CN114580615B - 一种基于神经网络的分布式小平台水下纯方位定位方法 - Google Patents

一种基于神经网络的分布式小平台水下纯方位定位方法 Download PDF

Info

Publication number
CN114580615B
CN114580615B CN202210213443.3A CN202210213443A CN114580615B CN 114580615 B CN114580615 B CN 114580615B CN 202210213443 A CN202210213443 A CN 202210213443A CN 114580615 B CN114580615 B CN 114580615B
Authority
CN
China
Prior art keywords
positioning
neural network
target
network model
result
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
CN202210213443.3A
Other languages
English (en)
Other versions
CN114580615A (zh
Inventor
孙大军
傅笑盈
滕婷婷
师俊杰
靳建嘉
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.)
Qingdao Mingshen Information Technology Co ltd
Harbin Engineering University
Original Assignee
Qingdao Mingshen Information Technology Co ltd
Harbin Engineering 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 Qingdao Mingshen Information Technology Co ltd, Harbin Engineering University filed Critical Qingdao Mingshen Information Technology Co ltd
Priority to CN202210213443.3A priority Critical patent/CN114580615B/zh
Publication of CN114580615A publication Critical patent/CN114580615A/zh
Application granted granted Critical
Publication of CN114580615B publication Critical patent/CN114580615B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

一种基于神经网络的分布式小平台水下纯方位定位方法，它属于纯方位定位技术领域。本发明解决了解析类算法在近距离的定位性能较差，迭代类算法在远距离的定位性能受初值影响较大的问题。本发明方法具体包括：步骤一、从纯方位定位方程中提取影响定位的特征并进一步处理为网络输入特征；步骤二、设计并搭建包括分类网络和回归网络的两步式神经网络模型；步骤三、利用训练集对神经网络模型进行训练，获得训练好的神经网络模型；步骤四、利用训练好的模型获得对目标的定位结果，并利用模型隐藏层输出对目标定位结果进行评价。本发明方法可以应用于纯方位定位技术领域。

Description

一种基于神经网络的分布式小平台水下纯方位定位方法
技术领域
本发明属于纯方位定位技术领域，具体涉及一种利用神经网络在分布式小平台应用场景实现水下纯方位定位的方法。
背景技术
高灵活、低成本的分布式无人平台协同探测系统在水声被动探测定位领域得到了广泛应用。分布式小平台采集的信号经预处理后可以获得对目标的测向结果，利用纯方位无源定位方法可以进一步解算获得对目标位置的估计结果。随着人们对海洋领土监测的需求不断提升以及在海洋领域的活动日益频繁，对分布式无人平台协同探测系统的探测、定位的精度需求也逐渐提高。为了获得符合精度需求的定位结果，需要研究抗噪声干扰的高精度纯方位无源定位方法。
实际环境中，受平台小尺寸的制约，在低信噪比环境下平台获得的测向信息通常受噪声干扰较为严重，纯方位无源定位方法的精度也随之受到影响，而这也是主要的研究难点。传统纯方位无源定位方法主要利用加权的线性模型对非线性的定位模型进行近似，当测量噪声过大的情况下，近似模型的误差也会增大。随着神经网络方法的发展，这种数据驱动的方法直接在层级之间引入非线性激活函数，使得模型能力突破线性模型的局限，理论上比线性近似的方法更能挖掘出观测噪声的影响。
其中，文献(王本才,王国宏,何友.多站纯方位无源定位算法研究进展[J].电光与控制,2012,19(5):7.)总结了多种传统的纯方位无源定位方法，将传统的方法按是否基于初值迭代分为解析类线性近似方法和迭代类线性近似方法，文献(Doanay K.Bearings-only target localization using total least squares[J].Signal Processing,2005,85(9):1695-1710.)使用了解析类TLS算法进行纯方位无源定位，文献(Foy W H.Position-Location Solutions by Taylor-Series Estimation[J].IEEE Transactions onAerospace and Electronic Systems,2007,AES-12(2):187-194.)使用了迭代类泰勒展开算法进行纯方位无源定位，专利申请CN109375159A使用了非线性加权的TLS算法进行纯方位无源定位，专利申请CN107797091A使用了基于子空间的迭代类算法进行纯方位无源定位。解析类算法的定位性能通常低于迭代类算法，但是迭代类算法的计算量更大。文献(张旭,李智生.大范围海域多站纯方位定位精度分布特性估计[J].信号处理,2020,36(12):2052-2060.)利用基于泰勒展开的ML估计实现了30km×20km范围的多基地小平台纯方位无源定位，此类方法定位精度明显提升，但是计算较为复杂，且定位精度对迭代初值有依赖性，如果对目标初值的估计与真实值偏差过大，迭代法难以收敛。
文献(Li N,Shen C,Zhang K,et al.The TDOA Algorithm Based on BP NeuralNetwork Optimized by Cuckoo Search[C]//2019International Conference onRobots&Intelligent System(ICRIS).2019.)和(罗争,张旻.基于径向基神经网络的空间目标测向定位算法[J].探测与控制学报,2011,33(3):6.)是利用神经网络模型在其他应用场景定位的结果。文献(Li N,Shen C,Zhang K,et al.The TDOA Algorithm Based on BPNeural Network Optimized by Cuckoo Search[C]//2019International Conference onRobots&Intelligent System(ICRIS).2019.)在UWB室内定位系统中提出使用基于单隐藏层神经网络(FCNN)的定位方法，通过多基站时延信息估计目标位置，并且获得了比传统chan算法精度更高更稳健的结果。文献(罗争,张旻.基于径向基神经网络的空间目标测向定位算法[J].探测与控制学报,2011,33(3):6.)针对双站纯方位定位问题使用径向基神经网络(RBF)，定位精度明显高于传统基于解析类的改进算法，但是没有考虑噪声对定位精度的影响。
因此，水声纯方位定位应用场景下，传统方法中解析类算法在近距离的定位性能较差，迭代类算法在远距离的定位性能受初值影响较大，且现有方法中利用神经网络模型定位的应用仍然较少。
发明内容
本发明的目的是为解决传统解析类算法在近距离的定位性能较差，迭代类算法在远距离的定位性能受初值影响较大的问题，而提出的一种基于神经网络的分布式小平台水下纯方位定位方法。
本发明为解决上述技术问题所采取的技术方案是：一种基于神经网络的分布式小平台水下纯方位定位方法，所述方法具体包括以下步骤：
步骤一、从纯方位定位方程中提取影响定位的特征并进一步处理，获取两步式神经网络模型的输入特征；
步骤二、设计并搭建包括分类网络和回归网络的两步式神经网络模型；
步骤三、利用步骤一中获得的输入特征对两步式神经网络模型进行训练，获得训练好的两步式神经网络模型；
步骤四、在对目标的实际定位过程中，采用步骤一的方式对实际数据进行处理，再将处理结果作为训练好的两步式神经网络模型的输入，通过训练好的两步式神经网络模型输出对目标的定位结果；
通过获得的一段时间历程下的目标定位结果，得到对目标轨迹的估计结果。
进一步地，所述步骤一的具体过程为：
将布放的n个平台的位置坐标分别表示为[xsi,ysi]，i＝1,2,...n，其中，[xsi,ysi]代表第i个平台的位置坐标，将待测水面目标的位置坐标表示为[xt,yt]；
平台和待测水面目标的位置坐标是指平面直角坐标系下的坐标；
则每个平台对待测水面目标的测向信息βmi，i＝1,2,...n为：
Figure BDA0003532625790000031
其中，Δεi为第i个平台的测向误差；
第i个平台的噪声特征std(Δεi)为：
Figure BDA0003532625790000032
其中，
Figure BDA0003532625790000033
为俯仰角，σi代表第i个平台在1Hz带宽内的输入谱级信噪比，B表示带宽，T表示观测时间，sqrt(·)是平方根函数，std(·)是标准差函数；
将βmi和std(Δεi)组合后获得融合结果Ei，i＝1,2,...n，再将融合结果Ei，i＝1,2,...n组成的特征(E1,E2...,En)作为输入特征，将[xt,yt]作为输入特征对应的标签，利用(E1,E2...,En)和[xt,yt]作为两步式神经网络模型的一组训练集；
同理，通过多次仿真获得两步式神经网络模型的多组训练集。
进一步地，所述分类网络的输出层前设置有softmax激活函数，分类网络输出的是待测水面目标属于每个区域类别的概率。
进一步地，所述回归网络用于获得待测水面目标的定位结果。
进一步地，所述两步式神经网络模型利用数学公式表示为：
Figure BDA0003532625790000034
其中，X是两步式神经网络模型的输入特征，Y是待测水面目标的真实位置，
Figure BDA0003532625790000041
是线性函数，
Figure BDA0003532625790000042
是非线性函数，M是嵌套网络层数，[xmt,ymt]＝Ym是两步式神经网络模型估计出的待测水面目标位置；
J(θ)＝(Ym-Y)2，两步式神经网络模型的目标是训练一组参数θ，使得估计出的待测水面目标位置和真实位置的均方误差最小。
进一步地，所述嵌套网络层数M的取值为M≥2。
进一步地，所述两步式神经网络模型中，选取categorical crossentropy作为分类网络的损失函数；选取MeanSquaresError(MSE)作为回归网络的损失函数；使用tanh函数作为隐藏层的激活函数；选择Adam作为两步式神经网络模型的优化器。
进一步地，所述两步式神经网络模型的目标定位结果利用定位结果偏移程度来评价。
更进一步地，所述定位结果偏移程度的定义为：
Figure BDA0003532625790000043
式中，C为定位结果偏移程度，area代表分类网络输出的目标所属区域，N代表划分的区域个数，Iη是目标所属区域特征相关系数的置信度阈值，lstep是目标所属区域的定位步长，
Figure BDA0003532625790000044
是目标的隐藏层特征与目标所属区域内各个网格点仿真目标的隐藏层特征对应的相关系数，Star是定位模糊度图面积，即Star为
Figure BDA0003532625790000045
在Iη置信度下的置信区间面积，是目标所属区域中的网格点相关系数在置信度阈值以上的网格点数占目标所属区域所有网格点数的比例。
本发明的有益效果是：
本发明利用测向信息和噪声特征获得目标定位结果，在低信噪比条件下，获得了比传统解析类算法、迭代类算法以及其他基于神经网络模型的双站纯方位定位方法更高精度的定位结果，且计算量较小，定位性能不再受初值影响。
而且，本发明利用仿真数据训练网络，并可以应用于实际数据，对实际数据的数据量需求低，适用于水声实际应用场景。本发明对非合作目标可以进一步获得定位结果偏移程度，给出对非合作目标定位结果的评价。
附图说明
图1为本发明的纯方位定位方法框架图；
图2为纯方位定位测向方向线交汇图；
图3为本发明的定位特征设计方法图；
图4为两步式网络结构的定位流程图；
图5a为多种方法仿真区域范围对角线剖面的SNR-RMSE图(6.8dB-10dB)；
图5b为多种方法仿真区域范围对角线剖面的SNR-RMSE图(16dB-21dB)；
图6a为仿真航迹定位结果图；
图6b为定位结果偏移程度图；
图7a为LLS算法的实际目标轨迹估计结果图；
图7b为WLS算法的实际目标轨迹估计结果图；
图7c为TLS算法的实际目标轨迹估计结果图；
图7d为TS-FCNN方法的实际目标轨迹估计结果图；
图7e为NFB-FCNN方法的实际目标轨迹估计结果图；
图7f为本发明的NFB-TS-FCNN方法的实际目标轨迹估计结果图；
图8a为非合作目标AIS的实际航迹定位结果图；
图8b为非合作目标AIS的定位结果偏移程度图。
具体实施方式
下面结合图1纯方位定位方法框架图对本发明进行详细描述，本发明的具体实施方式分为以下步骤：
步骤一、从纯方位定位方程中提取影响定位的特征并进一步处理为网络输入特征：仿真多个布放位置已知的分布式小平台以及在一定区域内运动的待观测目标之间的几何关系，以便获得平台对目标的测向信息，并且通过克拉美罗下界经验公式获得对应的噪声特征。每个平台的测向信息和噪声特征组合并进行数值尺度统一后，对应唯一的目标位置，分别作为训练集的样本特征和标签。
步骤一的具体过程如下：
如图2所示的纯方位无源定位模型中，设n个平台布放在区域内，设待测水面目标坐标为[xt,yt]，每个平台Sn坐标为[xsi,ysi](i＝1,2,...n)，实际的测向结果βmi(i＝1,2,...n)是方位角βi与测向误差Δεi叠加的结果，每个平台对目标的测向结果βmi(i＝1,2,...n)为：
Figure BDA0003532625790000051
测向误差Δεi是一个随机变量，它的存在导致多平台测向结果无法汇聚于同一点，通常多条方位线交汇形成一个封闭的区域。测向误差Δεi对于纯方位无源定位的影响不能直接获得，需要通过测向误差标准差近似表示。纯方位定位的测向误差标准差std(Δεi)的估计值可以由方位估计的克拉美罗下界CRLB经验公式近似给出：
Figure BDA0003532625790000061
对于远场目标，俯仰角可以忽略
Figure BDA0003532625790000062
式中
Figure BDA0003532625790000063
代表1Hz带宽内的输入谱级信噪比，B表示带宽，T表示观测时间。std(Δεi)可以作为一个稳定特征反映测向误差Δεi的变化规律。
步骤二、设计并搭建神经网络：根据设计的两步式结构搭建实现不同功能的神经网络，分类网络输出目标所在的大致区域，回归网络输出目标的准确位置。
步骤二的具体过程如下：
如图3所示，对特征设计方法进行说明。在纯方位无源定位模型中，目标位置[xt,yt]与其他观测量E1,E2...,En具有非线性关系，神经网络模型对非线性关系的映射等同于使用一系列线性函数和非线性函数复合结构拟合纯方位定位方程，用数学公式表示为：
Figure BDA0003532625790000064
式中
Figure BDA0003532625790000065
是线性函数，
Figure BDA0003532625790000066
是非线性函数，M是嵌套网络层数。网络的目标是训练一组参数θ，使得估计目标坐标和真实目标坐标的均方误差最小，实现比传统定位方法精度更高、更稳健的纯方位无源定位。
根据对定位模型的分析，使用FCNN模型进行纯方位定位时，每个平台对目标的测向信息和噪声特征(测向误差标准差)形成融合特征，进一步处理异常特征并统一数值尺度后，即可作为神经网络训练的输入特征。
如图4所示，本发明两步式网络结构定位流程是将输入特征先通过分类网络判断目标所属区域，再通过回归网络获得具体的定位结果，因此分类网络在输出层前加入softmax激活函数，输出的是目标属于每个区域类别的可能性，回归网络输出层前无激活函数，输出的是定位结果。
设计两步式网络结构还需要确定分类网络和定位网络的基础架构，即设计网络层级深度和每层宽度。网络模型架构确定遵循穷举实验法，通过仿真数据的测试集损失函数选择最优组合，将测试集损失函数最小的网络层数和网络宽度组合情况视为最优网络架构。分类网络和定位网络可以使用同一种基础架构，只通过改变输出层前的激活函数实现不同功能。
步骤三、训练神经网络：利用仿真训练集训练参数，对网络合理选择损失函数和优化器，循环多次迭代获得网络参数。
利用仿真训练集训练搭建的神经网络结构，对于分类网络，损失函数使用categorical crossentropy，回归网络损失函数使用MeanSquaresError(MSE)，隐藏层的激活函数使用tanh函数，优化器选择Adam，循环多个周期多次训练网络。
步骤四、神经网络进行纯方位无源定位：将实际数据按训练集构建方式获得一定时间历程下的平台测向信息和噪声特征，并构建成为测试集，将测试集输入到训练集训练完毕的网络中，获得网络对目标的纯方位无源定位结果。
网络参数训练完成后，将待测的实际数据按照构造训练集的方式构造测试集，再将测试集的样本输入到训练好的网络中，获得对目标轨迹的估计结果。
对于本发明的仿真条件，在24km×24km的大范围区域范围内综合考虑每个区域数据量和分类网络数目的均衡，分类区域area的划分如表1所示：
表1定位网络区域划分
Figure BDA0003532625790000071
步骤五、获得非合作目标的定位结果偏移程度：当待测目标是非合作目标，无法利用常用指标衡量定位结果时，利用网络中间层特征可以计算获得定位结果偏移程度，给出对定位结果的评价。
针对非合作目标定位结果不易用RMSE等指标衡量的问题，网络隐藏层特征的相关性可以给出评价网络定位结果的一种新的检验统计量——定位结果偏移程度，对非合作目标也能获得网络定位结果的评价。无法获取真值的定位情况，定位结果偏移程度C是反映网络定位结果与目标真值偏移程度新的统计量，给出本发明对定位结果偏移程度C的公式定义：
Figure BDA0003532625790000081
式中，Iη对应每个区域特征相关系数的置信度阈值，lstep是每个区域的定位步长，
Figure BDA0003532625790000082
是目标的隐藏层特征与区域内各个网格点仿真目标的隐藏层特征对应的相关系数，Star是定位模糊度图面积，定义为
Figure BDA0003532625790000083
在Iη置信度下的置信区间面积，定位偏移程度C近似为Star对应的半径长度。
本发明使用噪声特征辅助的两步式全连接层神经网络方法(NFB-TS-FCNN)实现纯方位定位。FCNN是以神经元分层串并行结构实现多函数复合的模型结构，层级之间由非线性激活函数串联，非线性激活函数使得FCNN模型的拟合能力突破线性函数的局限。理论上，这种复合结构比基于非线性最小二乘法的传统加权方式更易挖掘噪声特征对目标估计的潜在影响。
本发明主要有以下三点优势：
(1)将平台方位角测量值和测向误差标准差估计值作为网络输入特征。根据非线性定位方程设计输入网络的特征，将测向误差标准差估计值视为噪声特征，与方位角测量值特征结合使用，噪声特征辅助的神经网络方法(NFB-FCNN)比基于非线性最小二乘法的传统加权方式更能充分利用噪声特征，获得更准确的定位结果。
(2)设计了两步式的网络结构。FCNN模型训练的参数是一组固定的参数，而噪声特征会随着平台与待测目标的距离产生分布上的变化，两步式的网络结构先对目标所属区域进行粗分类，然后再进一步实现精确定位。分类网络的目的是通过输入特征获得目标所在区域结果；对每一类别适用范围的训练集训练对应的网络参数，回归网络的目的是通过分类网络的结果确定合适的网络参数，并进一步利用输入特征获得定位结果。这种两步式结构(TS-FCNN)兼顾远近距离的定位性能，且不会出现传统方法中受初值影响严重的问题。
(3)针对非合作目标定位的定位偏移程度给出对定位结果评价。非合作目标的定位结果不易用常用指标衡量，因此定位结果的准确程度也无法衡量。本发明利用网络中间层特征的相关性计算得出定位偏移程度的指标，对非合作目标也能给出定位结果的评价，比起传统方法只给出定位结果的结果更全面。
综上所述，本发明提出的NFB-TS-FCNN纯方位定位方法具有定位精度高、不受初值影响、定位结果全面的优点，且仿真数据训练的网络可以用于实际数据，适合水声数据量少的应用场景。
具体实施示例：
1、利用仿真数据构建的测试集分析本发明的性能，并与其他方法进行对比。传统定位方法选择其他文献提及的线性最小二乘法(LLS)、非线性最小二乘法(WLS)和总体最小二乘法(TLS)三种，LLS算法直接求得解析解，WLS和TLS两种算法解析得初值后利用迭代法进一步令初值收敛。常规FCNN定位方法指对比本发明NFB-TS-FCNN定位方法的TS-FCNN定位方法和NFB-FCNN定位方法两种，通过蒙特卡洛仿真实验得到各方法的定位结果。
仿真1：在24km×24km区域范围内网格点上仿真目标位置，并且在已知平台位置的参考下构建仿真输入特征。图5a和图5b分别展示了不同方法对同一目标在仿真区域内相同对角线剖面上不同信噪比条件下的RMSE结果，并可以得到如下的结论：
(1)低信噪比条件下，约束RMSE≤2.5km是区域的有效定位指标，传统方法中，LLS算法的最远可定位距离达到了约14.9km，TLS算法和WLS算法因迭代法在部分初值点没有收敛，定位性能有所下降，达到约14.6km。
基于FCNN的定位方法中，三种定位方法均优于传统方法，TS-FCNN和NFB-FCNN均达到了约18.7km的最远可定位距离，NFB-TS-FCNN达到了18.8km的最远可定位距离。
(2)高信噪比条件下，约束RMSE≤0.05km是区域的有效定位指标，则传统方法中，LLS算法的最远可定位距离约4.55km，TLS算法利用奇异值分解计算初值，WLS算法利用加权矩阵计算初值，并通过迭代法进一步收敛，最远可定位距离均达到约4.94km，在LLS算法上进一步提高了定位性能。
基于FCNN的定位方法中，NFB-FCNN方法的RMSE几乎都在0.05km以上，缺失两步式结构只使用一组网络参数的NFB-FCNN方法在近距离区域无法实现准确定位。缺失噪声特征的TS-FCNN方法定位性能略逊于本发明的NFB-TS-FCNN方法，TS-FCNN方法达到了约4.86km的最远定位距离，而NFB-TS-FCNN方法达到了约4.91km的最远定位距离，达到了与WLS算法和TLS算法相近的定位性能。
仿真2：构建一条方位不变的仿真航迹，起始点分别为(6600m,10050m)和(-8800m,-5200m)，在航迹上均匀选取几个定位点。仿真航迹的定位估计结果如图6a所示，定位结果偏移程度与定位误差对比如图6b所示，目标与平台距离由远及近再及远。在真值未知的情况下，本发明方法估计出了每个定位点的估计位置与真实位置的偏移距离，定位偏移程度与真实定位误差曲线变化趋势基本一致，最近通过点在第11至第14个定位点之间，真实定位误差在0.04km-1.67km波动，定位结果偏移程度给出的估计值在0.09km-2.39km波动。定位结果偏移程度对定位结果的评价在趋势和数值上都与定位误差较为一致，是具有实际意义的。
2、使用实际的实验数据验证本发明的性能，并与传统算法和常规FCNN方法进行对比，实际数据的目标轨迹估计结果如图7a至图7f所示。传统定位方法估计的轨迹在目标与平台相距较远时比较分散，部分散点偏移严重，基于FCNN的方法估计轨迹的散点整体较为聚集，在远距离处定位性能有效提升。NFB-TS-FCNN方法在远近距离的定位误差均较低，是一种兼顾稳定性和定位性能的方法。
另外，考虑非合作目标AIS未知时无法获得真实的定位误差，网络定位结果偏移程度可代替定位误差来评价定位结果。如图8a和图8b所示，实际数据的定位结果偏移程度与真实定位误差变化趋势基本一致，目标与平台距离由远及近再及远，最近通过点在第11至第14个定位点之间，真实定位误差在0.04km-2.48km波动，定位结果偏移程度给出的估计值在0.12km-2.17km波动。定位结果偏移程度在趋势和数值上都与定位误差较为一致。
本发明的上述算例仅为详细地说明本发明的计算模型和计算流程，而并非是对本发明的实施方式的限定。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，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (8)

1.一种基于神经网络的分布式小平台水下纯方位定位方法，其特征在于，所述方法具体包括以下步骤：
步骤一、获取两步式神经网络模型的输入特征；
所述步骤一的具体过程为：
将布放的n个平台的位置坐标分别表示为[xsi,ysi]，i＝1,2,...n，其中，[xsi,ysi]代表第i个平台的位置坐标，将待测水面目标的位置坐标表示为[xt,yt]；
则每个平台对待测水面目标的测向信息βmi，i＝1,2,...n为：
Figure FDA0003770345520000011
其中，Δεi为第i个平台的测向误差；
第i个平台的噪声特征std(Δεi)为：
Figure FDA0003770345520000012
其中，
Figure FDA0003770345520000013
为俯仰角，σi代表第i个平台在1Hz带宽内的输入谱级信噪比，B表示带宽，T表示观测时间，sqrt(·)是平方根函数，std(·)是标准差函数；
将βmi和std(Δεi)组合后获得融合结果Ei，i＝1,2,...n，再将融合结果Ei，i＝1,2,...n组成的特征(E1,E2...,En)作为输入特征，将[xt,yt]作为输入特征对应的标签，利用(E1,E2...,En)和[xt,yt]作为两步式神经网络模型的一组训练集；
同理，通过多次仿真获得两步式神经网络模型的多组训练集；
步骤二、设计并搭建包括分类网络和回归网络的两步式神经网络模型；
步骤三、利用步骤一中获得的输入特征对两步式神经网络模型进行训练，获得训练好的两步式神经网络模型；
步骤四、在对目标的实际定位过程中，采用步骤一的方式对实际数据进行处理，再将处理结果作为训练好的两步式神经网络模型的输入，通过训练好的两步式神经网络模型输出对目标的定位结果；
通过获得的一段时间历程下的目标定位结果，得到对目标轨迹的估计结果。
2.根据权利要求1所述的一种基于神经网络的分布式小平台水下纯方位定位方法，其特征在于，所述分类网络的输出层前设置有softmax激活函数，分类网络输出的是待测水面目标属于每个区域类别的概率。
3.根据权利要求2所述的一种基于神经网络的分布式小平台水下纯方位定位方法，其特征在于，所述回归网络用于获得待测水面目标的定位结果。
4.根据权利要求3所述的一种基于神经网络的分布式小平台水下纯方位定位方法，其特征在于，所述两步式神经网络模型利用数学公式表示为：
Figure FDA0003770345520000021
其中，X是两步式神经网络模型的输入特征，Y是待测水面目标的真实位置，
Figure FDA0003770345520000022
是线性函数，
Figure FDA0003770345520000023
是非线性函数，M是嵌套网络层数，[xmt,ymt]＝Ym是两步式神经网络模型估计出的待测水面目标位置；
J(θ)＝(Ym-Y)2，两步式神经网络模型的目标是训练一组参数θ，使得估计出的待测水面目标位置和真实位置的均方误差最小。
5.根据权利要求4所述的一种基于神经网络的分布式小平台水下纯方位定位方法，其特征在于，所述嵌套网络层数M的取值为M≥2。
6.根据权利要求5所述的一种基于神经网络的分布式小平台水下纯方位定位方法，其特征在于，所述两步式神经网络模型中，选取categorical crossentropy作为分类网络的损失函数；选取MeanSquaresError作为回归网络的损失函数；使用tanh函数作为隐藏层的激活函数；选择Adam作为两步式神经网络模型的优化器。
7.根据权利要求6所述的一种基于神经网络的分布式小平台水下纯方位定位方法，其特征在于，所述两步式神经网络模型的目标定位结果利用定位结果偏移程度来评价。
8.根据权利要求7所述的一种基于神经网络的分布式小平台水下纯方位定位方法，其特征在于，所述定位结果偏移程度的定义为：
Figure FDA0003770345520000031
式中，C为定位结果偏移程度，area代表分类网络输出的目标所属区域，N代表划分的区域个数，Iη是目标所属区域特征相关系数的置信度阈值，lstep是目标所属区域的定位步长，
Figure FDA0003770345520000032
是目标的隐藏层特征与目标所属区域内各个网格点仿真目标的隐藏层特征对应的相关系数，Star是定位模糊度图面积。
CN202210213443.3A 2022-03-04 2022-03-04 一种基于神经网络的分布式小平台水下纯方位定位方法 Active CN114580615B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210213443.3A CN114580615B (zh) 2022-03-04 2022-03-04 一种基于神经网络的分布式小平台水下纯方位定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210213443.3A CN114580615B (zh) 2022-03-04 2022-03-04 一种基于神经网络的分布式小平台水下纯方位定位方法

Publications (2)

Publication Number Publication Date
CN114580615A CN114580615A (zh) 2022-06-03
CN114580615B true CN114580615B (zh) 2022-09-23

Family

ID=81773158

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210213443.3A Active CN114580615B (zh) 2022-03-04 2022-03-04 一种基于神经网络的分布式小平台水下纯方位定位方法

Country Status (1)

Country Link
CN (1) CN114580615B (zh)

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5526001A (en) * 1992-12-11 1996-06-11 Litton Systems Inc. Precise bearings only geolocation in systems with large measurements bias errors
KR101686171B1 (ko) * 2010-06-08 2016-12-13 삼성전자주식회사 영상 및 거리 데이터를 이용한 위치 인식 장치 및 방법
CN104793201B (zh) * 2015-05-04 2018-04-24 哈尔滨工业大学 一种跟踪临近空间高超声速目标的修正变结构网格交互多模型滤波方法
CN104994568B (zh) * 2015-06-19 2018-11-02 山东科技大学 网络定位中基于联盟博弈的功率分配方法
CN106535217B (zh) * 2016-12-15 2020-02-28 中铁二院工程集团有限责任公司 基于gdop分析的gsm-r干扰源融合定位方法
CN111025229B (zh) * 2019-12-19 2022-11-01 哈尔滨工程大学 一种水下机器人纯方位目标估计方法
CN111179042B (zh) * 2020-04-10 2020-11-03 支付宝(杭州)信息技术有限公司 确定用户消费地点的方法、系统及装置
CN111461353A (zh) * 2020-04-17 2020-07-28 支付宝(杭州)信息技术有限公司 一种模型训练的方法和系统
CN111833395B (zh) * 2020-06-04 2022-11-29 西安电子科技大学 一种基于神经网络模型的测向体制单目标定位方法和装置
CN111882057A (zh) * 2020-06-19 2020-11-03 苏州浪潮智能科技有限公司 一种面向时空序列数据建模的多阶段深度学习方法及应用
CN112556682B (zh) * 2021-02-07 2023-06-23 天津蓝鳍海洋工程有限公司 一种水下复合传感器目标自动检测算法
CN113485441B (zh) * 2021-08-03 2024-08-20 国网江苏省电力有限公司泰州供电分公司 结合无人机高精度定位和视觉跟踪技术的配网巡检方法
CN113642252B (zh) * 2021-08-31 2022-05-17 中国人民解放军国防科技大学 基于单颗卫星的目标定位方法、装置、电子设备及介质
CN113721276B (zh) * 2021-08-31 2022-08-16 中国人民解放军国防科技大学 基于多颗卫星的目标定位方法、装置、电子设备及介质

Also Published As

Publication number Publication date
CN114580615A (zh) 2022-06-03

Similar Documents

Publication Publication Date Title
CN102540162B (zh) 基于海杂波的低空电磁波传播特性估计方法
CN107831490A (zh) 一种改进的多扩展目标跟踪方法
CN108427112A (zh) 一种改进的多扩展目标跟踪方法
CN110401978B (zh) 基于神经网络和粒子滤波多源融合的室内定位方法
CN108318856A (zh) 一种异构网络下快速精准的目标定位与跟踪方法
CN111190211B (zh) 一种gps失效位置预测定位方法
CN105549005A (zh) 一种基于网格划分的动态目标波达方向跟踪方法
CN105137418A (zh) 基于全邻模糊聚类的多目标跟踪与数据互联方法
US9213100B1 (en) Bearing-only tracking for horizontal linear arrays with rapid, accurate initiation and a robust track accuracy threshold
CN106468771A (zh) 一种低可观测高杂波条件下的多目标检测与跟踪方法
CN114942428A (zh) 多目标跟踪的混合体制雷达数据关联算法
Aernouts et al. Combining TDoA and AoA with a particle filter in an outdoor LoRaWAN network
CN115356702B (zh) 一种基于海上多源雷达回波的蒸发波导深度学习联合反演方法
Su et al. Underwater angle-only tracking with propagation delay and time-offset between observers
CN104093204A (zh) 一种基于无线传感器网络的rssi区域定位方法
CN114139566A (zh) 基于机器学习加权平均融合特征提取提高测高精度的方法
CN114580615B (zh) 一种基于神经网络的分布式小平台水下纯方位定位方法
CN108761384A (zh) 一种抗差的传感器网络目标定位方法
CN113344970A (zh) 基于多伯努利的非规则多扩展目标联合跟踪与分类方法
Zhang et al. Modeling of spatial distributions of farmland density and its temporal change using geographically weighted regression model
CN109188420B (zh) 基于深度长短期记忆网络的窄带雷达目标跟踪方法
CN114565020B (zh) 一种基于深度置信网络和扩展卡尔曼滤波的飞行器传感器信号融合方法
CN115623422A (zh) 三维战场辐射源定位跟踪方法
Ma et al. A Method for Establishing Tropospheric Atmospheric Refractivity Profile Model Based on Multiquadric RBF and k-means Clustering
CN103218509A (zh) 一种基于硬件的复合抗干扰数据关联方法

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