CN113483885B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN113483885B
CN113483885B CN202110763943.XA CN202110763943A CN113483885B CN 113483885 B CN113483885 B CN 113483885B CN 202110763943 A CN202110763943 A CN 202110763943A CN 113483885 B CN113483885 B CN 113483885B
Authority
CN
China
Prior art keywords
vibration source
vibration
scorpion
information
pulse
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
Application number
CN202110763943.XA
Other languages
English (en)
Other versions
CN113483885A (zh
Inventor
刘富
石俊豪
侯涛
韩志武
康冰
刘云
赵宇锋
王跃桥
刘美赫
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.)
Jilin University
Original Assignee
Jilin University
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 Jilin University filed Critical Jilin University
Priority to CN202110763943.XA priority Critical patent/CN113483885B/zh
Publication of CN113483885A publication Critical patent/CN113483885A/zh
Application granted granted Critical
Publication of CN113483885B publication Critical patent/CN113483885B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
    • G01P15/18—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration in two or more dimensions
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs

Landscapes

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

Abstract

本发明公开了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，包括步骤：获取仿蝎振动信号采集装置采集的振源的振动信号；其中，所述振动信号包括纵波信号和瑞利波信号；将所述纵波信号和所述瑞利波信号输入Izhikevich神经元模型，得到所述振源对应的两路脉冲信号，并根据所述两路脉冲信号，确定所述振源的振源距离信息；将所述纵波信号和所述瑞利波信号输入LIF神经元模型，得到所述振源的振源方向信息；根据所述振源方向信息和所述振源距离信息，得到所述振源的位置坐标。由于在测试时根据双层复合脉冲神经模型输出振源的方向与距离，对振源进行位置估计，以提高现有振源定位算法对振源方向及距离估计的整体精度模型。

Description

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
技术领域
本发明涉及定位技术领域，尤其涉及的是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。
背景技术
定位技术是发展人工智能的基础支撑技术之一，获取人、物、设备的位置是智能链条中不可或缺的关键信息。振动定位作为定位技术的一个重要组成部分，在复杂的地形地质条件下甚至是严密伪装的情况下仍能充分发挥其作用，而这正是光学、无线技术和雷达等现代技术的盲区。
目前室内振动定位方法主要有基于到达时间(Time of Arrival,TOA)、基于到达时间差(Time Difference of Arrival,TDOA)等。但这些方法对信号的质量具有较强的依赖性，如果信号稍微衰减或者不稳定，都会导致定位准确度降低，而且在复杂的室内环境中，计算比较困难。同时一些定位算法需要估计目标信号到达各传感器的时间和时间差，但对到达时间和到达时间差的估计往往不够精确，导致定位误差较大。目前仿蝎子的振源定位方法能够在一定程度解决上述问题，但目前的仿蝎子振源定位算法偏向于振源的方向估计，对振源距离估计往往依赖于传统振源定位算法，这导致仿蝎子振源定位算法的距离估计精度较低。
因此，现有技术还有待于改进和发展。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供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，旨在解决现有技术中距离估计精度较低的问题。
本发明解决技术问题所采用的技术方案如下：
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，其中，包括步骤：
获取仿蝎振动信号采集装置采集的振源的振动信号；其中，所述振动信号包括纵波信号和瑞利波信号；
将所述纵波信号和所述瑞利波信号输入Izhikevich神经元模型，得到所述振源对应的两路脉冲信号，并根据所述两路脉冲信号，确定所述振源的振源距离信息；
将所述纵波信号和所述瑞利波信号输入LIF神经元模型，得到所述振源的振源方向信息；
根据所述振源方向信息和所述振源距离信息，得到所述振源的位置坐标。
所述的基于蝎子毛缝耦合定位机理的复合脉冲振源定位方法，其中，所述根据所述两路脉冲信号，确定所述振源的振源距离信息，包括：
提取所述两路脉冲信号的首发脉冲发放的时间差作为编码信息；
根据所述编码信息、预设的编码信息与振源距离的映射关系，得到所述振源的振源距离信息。
所述的基于蝎子毛缝耦合定位机理的复合脉冲振源定位方法，其中，所述两路脉冲信号包括：膜电位和负反馈变量；
所述提取所述两路脉冲信号的首发脉冲发放的时间差作为编码信息，包括：
当膜电位大于或等于预设电位时，提取所述膜电位对应的首发脉冲发放的时间、所述负反馈变量对应的首发脉冲发放的时间；
将所述膜电位对应的首发脉冲发放的时间以及所述负反馈变量对应的首发脉冲发放的时间之间的差值作为编码信息。
所述的基于蝎子毛缝耦合定位机理的复合脉冲振源定位方法，其中，所述Izhikevich神经元模型为：
Figure BDA0003150114930000031
Figure BDA0003150114930000032
Ik(t)＝[Szk(t) Sxk(t)]T
其中，C表示神经元的膜电容，
Figure BDA0003150114930000033
表示膜电位对时间的求导，vi(t)表示膜电位，ui(t)表示负反馈变量，Ik(t)表示总输入电流，
Figure BDA0003150114930000034
表示负反馈变量对时间的求导，a表示时间常数，b表示依赖程度的参数，Szk(t)表示瑞利波信号，Sxk(t)表示纵波信息，T表示转置。
所述的基于蝎子毛缝耦合定位机理的复合脉冲振源定位方法，其中，所述仿蝎振动信号采集装置包括：若干个传感器，若干个所述传感器呈圆形分布；所述预设的编码信息与振源距离的映射关系为：
Dk＝ωTk+ρ
其中，Dk表示第k个传感器的振源距离信息，Tk表示第k个传感器的编码信息，ω、ρ表示映射关系参数。
所述的基于蝎子毛缝耦合定位机理的复合脉冲振源定位方法，其中，所述传感器的数量为8个；
所述根据所述振源方向信息和所述振源距离信息，得到所述振源的位置坐标，包括：
将所有振源距离信息形成4个振源距离信息组，并确定每个振源距离信息组的振源距离；其中，所述振源距离信息组的两个振源距离信息对应的传感器关于仿蝎振动信号采集装置的对称轴对称；
根据所有振源距离信息组的振源距离，确定振源距离的估计值；
根据振源方向信息和所述振源距离的估计值，得到所述振源的位置坐标。
所述的基于蝎子毛缝耦合定位机理的复合脉冲振源定位方法，其中，所述振源距离为：
Figure BDA0003150114930000041
Figure BDA0003150114930000042
其中，Dh(2p-1)、Dh(2p)表示第p个振源距离信息组中的两个振源距离的可能解，D(9-p)、D(p)表示第p个振源距离信息组中的两个振源距离信息，R表示8个所述传感器所形成圆的半径，αp表示第p个振源距离信息组中振源距离信息对应传感器与仿蝎振动信号采集装置的对称轴形成的夹角。
所述的基于蝎子毛缝耦合定位机理的复合脉冲振源定位方法，其中，所述振源距离的估计值为：
Figure BDA0003150114930000043
其中，Dh表示振源距离的估计值，D1表示第1个传感器的振源距离信息，D2表示第2个传感器的振源距离信息，λ表示权重，Σ表示求和操作。由于蝎子步行足的特殊分布角度，αp＝±90°时，振源距离有唯一解：
Figure BDA0003150114930000044
令
Figure BDA0003150114930000045
一种基于蝎子毛缝耦合定位机理的复合脉冲振源定位系统，其中，包括：依次连接的仿蝎振动信号采集装置、存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
所述的基于蝎子毛缝耦合定位机理的复合脉冲振源定位系统，其中，所述仿蝎振动信号采集装置包括：
电路板；
加速度传感器，设置于所述电路板的下方；
信号输出接口，设置于所述电路板的上方。
有益效果：由于在测试时根据双层复合脉冲神经模型输出振源的方向与距离，对振源进行位置估计，以提高现有振源定位算法对振源方向及距离估计的整体精度模型。
附图说明
图1是本发明中基于蝎子毛缝耦合定位机理的复合脉冲振源定位系统的功能原理框图。
图2是本发明中基于蝎子毛缝耦合定位机理的复合脉冲振源定位系统的结构示意图。
图3是本发明中蝎子的整体照片和蝎子的局部照片。
图4是本发明中基于蝎子毛缝耦合定位机理的复合脉冲振源定位的流程图。
附图标记说明：
1、传感器；2、铜柱；3、电路板；4、电源模块；5、信号输出接口；6、A/D模块；7、下位机；8、数据传输模块。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
请同时参阅图1-图4，本发明提供了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的一些实施例。
如图1-图3所示，基于蝎子毛缝耦合定位机理的复合脉冲振源定位方法基于仿蝎振动信号采集装置所采集的振源的振动信号，所述仿蝎振动信号采集装置包括：若干个传感器，若干个所述传感器呈圆形分布；例如，仿蝎振动信号采集装置包括：8个传感器1，8个所述传感器1呈圆形分布。具体地，仿蝎振动信号采集装置主体为一个由8个多轴MEMS加速度传感器组成的传感器阵列，在半径为10cm的圆周上，仿照蝎子步行足上的缝感受器与毛感受器的分布特征，布设8个MEMS多轴加速度传感器，其角度分别为18°、54°、90°、140°、-18°、-54°、-90°、-140°。以18°为起始点，按顺时针方向将各传感器1进行编号1-8，分别对应8个传感器方向，需要说明的是1-4号传感器和5-8号传感器分别位于仿蝎振动信号采集装置的对称轴对称，也就是说，仿蝎振动信号采集装置的对称轴位于0°和180°上，1号传感器位于18°，2号传感器位于54°，3号传感器位于90°，4号传感器位于140°，8号传感器位于-18°，7号传感器位于-54°，6号传感器位于-90°，5号传感器位于-140°。所述仿蝎振动信号采集装置还包括16通道的A/D模块6，1个以Xilinx Spartan 6为主芯片的FPGA(即下位机7)、WiFi数据传输模块(即数据传输模块8)、Matlab振动信号处理系统；所述AD模块连接8个传感器对应于水平方向与垂直方向的接口；所述Xilinx Spartan 6为主芯片的FPGA控制AD模块进行16通道振动信号数据采集(8通道纵波信号，8通道瑞利波信号)，再通过WiFi数据传输模块将数据实时发送给PC上位机；所述Matlab振动信号处理系统对接收的数据进行波形显示及数据存储，并利用仿蝎毛缝耦合定位机理的复合脉冲振源定位模型实现振源位置估计。
所述仿蝎振动信号采集装置包括：
电路板3；
加速度传感器，设置于所述电路板3的下方；
信号输出接口5，设置于所述电路板3的上方。
传感器通过铜柱2与电路板3连接，电路板3上还设置有电源模块4，以对仿蝎振动信号采集装置供电。
蝎子通过定位猎物在沙子中移动时产生的振动来寻找猎物。在这只蝎子的每条行走腿的末端都有两个感觉器官，分别为缝感受器与毛感受器，它们被通过沙子传导的基底振动所激发。缝感觉器对表面波比较敏感，毛感受器对于纵波较为敏感。已有研究表明基于蝎子缝感受器的3/1定位模型利用神经元的兴奋和抑制作用揭示了蝎子大脑对震源方向信息的处理机制。同时，蝎子对振源距离信息的处理依赖于缝感受器与毛感受器的多感受器融合机制。
本发明利用Izhikevich与LIF神经元模型模拟蝎子神经元对振动信息的处理过程，构建复合脉冲模型定位模型对振源进行位置估计，复合脉冲模型定位模型共两层。第一层模型(LIF神经元模型)模拟蝎子神经元对缝感受器的处理方式，输出振源的方向信息。第二层模型(Izhikevich神经元模型)模拟蝎子神经元对缝感受器与毛感受器的复合处理机制，输出振源的距离信息，从而对振源进行定位。
如图4所示，本发明的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，包括以下步骤：
步骤S100、获取仿蝎振动信号采集装置采集的振源的振动信号；其中，所述振动信号包括纵波信号和瑞利波信号。
具体地，每个方向上产生两路振动信号，传感器在水平方向的输出对应振源产生的纵波信息表示为Sxk(t),k＝1,2,…,8，传感器在垂直方向的输出对应振源产生的瑞利波信息，表示为Szk(t),k＝1,2,…,8。
步骤S200、将所述纵波信号和所述瑞利波信号输入Izhikevich神经元模型，得到所述振源对应的两路脉冲信号，并根据所述两路脉冲信号，确定所述振源的振源距离信息。
具体地，在蝎子8个步行足对应的方向上各定义一个Izhikevich神经元模型，则每个所述传感器具有对应的所述振源距离信息。
所述Izhikevich神经元模型为：
Figure BDA0003150114930000071
Ik(t)＝[Szk(t) Sxk(t)]T (2)
其中，C表示神经元的膜电容，
Figure BDA0003150114930000081
表示膜电位对时间的求导，vi(t)表示膜电位，ui(t)表示负反馈变量，Ik(t)表示总输入电流，
Figure BDA0003150114930000082
表示负反馈变量对时间的求导，a表示时间常数，b表示依赖程度的参数，Szk(t)表示瑞利波信号，Sxk(t)表示纵波信息，T表示转置。a具体表示ui(t)时间常数，b具体表示ui(t)对vi(t)依赖程度的参数。k表示传感器的编号。
神经元模型接收源自于其步行足上毛缝两种感受器的分别包含纵波与横波信息的两种振动信号，因此每个Izhikevich神经元模型的输入为对应传感器在水平方向和垂直方向获取的两路模拟信号，也就是说，将Szk(t)作为第k个方向上传感器在垂直方向对应的神经元输入Izk(t)，将Sxk(t)作为第k个方向上传感器在水平方向对应的神经元输入Ixk(t)。
公式(1)还可以写成如下形式：
Figure BDA0003150114930000083
Izhikevich神经元模型的输出为两路脉冲信号，分别对应缝感受器与毛感受器。
步骤S200具体包括：
步骤S210、提取所述两路脉冲信号的首发脉冲发放的时间差作为编码信息。
8个方向上的神经元会分别产生两类神经元尖峰(也即两路脉冲信号)，分别对应于缝感受器与毛感受器，两路脉冲信号时域上的差异性将体现振源的距离信息。因此对单一方向上的Izhikevich神经元模型输出的两路脉冲信号进行复合编码，提取两路信号的首发脉冲发放的时间差作为编码信息，该编码方式利用单一的数据特征描述两路信号的时序信息，强调两路信号在时域上的差异性。
步骤S210具体包括：
步骤S211、当膜电位大于或等于预设电位时，提取所述膜电位对应的首发脉冲发放的时间、所述负反馈变量对应的首发脉冲发放的时间。
步骤S212、将所述膜电位对应的首发脉冲发放的时间以及所述负反馈变量对应的首发脉冲发放的时间之间的差值作为编码信息。
具体地，预设电位可以根据需要设置，例如，预设电位为30mV。当膜电位vi≥30mV时，神经元的状态会以下述方式被重置：
vi←c,ui←ui+d (4)
在激发后，神经元的膜电位迅速被重置为c，同时，负反馈变量ui上有一个瞬时的增量d。这个过程中，神经元会发射一个脉冲。记录第k个方向上在单次振动中两路信号第一次发放脉冲的时间差值：
Tk＝|tzk-txk| (5)
其中，k为产生神经元输入信号的传感器方向的编号k＝1,2,……,8，tzk为第k个方向上传感器垂直方向输出的信号首发放脉冲时的时间，txk为第k个方向上传感器水平方向输出的信号首发放脉冲时的时间，Tk为第k个方向上的两路信号的首发脉冲发放时间差，也即编码信息。
由于振源与各传感器的距离不同，对应于8个传感器方向将产生8个不同首发脉冲发放时间差Tk,k＝1,2,…，8，利用首发脉冲发放时间差分别对8个方向的振动信息进行编码，得到编码信息。
步骤S220、根据所述编码信息、预设的编码信息与振源距离的映射关系，得到所述振源的振源距离信息。
具体地，接受到振动后产生的两类神经元尖峰之间存在时间差，且该时间差与振源到神经元对应感受器的距离正相关。因此，建立编码信息与振源到单个传感器距离的映射关系，使编码信息能够正确表现出符合实际使用环境的距离信息。
所述预设的编码信息与振源距离的映射关系为：
Dk＝ωTk+ρ (6)
其中，Dk表示第k个传感器的振源距离信息，Tk表示第k个传感器的编码信息，ω、ρ表示映射关系参数。ω与ρ的选取需要根据实际环境。
预设的编码信息与振源距离的映射关系采用如下方式建立：
在距单个传感器不同距离处选择m个参考点，在参考点上给予固定的振动刺激，获取每个参考点对应于单个传感器方向的首发脉冲发放时间差，得到各参考点坐标：
(Tk1,Dk1),(Tk2,Dk2),……，(Tkm,Dkm)
其中Tkm为第m个参考点所对应的首发脉冲发放时间差，Dkm为第m个参考点到传感器的距离。
根据参考点坐标，利用最小二乘法，进行线性回归，求出参数ω与ρ的值，从而可以建立预设的编码信息与振源距离的映射关系。
步骤S300、将所述纵波信号和所述瑞利波信号输入LIF神经元模型，得到所述振源的振源方向信息。
具体地，根据3/1神经元构型。在传感器对应的8个方向上各设置一个LIF神经元模型，模型的输入为每个方向上缝感受器对应的振动信号，即传感器在垂直方向输出的信号。输入第一层模型的振动信号经3/1构型处理后，由LIF神经元模型转换为脉冲信号，再经过群向量算，输出对振源的方向估计值θ。
步骤S400、根据所述振源方向信息和所述振源距离信息，得到所述振源的位置坐标。
具体地，在得到振源方向信息和振源距离信息后，从方向和距离两方面确定振源的位置坐标，从而提高了定位的精度。当在测试点给予振动刺激时，首先获取8个传感器方向对应的首发脉冲发放时间差Tk，然后根据映射关系得到振源到8个传感器的距离Dk。传感器布置在圆周上，选取圆心作为原点。根据振源到8个传感器的距离以及仿蝎子感受器分布的传感器布设角度，计算振源到原点的距离，即振源到传感器阵列整体的距离。选取传感器方向为α＝±18°的两个传感器对应的距离信息计算振源距离，并以此类推对传感器方向为α＝±54°，α＝±90°，α＝±140°的传感器对应的距离信息进行同样的计算，共计算出4组振源距离。
步骤S400具体包括：
步骤S410、将所有振源距离信息形成4个振源距离信息组，并确定每个振源距离信息组的振源距离；其中，所述振源距离信息组的两个振源距离信息对应的传感器关于仿蝎振动信号采集装置的对称轴对称。
具体地，所述振源距离为：
Figure BDA0003150114930000111
Figure BDA0003150114930000112
其中，Dh(2p-1)、Dh(2p)表示第p个振源距离信息组中的两个振源距离的可能解，D(9-p)、D(p)表示第p个振源距离信息组中的两个振源距离信息，R表示8个所述传感器所形成圆的半径，αp表示第p个振源距离信息组中振源距离信息对应传感器与仿蝎振动信号采集装置的对称轴形成的夹角。
1号传感器和8号传感器形成第1组，2号传感器和7号传感器形成第2组，3号传感器和6号传感器形成第3组，4号传感器和5号传感器形成第4组，α1＝18°，α2＝54°，α3＝90°，α4＝140°。
步骤S420、根据所有振源距离信息组的振源距离，确定振源距离的估计值。
具体地，根据所有振源距离信息组的振源距离，确定振源距离的估计值，以所有振源距离信息组中振源距离的较小值，确定振源距离的估计值。由于蝎子步行足的特殊分布角度，αp＝±90°时，振源距离有唯一解：
Figure BDA0003150114930000113
例如，当
Figure BDA0003150114930000121
时，或者当|Dh(5)-Dh(1)|＜|Dh(5)-Dh(2)|，|Dh(5)-Dh(3)|＜|Dh(5)-Dh(4)|，|Dh(5)-Dh(7)|＜|Dh(5)-Dh(8)|时。所述振源距离的估计值为：
Figure BDA0003150114930000122
其中，Dh表示振源距离的估计值，D1表示第1个传感器的振源距离信息，D2表示第2个传感器的振源距离信息，λ表示权重，Σ表示求和操作。权重可以取0.25。
步骤S430、根据振源方向信息和所述振源距离的估计值，得到所述振源的位置坐标。
具体地，得到振源方向信息和振源距离的估计值，则振源的位置坐标为(θ,Dh)。
本发明还提供了一种基于蝎子毛缝耦合定位机理的复合脉冲振源定位系统的较佳实施例：
如图1所示，本发明实施例的基于蝎子毛缝耦合定位机理的复合脉冲振源定位系统，包括：依次连接的仿蝎振动信号采集装置、存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如下步骤：
获取仿蝎振动信号采集装置采集的振源的振动信号；其中，所述振动信号包括纵波信号和瑞利波信号；
将所述纵波信号和所述瑞利波信号输入Izhikevich神经元模型，得到所述振源对应的两路脉冲信号，并根据所述两路脉冲信号，确定所述振源的振源距离信息；
将所述纵波信号和所述瑞利波信号输入LIF神经元模型，得到所述振源的振源方向信息；
根据所述振源方向信息和所述振源距离信息，得到所述振源的位置坐标。
所述仿蝎振动信号采集装置包括：
电路板；
加速度传感器，设置于所述电路板的下方；
信号输出接口，设置于所述电路板的上方。
加速度传感器有8个，呈圆形分布且对应于蝎子的各脚。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (5)

1.一种基于蝎子毛缝耦合定位机理的复合脉冲振源定位方法，其特征在于，包括步骤：
获取仿蝎振动信号采集装置采集的振源的振动信号；其中，所述振动信号包括纵波信号和瑞利波信号；
将所述纵波信号和所述瑞利波信号输入Izhikevich神经元模型，得到所述振源对应的两路脉冲信号，并根据所述两路脉冲信号，确定所述振源的振源距离信息；
将所述纵波信号和所述瑞利波信号输入LIF神经元模型，得到所述振源的振源方向信息；
根据所述振源方向信息和所述振源距离信息，得到所述振源的位置坐标；
所述根据所述两路脉冲信号，确定所述振源的振源距离信息，包括：
提取所述两路脉冲信号的首发脉冲发放的时间差作为编码信息；
根据所述编码信息、预设的编码信息与振源距离的映射关系，得到所述振源的振源距离信息；
所述两路脉冲信号包括：膜电位和负反馈变量；
所述提取所述两路脉冲信号的首发脉冲发放的时间差作为编码信息，包括：
当膜电位大于或等于预设电位时，提取所述膜电位对应的首发脉冲发放的时间、所述负反馈变量对应的首发脉冲发放的时间；
将所述膜电位对应的首发脉冲发放的时间以及所述负反馈变量对应的首发脉冲发放的时间之间的差值作为编码信息；
所述Izhikevich神经元模型为：
Figure FDA0003537134200000011
Figure FDA0003537134200000012
Ik(t)＝[Szk(t) Sxk(t)]T
其中，C表示神经元的膜电容，
Figure FDA0003537134200000021
表示膜电位对时间的求导，vi(t)表示膜电位，ui(t)表示负反馈变量，Ik(t)表示总输入电流，
Figure FDA0003537134200000022
表示负反馈变量对时间的求导，a表示时间常数，b表示依赖程度的参数，Szk(t)表示瑞利波信号，Sxk(t)表示纵波信息，T表示转置；
所述仿蝎振动信号采集装置包括：若干个传感器，若干个所述传感器呈圆形分布；所述预设的编码信息与振源距离的映射关系为：
Dk＝ωTk+ρ
其中，Dk表示第k个传感器的振源距离信息，Tk表示第k个传感器的编码信息，ω、ρ表示映射关系参数；
所述传感器的数量为8个；
所述根据所述振源方向信息和所述振源距离信息，得到所述振源的位置坐标，包括：
将所有振源距离信息形成4个振源距离信息组，并确定每个振源距离信息组的振源距离；其中，所述振源距离信息组的两个振源距离信息对应的传感器关于仿蝎振动信号采集装置的对称轴对称；
根据所有振源距离信息组的振源距离，确定振源距离的估计值；
根据振源方向信息和所述振源距离的估计值，得到所述振源的位置坐标。
2.根据权利要求1所述的基于蝎子毛缝耦合定位机理的复合脉冲振源定位方法，其特征在于，所述振源距离为：
Figure FDA0003537134200000023
Figure FDA0003537134200000024
其中，Dh(2p-1)、Dh(2p)表示第p个振源距离信息组中的两个振源距离的可能解，D(9-p)、D(p)表示第p个振源距离信息组中的两个振源距离信息，R表示8个所述传感器所形成圆的半径，αp表示第p个振源距离信息组中振源距离信息对应传感器与仿蝎振动信号采集装置的对称轴形成的夹角。
3.根据权利要求2所述的基于蝎子毛缝耦合定位机理的复合脉冲振源定位方法，其特征在于，所述振源距离的估计值为：
Figure FDA0003537134200000031
其中，
Figure FDA0003537134200000032
Dh表示振源距离的估计值，D1表示第1个传感器的振源距离信息，D2表示第2个传感器的振源距离信息，λ表示权重，Σ表示求和操作。
4.一种基于蝎子毛缝耦合定位机理的复合脉冲振源定位系统，其特征在于，包括：依次连接的仿蝎振动信号采集装置、存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至3中任一项所述方法的步骤。
5.根据权利要求4所述的基于蝎子毛缝耦合定位机理的复合脉冲振源定位系统，其特征在于，所述仿蝎振动信号采集装置包括：
电路板；
加速度传感器，设置于所述电路板的下方；
信号输出接口，设置于所述电路板的上方。
CN202110763943.XA 2021-07-06 2021-07-06 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 Active CN113483885B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110763943.XA CN113483885B (zh) 2021-07-06 2021-07-06 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110763943.XA CN113483885B (zh) 2021-07-06 2021-07-06 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

Publications (2)

Publication Number Publication Date
CN113483885A CN113483885A (zh) 2021-10-08
CN113483885B true CN113483885B (zh) 2022-05-31

Family

ID=77940590

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110763943.XA Active CN113483885B (zh) 2021-07-06 2021-07-06 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

Country Status (1)

Country Link
CN (1) CN113483885B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115127666A (zh) * 2022-06-27 2022-09-30 吉林大学 一种灵敏度动态可调的仿生振动检测装置及其制备方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101360980A (zh) * 2006-02-03 2009-02-04 阿利发Np有限公司 用于检测设备部件上的脉冲机械作用位置的方法和装置
CN105510959A (zh) * 2015-11-30 2016-04-20 山东康威通信技术股份有限公司 一种隧道的振源类型识别方法及振源位置定位方法
CN105531724A (zh) * 2013-08-13 2016-04-27 高通股份有限公司 用于调制神经设备的训练的方法和装置
CN105607041A (zh) * 2015-09-22 2016-05-25 吉林大学 基于仿生沙蝎定位功能的脉冲定位模型
CN108121878A (zh) * 2018-01-05 2018-06-05 吉林大学 自动编码震源信号的脉冲神经网络模型
CN109342998A (zh) * 2018-12-06 2019-02-15 吉林大学 一种基于仿生学的位置指纹室内定位系统及方法
CN110097171A (zh) * 2019-06-19 2019-08-06 吉林大学 一种基于蝎子微振动定位机理的活动轨迹定位方法及系统
CN110245707A (zh) * 2019-06-17 2019-09-17 吉林大学 基于蝎子定位的人体行走姿态振动信息识别方法及系统
EP3722838A1 (en) * 2019-04-11 2020-10-14 First Institute of Oceanography, Ministry of Natural Resources Device and method for uninterrupted recording of multi-channel seismic data

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9361545B2 (en) * 2013-11-18 2016-06-07 Qualcomm Incorporated Methods and apparatus for estimating angular movement with a single two dimensional device

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101360980A (zh) * 2006-02-03 2009-02-04 阿利发Np有限公司 用于检测设备部件上的脉冲机械作用位置的方法和装置
CN105531724A (zh) * 2013-08-13 2016-04-27 高通股份有限公司 用于调制神经设备的训练的方法和装置
CN105607041A (zh) * 2015-09-22 2016-05-25 吉林大学 基于仿生沙蝎定位功能的脉冲定位模型
CN105510959A (zh) * 2015-11-30 2016-04-20 山东康威通信技术股份有限公司 一种隧道的振源类型识别方法及振源位置定位方法
CN108121878A (zh) * 2018-01-05 2018-06-05 吉林大学 自动编码震源信号的脉冲神经网络模型
CN109342998A (zh) * 2018-12-06 2019-02-15 吉林大学 一种基于仿生学的位置指纹室内定位系统及方法
EP3722838A1 (en) * 2019-04-11 2020-10-14 First Institute of Oceanography, Ministry of Natural Resources Device and method for uninterrupted recording of multi-channel seismic data
CN110245707A (zh) * 2019-06-17 2019-09-17 吉林大学 基于蝎子定位的人体行走姿态振动信息识别方法及系统
CN110097171A (zh) * 2019-06-19 2019-08-06 吉林大学 一种基于蝎子微振动定位机理的活动轨迹定位方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Which Model to Use for Cortical Spiking Neurons?;Eugene M. Izhikevich;《IEEE TRANSACTIONS ON NEURAL NETWORKS》;20040930;第15卷(第5期);第1063-1070页 *
仿蝎子振源定位机理的位置指纹室内定位方法;刘富 等;《吉林大学学报(工学版)》;20191130;第49卷(第6期);第2076-2082页 *

Also Published As

Publication number Publication date
CN113483885A (zh) 2021-10-08

Similar Documents

Publication Publication Date Title
CN109579853B (zh) 基于bp神经网络的惯性导航室内定位方法
Bachmann et al. Inertial and magnetic tracking of limb segment orientation for inserting humans into synthetic environments
CN107018522A (zh) 一种基于多信息融合的无人机地面基站的定位方法
CN109900256B (zh) 一种自适应海洋移动声层析系统和方法
CA3077683C (en) Crowd-sourced training of a neural network for rss fingerprinting
JP6954717B2 (ja) 測位用分類器の作成方法、位置測定方法、外的要因ノイズ特定方法及び測位用分類器の作成システム
CN105445756A (zh) 构造物的安全性诊断系统
CN108334677A (zh) 一种基于gru网络的uuv实时避碰规划方法
CN106774901B (zh) 基于超声定位的远距离pc体感输入方法
CN110401978A (zh) 基于神经网络和粒子滤波多源融合的室内定位方法
CN108613679A (zh) 一种移动机器人扩展卡尔曼滤波同步定位与地图构建方法
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
CA3078072A1 (en) Maintaining a trained neural network for mobile device rss fingerprint based indoor navigation
Pan et al. A novel SINS/USBL tightly integrated navigation strategy based on improved ANFIS
CN111401180A (zh) 神经网络识别模型训练方法、装置、服务器及存储介质
Meier et al. An initial study of surface wave inversion using artificial neural networks
Drap et al. Underwater cartography for archaeology in the VENUS project
CN115660027A (zh) 一种支持小样本的多设备海域目标数据生成方法及系统
CN109997014A (zh) 用于确定轨迹的系统和方法
CN114280543A (zh) 海底电缆定位方法、装置、计算机设备及计算机程序产品
Xie et al. AUV dead-reckoning navigation based on neural network using a single accelerometer
Gutnik et al. Data-Driven Underwater Navigation workshop: AUV Close-Range Localization and Guidance Employing an Electro-Magnetic Beacon
Apolinario et al. Estimation of 2D velocity model using acoustic signals and convolutional neural networks
CN112710989B (zh) 一种坦克装甲车辆声振人工智能探测定位系统
CN110274613A (zh) 一种适用于声学波潮测量仪的实验室检测装置及方法

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