CN112710989B - 一种坦克装甲车辆声振人工智能探测定位系统 - Google Patents

一种坦克装甲车辆声振人工智能探测定位系统 Download PDF

Info

Publication number
CN112710989B
CN112710989B CN202011631629.8A CN202011631629A CN112710989B CN 112710989 B CN112710989 B CN 112710989B CN 202011631629 A CN202011631629 A CN 202011631629A CN 112710989 B CN112710989 B CN 112710989B
Authority
CN
China
Prior art keywords
neural network
acoustic
rbf neural
time
vibration
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.)
Expired - Fee Related
Application number
CN202011631629.8A
Other languages
English (en)
Other versions
CN112710989A (zh
Inventor
裴金顶
王和平
邓刚
张健
徐龙堂
庞海洋
刘瑞之
魏健
于广春
李远哲
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.)
32212 Unit Of Pla
Original Assignee
32212 Unit Of Pla
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 32212 Unit Of Pla filed Critical 32212 Unit Of Pla
Priority to CN202011631629.8A priority Critical patent/CN112710989B/zh
Publication of CN112710989A publication Critical patent/CN112710989A/zh
Application granted granted Critical
Publication of CN112710989B publication Critical patent/CN112710989B/zh
Expired - Fee Related 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
    • G01S5/22—Position of source determined by co-ordinating a plurality of position lines defined by path-difference measurements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种坦克装甲车辆声振人工智能探测定位系统，涉及目标探测定位技术领域，包括至少三组声十字阵列、至少三组振动传感器、人工智能定位单元和信号处理单元；人工智能定位单元分别与至少三组声十字阵列和至少三组振动传感器连接，用于分别根据声十字阵列和振动传感器的检测输出，利用输入和期望输出训练RBF神经网络，根据训练结果获得第一、第二目标位置；信号处理单元用于将第一、第二目标位置利用加权函数进行加权计算，获得坦克装甲车辆最终位置。本发明将声音探测定位与振动探测定位结合起来，利用RBF神经网络计算得到第一、第二目标位置，提高了坦克装甲车辆的探测定位测试精度。

Description

一种坦克装甲车辆声振人工智能探测定位系统
技术领域
本发明涉及目标探测定位技术领域，具体涉及一种坦克装甲车辆声振人工智能探测定位系统。
背景技术
由于战场上环境复杂，枪声、火炮声、直升机声等各种噪声搅合在一起，对声音定位测量技术造成了很大的干扰，使定位精度和识别精度大大下降，而且战场环境不允许使用太复杂的阵列探测器。
目前，目标定位方法主要有：基于波束形成定位、基于到达时间差定位和基于高分辨率估计定位。由于战场环境复杂，对于传统单一的定位方法，其定位精度很难得到保障，甚至出现定位失败的现象。
所以为了能够更好地排除战场上不同噪声对目标定位精度的干扰，基于装甲车辆行驶的特点，需要对传统的定位方法进行改进。
发明内容
因此，为了克服上述缺陷，本发明实施例提供一种坦克装甲车辆声振人工智能探测定位系统。
为此，本发明实施例的一种坦克装甲车辆声振人工智能探测定位系统，包括：至少三组声十字阵列、至少三组振动传感器、人工智能定位单元和信号处理单元；
人工智能定位单元分别与至少三组声十字阵列和至少三组振动传感器连接，用于分别获取声十字阵列测得的目标方向角，将目标方向角作为RBF神经网络的输入，将根据目标方向角得到的决定性因子作为RBF神经网络的期望输出，利用输入和期望输出训练RBF神经网络，将当前目标方向角输入训练好的RBF神经网络，得到当前决定性因子，根据当前决定性因子计算得到第一目标位置并输出，以及同时，分别获取振动传感器测量振动的时间，将时间作为RBF神经网络的输入，将根据时间得到的传播速度均值作为RBF神经网络的期望输出，利用输入和期望输出训练RBF神经网络，将当前时间输入训练好的RBF神经网络，得到当前传播速度均值，根据当前传播速度均值计算得到第二目标位置并输出；
信号处理单元与人工智能定位单元连接，用于将第一目标位置和第二目标位置利用加权函数进行加权计算，获得坦克装甲车辆最终位置。
优选地，所述声十字阵列的组数为三组，分别为第一组声十字阵列S1、第二组声十字阵列S2和第三组声十字阵列S3。
优选地，每组声十字阵列均包括第一声传感器s1、第二声传感器s2、第三声传感器s3和第四声传感器s4，均匀分布于中心四周，位于同一平面内，呈十字形分布，十字形中心到各个声传感器的距离相等。
优选地，所述人工智能定位单元用于分别获取第一组声十字阵列S1、第二组声十字阵列S2和第三组声十字阵列S3测得的目标方向角θ1、θ2和θ3，将目标方向角θ1、θ2和θ3作为RBF神经网络的输入，将根据目标方向角θ1、θ2和θ3得到的决定性因子D1、D2和D3作为RBF神经网络的期望输出，利用输入和期望输出训练RBF神经网络，将当前目标方向角θ1、θ2和θ3输入训练好的RBF神经网络，得到当前决定性因子D1、D2和D3，根据当前决定性因子D1、D2和D3计算得到第一目标位置。
优选地，所述振动传感器的组数为三组，包括第一振动传感器M1、第二振动传感器M2和第三振动传感器M3，呈三角形分布。
优选地，所述人工智能定位单元还用于分别获取第一振动传感器M1、第二振动传感器M2和第三振动传感器M3测量振动的第一时间t1、第二时间t2和第三时间t3，将第一时间t1、第二时间t2和第三时间t3作为RBF神经网络的输入，将根据第一时间t1、第二时间t2和第三时间t3得到的传播速度均值
Figure BDA0002876751890000031
和
Figure BDA0002876751890000032
作为RBF神经网络的期望输出，利用输入和期望输出训练RBF神经网络，将当前第一时间t1、第二时间t2和第三时间t3输入训练好的RBF神经网络，得到当前传播速度均值
Figure BDA0002876751890000033
和
Figure BDA0002876751890000034
根据当前传播速度均值
Figure BDA0002876751890000035
和
Figure BDA0002876751890000036
计算得到第二目标位置。
优选地，所述加权函数采用地形加权法。
优选地，还包括：无线收发单元，与信号处理单元连接，用于信号处理单元与远程计算机终端之间传输数据。
本发明实施例的技术方案，具有如下优点：
本发明实施例提供的坦克装甲车辆声振人工智能探测定位系统，通过声十字阵列和振动传感器阵列形式，所需阵元数少、形式简单，布阵非常方便快捷，具有平面、空间全方位的搜索功能。将声音探测定位与振动探测定位结合起来，利用RBF神经网络计算得到第一、第二目标位置，并且利用加权计算，从而实现了坦克装甲车辆的声振结合及人工智能探测定位，排除了枪炮声对声音探测定位的干扰，提高了坦克装甲车辆的探测定位测试精度。
附图说明
为了更清楚地说明本发明具体实施方式中的技术方案，下面将对具体实施方式描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1中坦克装甲车辆声振人工智能探测定位系统的一个具体示例的原理框图；
图2为本发明实施例2中坦克装甲车辆声振人工智能探测定位方法的一个具体示例的流程图；
图3为声十字阵列的排布示意图；
图4为三组声十字阵列的排布示意图；
图5为三组振动传感器的排布示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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做出创造性劳动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。
在本发明的描述中，需要说明的是，本文所用的术语仅用于描述特定实施例的目的，而并非旨在限制本发明。除非上下文明确指出，否则如本文中所使用的单数形式“一”、“一个”和“该”等意图也包括复数形式。使用“包括”和/或“包含”等术语时，是意图说明存在该特征、整数、步骤、操作、元素和/或组件，而不排除一个或多个其他特征、整数、步骤、操作、元素、组件、和/或其他组合的存在或增加。术语“和/或”包括一个或多个相关列出项目的任何和所有组合。术语“中心”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通，可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
尽管示例性实施例被描述为使用多个单元来执行示例性过程，然而可以理解的是，该示例性过程还可以由一个或多个模块来执行。另外，可以理解的是，术语控制器/控制单元指的是包括存储器和处理器的硬件设备。存储器被配置成存储模块，处理器被专门配置成执行上述存储模块中存储的过程，从而执行一个或多个过程。
此外，本说明书中的某些图式是用于例示方法及系统的流程图。应了解，这些流程图中的每一个方块、及这些流程图中方块的组合可通过计算机程序指令来实施。这些计算机程序指令可加载至一计算机或其他可编程的设备上来形成一机器，以使在所述计算机或其他可编程设备上执行的指令形成用于实施在所述流程图方块中所规定功能的结构。这些计算机程序指令也可储存于一计算机可读存储器中，所述计算机可读存储器可指令一计算机或其他可编程设备以一特定方式工作，以使储存于所述计算机可读存储器中的指令形成一包含用于实施在所述流程图方块中所规定功能的指令结构的制品。所述计算机程序指令也可加载至一计算机或其他可编程设备上，以便在所述计算机或其他可编程设备上执行一系列操作步骤来形成一由计算机实施的过程，从而使在所述计算机或其他可编程设备上执行的指令提供用于实施在所述流程图方块中所规定功能的步骤。
相应地，各流程图中的方块支持用于执行所规定功能的结构的组合及用于执行所规定功能的步骤的组合。还应了解，所述流程图中的每一个方块、及所述流程图中方块的组合可由执行所规定功能或步骤的基于专用硬件的计算机系统、或者专用硬件与计算机指令的组合来实施。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本实施例提供一种坦克装甲车辆声振人工智能探测定位系统，如图1所示，包括：至少三组声十字阵列1、至少三组振动传感器2、人工智能定位单元3和信号处理单元4；
人工智能定位单元3分别与至少三组声十字阵列1和至少三组振动传感器2连接，用于分别获取声十字阵列测得的目标方向角，将目标方向角作为RBF神经网络的输入，将根据目标方向角得到的决定性因子作为RBF神经网络的期望输出，利用输入和期望输出训练RBF神经网络，将当前目标方向角输入训练好的RBF神经网络，得到当前决定性因子，根据当前决定性因子计算得到第一目标位置并输出，以及同时，分别获取振动传感器测量振动的时间，将时间作为RBF神经网络的输入，将根据时间得到的传播速度均值作为RBF神经网络的期望输出，利用输入和期望输出训练RBF神经网络，将当前时间输入训练好的RBF神经网络，得到当前传播速度均值，根据当前传播速度均值计算得到第二目标位置并输出；
信号处理单元4与人工智能定位单元3连接，用于将第一目标位置和第二目标位置利用加权函数进行加权计算，获得坦克装甲车辆最终位置。
优选地，声十字阵列的组数为三组，分别为第一组声十字阵列S1、第二组声十字阵列S2和第三组声十字阵列S3，声十字阵列均布置在地面上方2米左右高度，位于同一平面内。
优选地，如图3所示，每组声十字阵列均包括第一声传感器s1、第二声传感器s2、第三声传感器s3和第四声传感器s4，选用四元十字阵，各阵元均匀分布于中心四周，它们位于同一平面内，呈十字形分布，十字形中心到各个声传感器的距离都是r。十字阵作为圆阵的特殊形式，具有平面、空间全方位搜索的功能，而且所需的阵元数少，形式简单，布阵非常方便。
优选地，振动传感器的组数为三组，包括第一振动传感器M1、第二振动传感器M2和第三振动传感器M3，呈三角形分布，形成振动三角形阵列。
优选地，人工智能定位单元用于分别获取第一组声十字阵列S1、第二组声十字阵列S2和第三组声十字阵列S3测得的目标方向角θ1、θ2和θ3，将目标方向角θ1、θ2和θ3作为RBF神经网络的输入，将根据目标方向角θ1、θ2和θ3得到的决定性因子D1、D2和D3作为RBF神经网络的期望输出，利用输入和期望输出训练RBF神经网络，将当前目标方向角θ1、θ2和θ3输入训练好的RBF神经网络，得到当前决定性因子D1、D2和D3，根据当前决定性因子D1、D2和D3计算得到第一目标位置。
优选地，人工智能定位单元还用于分别获取第一振动传感器M1、第二振动传感器M2和第三振动传感器M3测量振动的第一时间t1、第二时间t2和第三时间t3，将第一时间t1、第二时间t2和第三时间t3作为RBF神经网络的输入，将根据第一时间t1、第二时间t2和第三时间t3得到的传播速度均值
Figure BDA0002876751890000081
和
Figure BDA0002876751890000082
作为RBF神经网络的期望输出，利用输入和期望输出训练RBF神经网络，将当前第一时间t1、第二时间t2和第三时间t3输入训练好的RBF神经网络，得到当前传播速度均值
Figure BDA0002876751890000083
和
Figure BDA0002876751890000084
根据当前传播速度均值
Figure BDA0002876751890000085
Figure BDA0002876751890000086
和
Figure BDA0002876751890000087
计算得到第二目标位置。
优选地，加权函数采用地形加权法，在城镇、山地等硬地面地形，权重因子倾向于振动探测定位结果，在平原、沙漠等软地面无障碍地形，权重因子倾向于声音探测定位结果。例如，坦克装甲车辆最终位置的计算公式为：
硬地面地形：Z＝0.63zcs+0.37zps，
软地面地形：Z＝0.37zcs+0.63zps，
其中，zps为第一目标位置，zcs为第二目标位置。
优选地，坦克装甲车辆声振人工智能探测定位系统还包括：无线收发单元5，与信号处理单元4连接，用于信号处理单元4与远程计算机终端之间传输数据。
上述坦克装甲车辆声振人工智能探测定位系统，通过声十字阵列和振动传感器阵列形式，所需阵元数少、形式简单，布阵非常方便快捷，具有平面、空间全方位的搜索功能。将声音探测定位与振动探测定位结合起来，利用RBF神经网络计算得到第一、第二目标位置，并且利用加权计算，从而实现了坦克装甲车辆的声振结合及人工智能探测定位，排除了枪炮声对声音探测定位的干扰，提高了坦克装甲车辆的探测定位测试精度。
实施例2
本实施例提供一种坦克装甲车辆声振人工智能探测定位方法，可应用于实施例1的坦克装甲车辆声振人工智能探测定位系统，如图2所示，包括以下步骤：
S1、将至少三组声十字阵列布置在地面上方，对坦克装甲车辆行驶形成的空气中的声音进行捕捉检测；优选地，声十字阵列的组数为三组，分别为第一组声十字阵列S1、第二组声十字阵列S2和第三组声十字阵列S3，声十字阵列均布置在地面上方2米左右高度，位于同一平面内。如图3所示，每组声十字阵列均包括第一声传感器s1、第二声传感器s2、第三声传感器s3和第四声传感器s4，选用四元十字阵，各阵元均匀分布于中心四周，它们位于同一平面内，呈十字形分布，十字形中心到各个声传感器的距离都是r。十字阵作为圆阵的特殊形式，具有平面、空间全方位搜索的功能，而且所需的阵元数少，形式简单，布阵非常方便。
S2、将至少三组振动传感器布置在地面或地下，对坦克装甲车辆行驶形成的振动进行捕捉检测；优选地，振动传感器的组数为三组，包括第一振动传感器M1、第二振动传感器M2和第三振动传感器M3，呈三角形分布，形成振动三角形阵列。
S3、分别获取声十字阵列测得的目标方向角，将目标方向角作为RBF神经网络的输入，将根据目标方向角得到的决定性因子作为RBF神经网络的期望输出，利用输入和期望输出训练RBF神经网络，将当前目标方向角输入训练好的RBF神经网络，得到当前决定性因子，根据当前决定性因子计算得到第一目标位置；同时，分别获取振动传感器测量振动的时间，将时间作为RBF神经网络的输入，将根据时间得到的传播速度均值作为RBF神经网络的期望输出，利用输入和期望输出训练RBF神经网络，将当前时间输入训练好的RBF神经网络，得到当前传播速度均值，根据当前传播速度均值计算得到第二目标位置；
优选地，分别获取第一组声十字阵列S1、第二组声十字阵列S2和第三组声十字阵列S3测得的目标方向角θ1、θ2和θ3，将目标方向角θ1、θ2和θ3作为RBF神经网络的输入，将根据目标方向角θ1、θ2和θ3得到的决定性因子D1、D2和D3作为RBF神经网络的期望输出，利用输入和期望输出训练RBF神经网络，将当前目标方向角θ1、θ2和θ3输入训练好的RBF神经网络，得到当前决定性因子D1、D2和D3，根据当前决定性因子D1、D2和D3计算得到第一目标位置；
优选地，根据目标方向角θ1、θ2和θ3得到决定性因子D1、D2和D3的步骤包括：
假定坦克装甲车辆目标P与三组声十字阵列位于同一平面内，且由于阵间距远大于声十字阵列内阵元间距，每组声十字阵列可等效为一个点，如图4所示，在平面直角坐标系xoy中，第一组声十字阵列S1、第二组声十字阵列S2和第三组声十字阵列S3的坐标分别为(x1,y1)、(x2,y2)、(x3,y3)。分别绘制通过第一组声十字阵列S1的第一定位线L1，通过第二组声十字阵列S2的第二定位线L2，通过第三组声十字阵列S3的第三定位线L3，定位线方程为：
x sinθi-y cosθi＝ci，
其中，ci＝xi sinθi-yi cosθi,i＝1,2,3；
第一定位线L1与第二定位线L2的交点C(xC,yC)、第一定位线L1与第三定位线L3的交点B(xB,yB)、第二定位线L2与第三定位线L3的交点A(xA,yA)，由定位线方程得到：
Figure BDA0002876751890000111
Figure BDA0002876751890000112
Figure BDA0002876751890000113
线段BC、AC、AB的中点D、E、F的坐标分别为(xD,yD),(xE,yE),(xF,yF)，
Figure BDA0002876751890000114
Figure BDA0002876751890000115
Figure BDA0002876751890000116
则得到目标距第一组声十字阵列S1、第二组声十字阵列S2和第三组声十字阵列S3的等效距离分别为r1＝|S1D|,r2＝|S2E|,r3＝|S3F|；
已知三定位线交点(xA,yA),(xB,yB),(xC,yC)，可以得到目标P的位置(x0,y0)为：
Figure BDA0002876751890000117
Figure BDA0002876751890000121
其中，D1、D2、D3为决定性因子，得到目标方向角θ1、θ2和θ3与决定性因子D1、D2和D3之间的关系。
如图3所示的声十字阵列采用波束形成技术对坦克装甲车辆目标进行定位测量。声十字阵列阵元第一声传感器s1、第二声传感器s2、第三声传感器s3和第四声传感器s4之间的最小距离
Figure BDA0002876751890000122
小于信号最小波长的一半。
波束形成技术是阵列信号处理的重要方法，也是空间谱分析的主要手段，它主要用于基阵对目标定向。
假设在某时刻t，中心点O的目标方向角为θ，目标产生的声音信号到达中心点O时为f(t)，则第一声传感器s1、第二声传感器s2、第三声传感器s3和第四声传感器s4分别所接收到的信号为：f[t-τ1]，f[t-τ2]，f[t-τ3]，f[t-τ4]；其中，τi为中心点O与第i声传感器之间接收到信号的时间差，i＝1,2,3,4；
在声信号处理领域中，所碰到的信号往往都是窄带实数信号，它包含一个包络和相位调制项以及一个或多个高频调制项，对于某个单频调制源信号如下所示：
F(t)＝u(t)cos[ω0t+v(t)]，
用F(t)的解析形式Fa(t)来表示声源信号：
Figure BDA0002876751890000123
其中，
Figure BDA0002876751890000124
是实信号F(t)的希尔伯特变换，则
Figure BDA0002876751890000125
第i个阵元接收到的信号为：
Figure BDA0002876751890000131
其中，ni(t)为第i个阵元接收到的噪声；
由于ω＝2πf,
Figure BDA0002876751890000132
得
Figure BDA0002876751890000133
由图3可知，
Figure BDA0002876751890000134
Figure BDA0002876751890000135
则根据第一声传感器s1、第二声传感器s2、第三声传感器s3和第四声传感器s4分别所接收到的信号可得到目标方向角。
优选地，分别获取第一振动传感器M1、第二振动传感器M2和第三振动传感器M3测量振动的第一时间t1、第二时间t2和第三时间t3，将第一时间t1、第二时间t2和第三时间t3作为RBF神经网络的输入，将根据第一时间t1、第二时间t2和第三时间t3得到的传播速度均值
Figure BDA0002876751890000136
和
Figure BDA0002876751890000137
作为RBF神经网络的期望输出，利用输入和期望输出训练RBF神经网络，将当前第一时间t1、第二时间t2和第三时间t3输入训练好的RBF神经网络，得到当前传播速度均值
Figure BDA0002876751890000138
和
Figure BDA0002876751890000139
根据当前传播速度均值
Figure BDA00028767518900001310
和
Figure BDA00028767518900001311
计算得到第二目标位置；
优选地，根据第一时间t1、第二时间t2和第三时间t3得到的传播速度均值
Figure BDA00028767518900001312
和
Figure BDA00028767518900001313
的步骤包括：
如图5所示，在直角坐标系xoy中，S表示点振源(目标)，M1,M2,M3分别表示第一、第二、第三振动传感器，振动是以点振源为中心的圆，其传播速度受地质条件的影响为非常数。
三个振动传感器阵元的坐标分别为M1(o,o),M2(d,o),M3(o,d)，目标到达阵元i与阵元j的距离差为
Figure BDA0002876751890000141
其中，1≤i,j≤3，
Figure BDA0002876751890000142
为目标到阵元i的传播速度均值；
又由图5可得，
Figure BDA0002876751890000143
Figure BDA0002876751890000144
这两条曲线的交点即为目标点(振源)；
令
Figure BDA0002876751890000145
则得：
Figure BDA0002876751890000146
可得：
Figure BDA0002876751890000147
可得：
Figure BDA0002876751890000148
令
Figure BDA0002876751890000149
则：
y＝ax+b，可得：
Figure BDA00028767518900001410
令
Figure BDA00028767518900001411
则：
l1＝nx+m，可得目标点坐标：
Figure BDA00028767518900001412
进而可以得出y的值，得到第一时间t1、第二时间t2和第三时间t3与传播速度均值
Figure BDA00028767518900001413
和
Figure BDA00028767518900001414
之间的关系。
优选地，利用输入和期望输出训练RBF神经网络：
定义X＝(x1,x2,…,xn)T为网络输入矢量，Y＝(y1,y2,…,ys)T为网络输出，φi(*)为第i个隐含层节点的径向基函数。RBF神经网络的分布函数为：
Figure BDA0002876751890000151
其中，m为隐含层神经元节点数，即径向基函数中心个数，系数wi为连接权重；
Figure BDA0002876751890000152
其中，φ(*)为径向基函数，||x-ci||为欧几里德范数，ci为RBF的第i个中心，ξi为RBF的第i个半径，可得网络输出为：
Figure BDA0002876751890000153
因此，RBF网络的矩阵表达式可以表示为：
D＝HW+E，
其中，期望输出向量为D＝(d1,d2,…,dp)T，期望输出和网络输出之间的误差向量为E＝(e1,e2,…,ep)T，权重向量为W＝(w1,w2,…,wm)T，回归矩阵为H＝(h1,h2,…,hm)T；
考虑到所有训练样本的影响，ci、ξi和wi的调整量为：
Figure BDA0002876751890000154
Figure BDA0002876751890000155
Figure BDA0002876751890000156
其中，φi(xj)为第i个隐含节点对xj的输入，η1、η2、η3分别为对应的学习速率，ci(t)和ci(t+1)分别为第t次和t+1次迭代时的ci，ξi(t)和ξi(t+1)分别为第t次和t+1次迭代时的ξi，wi(t)和wi(t+1)分别为第t次和t+1次迭代时的wi；根据代价函数E来获得均方误差，以此结束训练的条件；当实际输出和期望输出的均方误差小于设定的阈值，则网络被认为训练完成。
S4、将第一目标位置和第二目标位置利用加权函数进行加权计算，获得坦克装甲车辆最终位置。
优选地，加权函数采用地形加权法，在城镇、山地等硬地面地形，权重因子倾向于振动定位结果，在平原、沙漠等软地面无障碍地形，权重因子倾向于声音定位结果。例如，坦克装甲车辆最终位置的计算公式为：
硬地面地形：Z＝0.63zcs+0.37zps，
软地面地形：Z＝0.37zcs+0.63zps，
其中，zps为第一目标位置，zcs为第二目标位置。
上述坦克装甲车辆声振人工智能探测定位方法，通过声十字阵列和振动传感器阵列形式，所需阵元数少、形式简单，布阵非常方便快捷，具有平面、空间全方位的搜索功能。将声音探测定位与振动探测定位结合起来，声传感器和振动传感器同时工作测量，提高了探测定位精度。利用RBF神经网络计算得到第一、第二目标位置，并且利用加权计算，从而实现了坦克装甲车辆的声振结合及人工智能探测定位，排除了枪炮声对声音探测定位的干扰，提高了坦克装甲车辆的探测定位测试精度。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (8)

1.一种坦克装甲车辆声振人工智能探测定位系统，其特征在于，包括：至少三组声十字阵列、至少三组振动传感器、人工智能定位单元和信号处理单元；
人工智能定位单元分别与至少三组声十字阵列和至少三组振动传感器连接，用于分别获取声十字阵列测得的目标方向角，将目标方向角作为RBF神经网络的输入，将根据目标方向角得到的决定性因子作为RBF神经网络的期望输出，利用输入和期望输出训练RBF神经网络，将当前目标方向角输入训练好的RBF神经网络，得到当前决定性因子，根据当前决定性因子计算得到第一目标位置并输出，以及同时，分别获取振动传感器测量振动的时间，将时间作为RBF神经网络的输入，将根据时间得到的传播速度均值作为RBF神经网络的期望输出，利用输入和期望输出训练RBF神经网络，将当前时间输入训练好的RBF神经网络，得到当前传播速度均值，根据当前传播速度均值计算得到第二目标位置并输出；
信号处理单元与人工智能定位单元连接，用于将第一目标位置和第二目标位置利用加权函数进行加权计算，获得坦克装甲车辆最终位置；
根据目标方向角θ1、θ2和θ3得到决定性因子D1、D2和D3的步骤包括：
假定坦克装甲车辆目标P与三组声十字阵列位于同一平面内，每组声十字阵列等效为一个点，在平面直角坐标系xoy中，第一组声十字阵列S1、第二组声十字阵列S2和第三组声十字阵列S3的坐标分别为(x1,y1)、(x2,y2)、(x3,y3)；分别绘制通过第一组声十字阵列S1的第一定位线L1，通过第二组声十字阵列S2的第二定位线L2，通过第三组声十字阵列S3的第三定位线L3，定位线方程为：
xsinθi-ycosθi＝ci，
其中，ci＝xi sinθi-yi cosθi,i＝1,2,3；
第一定位线L1与第二定位线L2的交点C(xC,yC)、第一定位线L1与第三定位线L3的交点B(xB,yB)、第二定位线L2与第三定位线L3的交点A(xA,yA)，由定位线方程得到：
Figure FDA0003658053990000021
Figure FDA0003658053990000022
Figure FDA0003658053990000023
线段BC、AC、AB的中点D、E、F的坐标分别为(xD,yD),(xE,yE),(xF,yF)，
Figure FDA0003658053990000024
Figure FDA0003658053990000025
Figure FDA0003658053990000026
则得到目标距第一组声十字阵列S1、第二组声十字阵列S2和第三组声十字阵列S3的等效距离分别为r1＝|S1D|,r2＝|S2E|,r3＝|S3F|；
已知三定位线交点(xA,yA),(xB,yB),(xC,yC)，可以得到目标P的位置(x0,y0)为：
Figure FDA0003658053990000027
Figure FDA0003658053990000031
其中，D1、D2、D3为决定性因子，得到目标方向角θ1、θ2和θ3与决定性因子D1、D2和D3之间的关系。
2.根据权利要求1所述的系统，其特征在于，所述声十字阵列的组数为三组，分别为第一组声十字阵列S1、第二组声十字阵列S2和第三组声十字阵列S3。
3.根据权利要求2所述的系统，其特征在于，每组声十字阵列均包括第一声传感器s1、第二声传感器s2、第三声传感器s3和第四声传感器s4，均匀分布于中心四周，位于同一平面内，呈十字形分布，十字形中心到各个声传感器的距离相等。
4.根据权利要求2所述的系统，其特征在于，所述人工智能定位单元用于分别获取第一组声十字阵列S1、第二组声十字阵列S2和第三组声十字阵列S3测得的目标方向角θ1、θ2和θ3，将目标方向角θ1、θ2和θ3作为RBF神经网络的输入，将根据目标方向角θ1、θ2和θ3得到的决定性因子D1、D2和D3作为RBF神经网络的期望输出，利用输入和期望输出训练RBF神经网络，将当前目标方向角θ1、θ2和θ3输入训练好的RBF神经网络，得到当前决定性因子D1、D2和D3，根据当前决定性因子D1、D2和D3计算得到第一目标位置。
5.根据权利要求1所述的系统，其特征在于，所述振动传感器的组数为三组，包括第一振动传感器M1、第二振动传感器M2和第三振动传感器M3，呈三角形分布。
6.根据权利要求5所述的系统，其特征在于，所述人工智能定位单元还用于分别获取第一振动传感器M1、第二振动传感器M2和第三振动传感器M3测量振动的第一时间t1、第二时间t2和第三时间t3，将第一时间t1、第二时间t2和第三时间t3作为RBF神经网络的输入，将根据第一时间t1、第二时间t2和第三时间t3得到的传播速度均值
Figure FDA0003658053990000041
和
Figure FDA0003658053990000042
作为RBF神经网络的期望输出，利用输入和期望输出训练RBF神经网络，将当前第一时间t1、第二时间t2和第三时间t3输入训练好的RBF神经网络，得到当前传播速度均值
Figure FDA0003658053990000043
和
Figure FDA0003658053990000044
根据当前传播速度均值
Figure FDA0003658053990000045
和
Figure FDA0003658053990000046
计算得到第二目标位置。
7.根据权利要求1所述的系统，其特征在于，所述加权函数采用地形加权法。
8.根据权利要求1-7任一项所述的系统，其特征在于，还包括：无线收发单元，与信号处理单元连接，用于信号处理单元与远程计算机终端之间传输数据。
CN202011631629.8A 2020-12-30 2020-12-30 一种坦克装甲车辆声振人工智能探测定位系统 Expired - Fee Related CN112710989B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011631629.8A CN112710989B (zh) 2020-12-30 2020-12-30 一种坦克装甲车辆声振人工智能探测定位系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011631629.8A CN112710989B (zh) 2020-12-30 2020-12-30 一种坦克装甲车辆声振人工智能探测定位系统

Publications (2)

Publication Number Publication Date
CN112710989A CN112710989A (zh) 2021-04-27
CN112710989B true CN112710989B (zh) 2022-06-24

Family

ID=75547797

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011631629.8A Expired - Fee Related CN112710989B (zh) 2020-12-30 2020-12-30 一种坦克装甲车辆声振人工智能探测定位系统

Country Status (1)

Country Link
CN (1) CN112710989B (zh)

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1990650A1 (en) * 2007-05-07 2008-11-12 Harman Becker Automotive Systems GmbH Method and system for determining position information of vehicles
CN102435299B (zh) * 2011-08-12 2014-02-12 中国科学院上海微系统与信息技术研究所 一种微型震动传感器阵列及在地面目标跟踪中的应用
US9234960B1 (en) * 2013-03-15 2016-01-12 P. Stuckey McIntosh Systems for determining vehicle location
CN103531028A (zh) * 2013-09-27 2014-01-22 西北核技术研究所 一种基于线性声音、震动传感器阵列的车辆探测方法
CN108169708B (zh) * 2017-12-27 2020-03-13 中国人民解放军战略支援部队信息工程大学 模块化神经网络的直接定位方法
CN108680911B (zh) * 2018-05-17 2022-06-03 电子科技大学 一种基于神经网络的雷达目标测向方法
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

Also Published As

Publication number Publication date
CN112710989A (zh) 2021-04-27

Similar Documents

Publication Publication Date Title
CN101476860B (zh) 一种高背景磁场下的磁定位方法及装置
CN106679645A (zh) 基于多方向偏振光的实时导航装置
CN104035065A (zh) 基于主动旋转的声源定向装置及其应用方法
CN108362289B (zh) 一种基于多传感器融合的移动智能终端pdr定位方法
CN108363041B (zh) 基于k均值聚类迭代的无人机声源定位方法
CN110160528B (zh) 一种基于角度特征识别的移动装置位姿定位方法
CN106842080B (zh) 一种磁场测量装置姿态摆动干扰去除方法
US5537511A (en) Neural network based data fusion system for source localization
US11567230B1 (en) Direction-finding and positioning system of electromagnetic emission of coal or rock fracture
CN113074725A (zh) 一种基于多源信息融合的小型水下多机器人协同定位方法及系统
CN113607447A (zh) 一种声学光学联合风机故障定位装置及方法
CN113483885B (zh) 一种基于蝎子毛缝耦合定位机理的复合脉冲振源定位方法
CN109490728A (zh) 一种基于正则化的变电站局部放电定位方法
CN112710989B (zh) 一种坦克装甲车辆声振人工智能探测定位系统
CN112710988B (zh) 一种坦克装甲车辆声振人工智能探测定位方法
Wu et al. TRiForm: Formation control for underwater sensor networks with measurement errors
CN112147577B (zh) 一种基于地震波特征分析的爆炸目标被动定位系统和方法
US20230366697A1 (en) Sound source modeling of drones and the synthesis in indoor environments towards acoustics-based indoor localization
JP2000146509A (ja) 磁気式モーションキャプチャ装置における計測方式
CN114742141B (zh) 基于icp点云的多源信息数据融合研判方法
CN113155154B (zh) 一种基于传感器和相机的姿态和里程的误差纠偏方法
CN113503891B (zh) 一种sinsdvl对准校正方法、系统、介质及设备
KR20220036583A (ko) 인공 지능을 기반으로 매설물을 탐지하고 식별하는 장치 및 그 방법
Ma et al. Sensitivity analysis of DOA error on least square-based source localization in UWSAN
CN115790574B (zh) 一种无人机的光流定位方法、装置及无人机

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220624