围搜索所选择的半径,选取在所述选择范围内的所有角度值doainvolve,同时记录doainvolve对应的置信度confidenceinvolve,将confidenceinvolve的值置零,进行如下逻辑判断;
当doamax在c1°~360-c1°时,则有如下逻辑判断:
|doamax-doainvolve|≤c1; (6)
当doamax角度存在于0°~c1°时,则有如下逻辑判断:
doainvolve<doamax+c1或doainvolve>360+doamax-c1; (7)
当doamax角度存在于360-c1°~360°时,则有如下逻辑判断:
doainvolve>doamax-c1或doainvolve<doamax+c1-360 (8)
通过上述(6)至式(8)逻辑判断,获得存在于所述角度选择范围内的所有角度值的数量,当数量满足定量N时,则判定在所述角度选择范围内存在目标;通过下式计算存在目标在角度选择范围内所有角度均值、置信度均值、频段贡献分布:
fvalid=[f1,f2…fN] (11)
fi∈{f1,f2…fK},i=1,2…N (12)
其中,doavalid为存在目标在角度选择范围内所有角度值均值,confidencevalid为存在目标在角度选择范围内所有置信度均值,fvalid为存在目标在角度选择范围内各角度对应的频段;将[f1,f2…fN]以{f1,f2…fK}为依据进行分类,统计得到K个频段中每个频段的贡献个数,获得频带分布矩阵fdistribute;
第五步:选取中最大置信度confidencevalid-max(X)与其所对应的fdistribute-max(X),记录fdistribute-max(X)对应角度doadistribute-max(X),以doadistribute-max(X)±c2°为新的角度选择范围,c2°为内角度值,将c1°替换为c2°进行式(6)至式(8)逻辑判断,得到Y个角度以及对应的频段
第六步:比较中fvalid(Y)与fdistribute-max(X)的相似程度,采用MSE求取各个fvalid(y)与fdistribute-max(X)的均方误差,设置一个阈值G,当所述均方误差小于G时,则判断fvalid(Y)与fdistribute-max(X)为同一目标,整理得到Z个与fdistribute-max(X)为同一目标的通过下式计算角度结果:
其中,doafinal为角度结果。
优选地,所述步骤五具体为:对m个传感器进行步骤一至步骤四的操作,获得角度结果信息,采用信息融合方法对m个传感器的角度结果进行信息融合,得到最终角度结果。
本发明具有以下有益效果:
本发明在有限的阵元空间中,通过矢量阵充分利用阵元信息,获得更高的处理增益与更广的探测范围。
本发明采用了信息融合的方式,使得探测结果的利用率更加充分,探测方法更加科学有效,探测能力更进一步提高。
附图说明
图1是基于信息融合的自主探测声纳多目标DOA估计方法流程图。
图2是典型矢量阵组合指向性图。
图3是信息融合方法详细流程图。
具体实施方式
以下结合具体实施例,对本发明进行了详细说明。
具体实施例一:
本发明提供一种基于信息融合的自主探测声纳多目标DOA估计方法,所述方法包括如下步骤:
步骤一:将各阵元的通道数据进行FFT处理,获得各阵元对应的频域数据,根据窄带条件进行频段划分,得到各通道的频带数据;
步骤二:将划分好的各通道的频带数据,根据矢量阵指向性进行组合得到协方差矩阵;
步骤三:将所述协方差矩阵向特征子空间投影,利用特征分解得到主特征向量,根据特征值排序对不同信号分量进行选取,选取信号分量;
步骤四:将所述信号分量进行空间谱估计,记录信号分量空间谱的最大置信度,以最大置信度对应的角度方位以及所述角度方位频段贡献分布作为结果信息,根据结果信息判断是否存在目标,计算角度结果;
步骤五:综合多个传感器的角度结果信息,采用信息融合方法进行结果信息融合,获得最终角度结果。
窄带条件进行频段划分:所述窄带条件进行频段划分具体为:根据选择中心频率,依照具体窄带条件选择频段宽度,具体条件如下:
其中,B为频带宽度,f0为中心频率。
步骤二中将数据依照所需指向性进行组合具体为:
声场兼有声压和振速,前者是标量场,后者是矢量场。一个声压和振速组合的矢量传感器,其声压及振速通道输出波形如下:
其中,x(t)为声压波形,θ为水平方位角。p(t)为声压通道输出波形,vx(t)与vy(t)分别为两振速通道输出波形。组合两个正交的振速分量vx和vy,得到组合振速vc:
vc(t)=vx(t)cosψ+vy(t)sinψ (3)
其中,ψ为指向性引导方位,其方向即为vc的主极大方向。
单矢量传感器输出p,vx,vy可以组合成多种指向性,下给出几种典型性组合方式(具体指向性见附图2):
指向性(a):(p+vc)
指向性(b):(p+vc)vc
指向性(c):(p+vc)2
矢量矩阵通过将各通道数据进行不同的组合,获得不同的指向性,根据不同矢量阵指向性进行组合得到协方差矩阵,通过下式表示协方差矩阵
其中,R为协方差矩阵,ak为导向矢量的第k个主分量,k为主特征向量数,H为共轭转置。
优选地,所述步骤三具体为:
第一步:将协方差矩阵向特征子空间投影,对协方差矩阵进行特征分解,得到主特征向量,通过下式表示主特征向量:
V=[v1,v2…vk] (8)
其中,V为主特征向量的集合,vk是协方差矩阵的第k个主特征向量;
根据特征值大小,由大到小对特征向量排序,再对排序后信号特征向量进行选取,选取I个信号分量(满足I≥K)。在这里I应该大于等于K,特征向量包含有主特征向量,所以在选取时,所选取数目需大于等于主特征向量数。
所述步骤四具体为:
第一步:在第m个传感器中,根据选取的I个信号分量,在角度搜索范围中进行空间谱估计,通过下式表示空间谱估计:
为第m个传感器所接收的fk频段数据投影得到的第i个信号分量Ui所估计得到的空间谱,为I个信号分量,fk为第m个传感器所接受的频段,为L个扫描角度,a(θl)为角度θl所对应的导向矢量,Θ为角度搜索范围;
第三步:以doamax为中心±c1°作为选择范围,c1为第一次角度范围搜索所选择的半径,选取在所述选择范围内的所有角度值doainvolve,同时记录doainvolve对应的置信度confidenceinvolve,将confidenceinvolve的值置零,进行如下逻辑判断;
当doamax在c1°~360-c1°时,则有如下逻辑判断:
|doamax-doainvolve|≤c1; (11)
当doamax角度存在于0°~c1°时,则有如下逻辑判断:
doainvolve<doamax+c1或doainvolve>360+doamax-c1; (12)
当doamax角度存在于360-c1°~360°时,则有如下逻辑判断:
doainvolve>doamax-c1或doainvolve<doamax+c1-360 (13)
通过上述(11)至式(13)逻辑判断,获得存在于所述角度选择范围内的所有角度值的数量,当数量满足定量N时,则判定在所述角度选择范围内存在目标;通过下式计算存在目标在角度选择范围内所有角度均值、置信度均值、频段贡献分布:
fvalid=[f1,f2…fN] (16)
fi∈{f1,f2…fK},i=1,2…N (17)
其中,doavalid为存在目标在角度选择范围内所有角度值均值,confidencevalid为存在目标在角度选择范围内所有置信度均值,fvalid存在目标在角度选择范围内各角度对应的频段;将[f1,f2…fN]以{f1,f2…fK}为依据进行分类,统计得到K个频段中每个频段的贡献个数,获得频带分布矩阵fdistribute。
第五步:选取中最大置信度confidencevalid-max(X)与其所对应的fdistribute-max(X),记录fdistribute-max(X)对应角度doadistribute-max(X),以doadistribute-max(X)±c2°为新的角度选择范围,c2°为内角度值,将c1°替换为c2°进行式(11)至式(13)逻辑判断,得到Y个角度以及对应的频段
第六步:比较中fvalid(Y)与fdistribute-max(X)的相似程度,采用MSE求取各个fvalid(y)与fdistribute-max(X)的均方误差,设置一个阈值G,当所述均方误差小于G时,则判断fvalid(Y)与fdistribute-max(X)为同一目标,整理得到Z个与fdistribute-max(X)为同一目标的通过下式计算角度结果:
其中,doafinal为角度结果。
具体实施例二:
其中为传感器m所接收的fk频段数据,投影得到的第i个信号分量Ui所估计得到的空间谱,为L个扫描角度,a(θl)为角度θl所对应的导向矢量。对进行谱峰搜索,选取最大峰值。此处可以预先设置门限阈值对谱峰进行限制,仅保留超过门限阈值的谱峰,记录下该谱峰置信度、角度值、频段fk。
综合多个传感器,多个频带的结果,最终归类得三种结果信息,分别是:置信度结果信息,角度结果信息以及频段贡献结果信息(各种结果信息相互对应,每种结果信息的信息量可达Nmax)。
在置信度结果信息中,选取当前最大置信度confidencemax,并由最大置信度获得对应角度值doamax。以doamax为中心±c1°作为选择范围,选取角度结果信息中存在于该范围的所有角度值doainvolve,记录doainvolve所对应的置信度confidenceinvolve,并将其在置信度结果信息中的值置零,同时记录所选中的角度的频段贡献。由于本发明基于矢量阵,因此角度探测范围在0°~360°。此处对角度差值判决的逻辑关系如下:c1为搜索半径
当doamax角度存在于c1°~360-c1°时,使用如下判决逻辑:
|doamax-doainvolve|≤c1 (2)
当doamax角度存在于0°~c1°时,使用如下判决逻辑:
doainvolve<doamax+c1或doainvolve>360+doamax-c1 (3)
当doamax角度存在于360-c1°~360°时,使用如下判决逻辑:
doainvolve>doamax-c1或doainvolve<doamax+c1-360 (4)
式中,c1为第一次角度范围搜索所选择的半径。本发明中c1=3.
通过上述判决逻辑,可获得角度结果信息中,存在于该角度选择范围中的所有可能角度值。统计其中角度值数量,若满足一定量N(N值随Nmax改变而变动),则判定该角度范围内存在目标,该目标角度值为范围内所有角度值均值doavalid,且该目标置信度为范围内所有置信度均值confidencevalid。同时记录该目标所包含频段贡献,整合得到频段贡献分布:
fvalid=[f1,f2…fN] (6)
式中,fvalid=[f1,f2…fN]为选择范围中各角度值所对应的频段。对于一个fvalid而言,其包含的[f1,f2…fN]必存在有fi∈{f1,f2…fK},i=1,2…N,则可将[f1,f2…fN]以{f1,f2…fK}为依据进行分类,统计得到K个频段中每个频段的贡献个数,获得频带分布矩阵fdistribute。
在置信度结果信息中重新选取最大置信度,重复上述步骤,直到置信度结果信息中全为0值,或超过所规定的循环次数时,跳出循环,进行下一步操作。
经过上述循环可获得数量为X的 及与其相对应的依照上文所述规则,选取中最大置信度confidencevalid-max(x)与其所对应的fdistribute-max(x),并记录其对应角度±c2°内角度值(本发明中c2=10),按照式(2)~(4)进行判决,得到选择范围内Y个角度值及其所对应的
为比较中各fvalid(y)的与fdistribute-max(x)相似程度,采取MSE准则,求取各fvalid(y)与fdistribute-max(x)均方误差。在此之前预先对此均方误差设置一个阈值G,若均方误差值小于该阈值,则判定fvalid(y)与fdistribute-max(x)为同一目标。整理后得到中Z个与fdistribute-max(x)为同一目标的则此范围内目标的方位值为所对应的均值doafinal。同时将在中所对应的置信度置零:
在置信度结果信息中重新选取最大置信度,重复上述步骤,直到置信度结果信息中全为0值,或超过所规定的循环次数时,跳出循环,整理得到最终角度值结果。
对m个传感器进行步骤一至步骤四的操作,获得结果信息,综合m个传感器结果信息,采用信息融合方法进行结果信息融合,并得到最终角度结果。
进一步地,所述将协方差矩阵向信号分量空间投影,具体为:
由频段划分得到的协方差矩阵可划分为两个空间:
下式(1)为协方差矩阵的表达式
式中ak为对应于θk角度的阵列流形向量,对协方差矩阵R进行特征值分解,组合所有主特征向量得到:
V=[v1,v2…vK] (9)
式中vk是协方差矩阵的第k个主特征向量。V为K个主特征向量的集合,其本质上为探测范围内所有导向矢量向量的主分量张成的子空间:
式中ak为导向矢量的第k个主分量。
本步骤旨在通过特征分解,利用信号在信号空间的投影,获得信号子空间主特征向量。并通过特征值排序,对不同信号分量进行选取,为步骤5提供多个信号分量结果的可能。
进一步地,所述步骤5具体为:
由步骤4获得置信度,对应角度,对应频段贡献。其中,频段贡献可解释为:由A频段数据计算得到空间谱,则该空间谱所提供的最大置信度及对应角度可认定为由频段A贡献得到的,则其频段贡献为A。
综合多传感器、多频带、多信号分量的估计结果,可获得一定数量结果信息。在该结果信息中,将置信度、角度值、频段贡献进行整理分类,最终得到相互对应的三类结果信息。
在置信度结果信息中,优先选取最大置信度,并以最大置信度对应角度值为中心±3°作为选择范围,选取角度结果信息中存在于该范围的所有角度值。
判断选择范围内所选取的角度个数是否满足举手表决要求数目。举手表决为一种判断准则。类似于:少数服从多数,后文中有提到。这里的要求数目指的是当“选取个数”达到了一个阈值时,判定所选取的值为有效值。“要求数目”即所该“阈值”。
若不满足,则判定该范围内无目标。若满足,则判定该范围内存在一个目标,且该目标角度值为选择范围内所有角度值的均值,并记该目标的置信度为范围内所有角度值对应置信度均值,同时记录选择范围内所有角度值对应的频段贡献作为该目标的频段贡献分布。将所记录的角度值所对应的置信度在置信度结果中置零。
在置信度结果信息中重新选取最大置信度,重复上述步骤,直到置信度结果信息中全为零值,或超过所规定的循环次数时,跳出循环,进行下一步操作。
通过上述步骤可获得一定数量的目标角度值及其所对应的新的置信度结果,频段贡献分布。使用前文所述规则,在新的置信度结果中选取最大置信度,并以±10°为选择范围,获得最大置信度所对应角度±10°内角度值,记录范围内所有角度值。利用MSE准则,比较被记录的角度值对应的频段贡献分布与最大置信度对应的频段贡献分布的相似程度,当分布状态相同或近似时,认为频段贡献分布相近的角度值为同一目标。计算被判定为同一目标的角度值的均值作为该选择范围内目标的最终角度值。此时,将与最大置信度频段贡献分布相近的置信度在新的置信度结果中置零(包括最大置信度)。
重新在置信度结果中继续上述步骤,直到新的置信度结果信息中全为零值,或超过所规定的循环次数时,跳出循环。整理所有最终角度值作为最终结果值。
以上所述仅是基于信息融合的自主探测声纳多目标DOA估计方法的优选实施方式,基于信息融合的自主探测声纳多目标DOA估计方法的保护范围并不仅局限于上述实施例,凡属于该思路下的技术方案均属于本发明的保护范围。应当指出,对于本领域的技术人员来说,在不脱离本发明原理前提下的若干改进和变化,这些改进和变化也应视为本发明的保护范围。
Claims (6)
1.一种基于信息融合的自主探测声纳多目标DOA估计方法,其特征是:所述方法包括如下步骤:
步骤一:将各阵元的通道数据进行FFT处理,获得各阵元对应的频域数据,根据窄带条件进行频段划分,得到各通道的频带数据;
步骤二:将划分好的各通道的频带数据,根据指向性进行组合得到协方差矩阵;
步骤三:将所述协方差矩阵向特征子空间投影,利用特征分解得到主特征向量,根据特征值排序对不同信号分量进行选取,选取信号分量;
步骤四:将所述信号分量进行空间谱估计,记录信号分量空间谱的最大置信度,以最大置信度对应的角度方位以及所述角度方位频段贡献分布作为结果信息,根据结果信息判断是否存在目标,计算角度结果;
步骤五:综合多个传感器的角度结果信息,采用信息融合方法进行结果信息融合,获得最终角度结果。
5.根据权利要求1所述的一种基于信息融合的自主探测声纳多目标DOA估计方法,其特征是:所述步骤四具体为:
第一步:在第m个传感器中,根据选取的I个信号分量,在角度搜索范围中进行空间谱估计,通过下式表示空间谱估计:
为第m个传感器所接收的fk频段数据投影得到的第i个信号分量Ui所估计得到的空间谱,为I个信号分量,fk为第m个传感器所接受的频段,为L个扫描角度,a(θl)为角度θl所对应的导向矢量,Θ为角度搜索范围;
第三步:以doamax为中心±c1°作为选择范围,c1为第一次角度范围搜索所选择的半径,选取在所述选择范围内的所有角度值doainvolve,同时记录doainvolve对应的置信度confidenceinvolve,将confidenceinvolve的值置零,进行如下逻辑判断;
当doamax在c1°~360-c1°时,则有如下逻辑判断:
|doamax-doainvolve|≤c1; (6)
当doamax角度存在于0°~c1°时,则有如下逻辑判断:
doainvolve<doamax+c1或doainvolve>360+doamax-c1; (7)
当doamax角度存在于360-c1°~360°时,则有如下逻辑判断:
doainvolve>doamax-c1或doainvolve<doamax+c1-360 (8)
通过上述(6)至式(8)逻辑判断,获得存在于所述角度选择范围内的所有角度值的数量,当数量满足定量N时,则判定在所述角度选择范围内存在目标;通过下式计算存在目标在角度选择范围内所有角度均值、置信度均值、频段贡献分布:
fvalid=[f1,f2…fN] (11)
fi∈{f1,f2…fK},i=1,2…N (12)
其中,doavalid为存在目标在角度选择范围内所有角度值均值,confidencevalid为存在目标在角度选择范围内所有置信度均值,fvalid为存在目标在角度选择范围内各角度对应的频段;将[f1,f2…fN]以{f1,f2…fK}为依据进行分类,统计得到K个频段中每个频段的贡献个数,获得频带分布矩阵fdistribute;
第五步:选取中最大置信度confidencevalid-max(X)与其所对应的fdistribute-max(X),记录fdistribute-max(X)对应角度doadistribute-max(X),以doadistribute-max(X)±c2°为新的角度选择范围,c2°为内角度值,将c1°替换为c2°进行式(6)至式(8)逻辑判断,得到Y个角度以及对应的频段
第六步:比较中fvalid(Y)与fdistribute-max(X)的相似程度,采用MSE求取各个fvalid(y)与fdistribute-max(X)的均方误差,设置一个阈值G,当所述均方误差小于G时,则判断fvalid(Y)与fdistribute-max(X)为同一目标,整理得到Z个与fdistribute-max(X)为同一目标的通过下式计算角度结果:
其中,doafinal为角度结果。
6.根据权利要求1所述的一种基于信息融合的自主探测声纳多目标DOA估计方法,其特征是:所述步骤五具体为:对m个传感器进行步骤一至步骤四的操作,获得角度结果信息,采用信息融合方法对m个传感器的角度结果进行信息融合,得到最终角度结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910554420.7A CN111273263B (zh) | 2019-06-25 | 2019-06-25 | 基于信息融合的自主探测声纳多目标doa估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910554420.7A CN111273263B (zh) | 2019-06-25 | 2019-06-25 | 基于信息融合的自主探测声纳多目标doa估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111273263A true CN111273263A (zh) | 2020-06-12 |
CN111273263B CN111273263B (zh) | 2022-07-12 |
Family
ID=70996779
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910554420.7A Active CN111273263B (zh) | 2019-06-25 | 2019-06-25 | 基于信息融合的自主探测声纳多目标doa估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111273263B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112034416A (zh) * | 2020-08-07 | 2020-12-04 | 浙江大学 | 一种自动探测测向无人机的方法 |
CN113253196A (zh) * | 2021-06-01 | 2021-08-13 | 中国电子科技集团公司第三十六研究所 | 一种多信号测向方法、装置和电子设备 |
CN114970595A (zh) * | 2021-12-31 | 2022-08-30 | 北京理工大学 | 一种基于深度学习的单快拍多目标角度估计方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102944757A (zh) * | 2012-11-23 | 2013-02-27 | 中国人民解放军国防科学技术大学 | 一种抗环境干扰的电磁辐射发射现场测试方法 |
CN103399312A (zh) * | 2013-07-15 | 2013-11-20 | 哈尔滨工程大学 | 基于压缩感知技术的时空联合滤波高分辨方位估计方法 |
JP2015219138A (ja) * | 2014-05-19 | 2015-12-07 | 株式会社小野測器 | 音源探査装置、音源探査方法、および音源探査プログラム |
CN106066468A (zh) * | 2016-05-25 | 2016-11-02 | 哈尔滨工程大学 | 一种基于声压、振速互谱法的矢量阵左右舷分辨方法 |
CN108845287A (zh) * | 2018-04-09 | 2018-11-20 | 哈尔滨工程大学 | 小生境遗传算法的单矢量水听器相干源快速方位估计方法 |
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 |
CN109870671A (zh) * | 2017-12-05 | 2019-06-11 | 常熟海量声学设备科技有限公司 | 一种稳健性高分辨的高效doa估计算法 |
-
2019
- 2019-06-25 CN CN201910554420.7A patent/CN111273263B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102944757A (zh) * | 2012-11-23 | 2013-02-27 | 中国人民解放军国防科学技术大学 | 一种抗环境干扰的电磁辐射发射现场测试方法 |
CN103399312A (zh) * | 2013-07-15 | 2013-11-20 | 哈尔滨工程大学 | 基于压缩感知技术的时空联合滤波高分辨方位估计方法 |
JP2015219138A (ja) * | 2014-05-19 | 2015-12-07 | 株式会社小野測器 | 音源探査装置、音源探査方法、および音源探査プログラム |
CN106066468A (zh) * | 2016-05-25 | 2016-11-02 | 哈尔滨工程大学 | 一种基于声压、振速互谱法的矢量阵左右舷分辨方法 |
CN109870671A (zh) * | 2017-12-05 | 2019-06-11 | 常熟海量声学设备科技有限公司 | 一种稳健性高分辨的高效doa估计算法 |
CN108845287A (zh) * | 2018-04-09 | 2018-11-20 | 哈尔滨工程大学 | 小生境遗传算法的单矢量水听器相干源快速方位估计方法 |
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 |
Non-Patent Citations (4)
Title |
---|
LIANGGUOLONG,ET AL: "Research on acoustic vector sensor array MUSIC algorithm based on pretreatment of information in the field of array unit", 《IEEE》 * |
MOHD WAJID,ET AL: "Direction-of-arrival estimation algorithms using single acoustic vector-sensor", 《IMPACT 2017》 * |
王燕等: "基于最小二乘估计的声矢量阵稳健波束形成", 《兵工学报》 * |
陶凯: "声矢量阵水下目标被动探测关键技术研究", 《中国博士学位论文全文数据库 工程科技II辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112034416A (zh) * | 2020-08-07 | 2020-12-04 | 浙江大学 | 一种自动探测测向无人机的方法 |
CN112034416B (zh) * | 2020-08-07 | 2023-07-07 | 浙江大学 | 一种自动探测测向无人机的方法 |
CN113253196A (zh) * | 2021-06-01 | 2021-08-13 | 中国电子科技集团公司第三十六研究所 | 一种多信号测向方法、装置和电子设备 |
CN114970595A (zh) * | 2021-12-31 | 2022-08-30 | 北京理工大学 | 一种基于深度学习的单快拍多目标角度估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111273263B (zh) | 2022-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111273263B (zh) | 基于信息融合的自主探测声纳多目标doa估计方法 | |
CN107949052B (zh) | 基于空间特征分区和前点约束的wknn室内定位方法 | |
CN111537982B (zh) | 一种畸变拖曳阵线谱特征增强方法及系统 | |
CN109188019B (zh) | 基于多重信号分类算法的三维风速风向测量方法 | |
CN111025273B (zh) | 一种畸变拖曳阵线谱特征增强方法及系统 | |
US7397427B1 (en) | Phase event detection and direction of arrival estimation | |
CN112068119A (zh) | 一种被动雷达导引头对雷达和诱饵干扰的识别方法 | |
CN112649799B (zh) | 一种mimo雷达幅相误差矫正方法 | |
CN112130112B (zh) | 一种基于声矢量阵联合信息处理信源数估计方法 | |
FR2865281A1 (fr) | Procede de localisation d'un ou de plusieurs emetteurs | |
CN110515066B (zh) | 一种车载毫米波雷达及其目标高度测量方法 | |
CN112034416A (zh) | 一种自动探测测向无人机的方法 | |
CN112363108B (zh) | 信号子空间加权超分辨的波达方向检测方法及系统 | |
CN110320492B (zh) | 一种基于导向矢量对称特性的低复杂度doa估计方法 | |
CN110632579B (zh) | 一种利用子阵波束域特征的迭代波束形成方法 | |
JPH0933628A (ja) | 測角装置 | |
CN113341371A (zh) | 一种基于l阵和二维esprit算法的doa估计方法 | |
CN113589223A (zh) | 基于互耦情况下嵌套阵列的测向方法 | |
CN112415469A (zh) | 一种两维数字阵列雷达快速干扰测向方法 | |
CN112737644A (zh) | 无人机蜂群的自定位方法及装置 | |
CN113473373B (zh) | 一种uwb室内定位方法 | |
CN117310631A (zh) | 一种实现雷达参数估计的方法、计算机存储介质及终端 | |
CN112363106B (zh) | 基于量子粒子群的信号子空间波达方向检测方法及系统 | |
CN113640737B (zh) | 一种基于二维功率分布的少阵元阵列高分辨方位估计方法 | |
CN112630724B (zh) | 一种适用于uuv平台的高分辨目标方位估计方法 |
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 |