CN115119142A - 一种基于传感器网络的分布式直接定位方法 - Google Patents

一种基于传感器网络的分布式直接定位方法 Download PDF

Info

Publication number
CN115119142A
CN115119142A CN202210713276.9A CN202210713276A CN115119142A CN 115119142 A CN115119142 A CN 115119142A CN 202210713276 A CN202210713276 A CN 202210713276A CN 115119142 A CN115119142 A CN 115119142A
Authority
CN
China
Prior art keywords
sensor
particle
array
target
iteration
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.)
Pending
Application number
CN202210713276.9A
Other languages
English (en)
Inventor
彭冬亮
翁一鸣
陈志坤
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi 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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202210713276.9A priority Critical patent/CN115119142A/zh
Publication of CN115119142A publication Critical patent/CN115119142A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
    • H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Algebra (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于传感器网络的分布式直接定位方法。目前的分布式直接定位算法低信噪比下定位精度较低的问题。为提高分布式直接定位精度，本发明采用如下方案：一、推导了基于子空间数据融合算法的高分辨率直接定位分布式优化模型。二、针对目标位置初始值求解的问题，采用基于向量评估的粒子群算法得到目标位置迭代初始值的粗估计，然后利用传统聚类算法得到目标位置迭代初始值，避免了传统两步定位算法参数匹配的问题。三、引入分布式优化领域中的精确一阶算法，通过两步梯度信息迭代求解达到集中式直接定位的精度，解决分布式处理导致定位精度损失的问题。

Description

一种基于传感器网络的分布式直接定位方法
技术领域
本发明属于无源定位技术领域，具体涉及一种基于传感器网络的分布式直接定位方法。
背景技术
无源定位技术有较好的定位性能与安全性，被广泛应用于无源雷达、声学传感器、传感器网络等诸多领域。按定位步骤，无源定位技术可分为传统两步法与直接定位法。传统两步法首先基于传感器接收信号，估计定位相关参数，例如方向角、多普勒、时延参数等，然后利用定位参数信息与传感器位置信息，联立得到定位相关方程，估计目标位置。两步法需估计中间参数，造成目标信息的损失，因此其定位性能是次优的。而直接定位法直接利用传感器信号估计目标位置，有着较高的定位精度与鲁棒性。
随着传感器网络技术的发展与大数据时代的到来，分布式定位技术成为当今的研究热点之一。结合直接定位技术与分布式处理信息技术，分布式直接定位方法被相继提出。分布式直接定位方法在各个节点分布式处理传感器信息，相较于集中式直接定位方法，存在诸多优势。分布式直接定位方法没有固定的融合中心，所有传感器共同承担定位任务，有利于降低各传感器的计算代价与通信代价，同时提高传感器网络定位系统的鲁棒性与扩展性。
现有的分布式直接定位技术，在低信噪比环境下，定位精度较低，实用价值较低，因此本文提出了一种基于传感器网络的分布式直接定位方法。该算法基于相邻传感器信息，首先采用基于向量评估的粒子群优化算法，先行计算得到目标位置的粗估计，然后采用聚类算法得到目标位置迭代初始值，最后利用精确一阶算法迭代求解目标位置，大大提高了定位精度，有较高的实际应用价值。
发明内容
本发明的目的在于针对现有技术的不足，提供一种基于传感器网络的分布式直接定位方法。
一种基于传感器网络的分布式直接定位方法，包括以下步骤：
步骤(1)、根据仿真定位场景产生传感器接收信号：
根据预设的辐射源目标数Q、快拍数N、载波频率fc、调频率u、采样率fs，产生线性调频信号的离散形式sq(n)，n＝1,...,N，q＝1,...,Q；
预设传感器阵元数M、阵元间距d，得第m个阵元向量
Figure BDA0003707743670000021
其中，m＝1,...,M，T表示转置；
根据传感器位置pr、辐射源目标位置pq、信号波长λ，得到波数向量信息
Figure BDA0003707743670000022
其中，||·||为取模符号，Δdist表示传感器位置距辐射源目标位置的距离向量，u表示辐射源目标距传感器的单位方向向量；
将阵元向量、波数向量相结合组成传感器r阵列导向矢量：
Figure BDA0003707743670000023
其中j表示虚数；
调用randn()函数并设定合适的信噪比参数SNR来加入噪声wr(n)，则传感器r阵列接收信号为如下形式:
Figure BDA0003707743670000024
其中，sq(n)表示辐射源目标q信号的离散形式；
为便于计算，设传感器r的N个快拍阵列接收信号矩阵Zr＝[zr(1),...,zr(N)]，传感器r的Q个辐射源目标的阵列导向矢量矩阵Ar＝[ar(p1),...,ar(pQ)]，Q个辐射源目标离散信号矩阵Sr＝[s1,...,sq]T，其中sq＝[sq(1),...,sq(N)]T，传感器r阵列接收噪声信号矩阵，Wr＝[wr(1),..,wr(n)]；将传感器r阵列接收信号模型转化为矩阵形式：
Zr＝ArSr+Wr (3)
步骤(2)、各传感器计算阵列接收信号的协方差矩阵，构建子空间代价函数Jr(p)；具体是：
根据传感器r的阵列接收信号，得到阵列接收信号的协方差矩阵：
Figure BDA0003707743670000025
其中zr表示传感器r的阵列接收信号，符号H表示共轭转置运算；
由公式(4)进行特征值分解，得到M个特征值eig及其对应的M个特征向量ξ；
上述特征值按大小排序满足如下关系：
eig1 eig2 eigQ eigQ+1＝eigM (5)
取M-Q个较小特征值对应的特征向量构成噪声子空间
Figure BDA0003707743670000031
根据MUSIC空间谱估计算法原理，构造传感器r的子空间代价函数为：
Figure BDA0003707743670000032
其中p为目标可能存在的位置，ar(p)表示位置p对应的阵列导向矢量，当p＝pq时，子空间代价函数取得极小值；
步骤(3)、结合传感器网络结构，构建分布式直接定位局部代价函数J′r(p)；具体是：
各传感器与相邻传感器交换子空间代价函数信息，构建分布式直接定位局部代价函数为：
Figure BDA0003707743670000033
其中
Figure BDA0003707743670000034
其中Cr表示传感器r与相邻传感器构成的传感器集合，记作传感器簇，Dr表示传感器簇Cr内传感器数量，Jl(p)表示传感器l的子空间代价信息，l为传感器r对应的传感器簇Cr中可能取到的传感器；
步骤(4)、采用基于向量评估的粒子群优化算法估计目标位置迭代初始值粗估计；
步骤(5)、基于聚类优化算法估计目标位置迭代初始值；
步骤(6)、基于精确一阶算法优化目标定位结果。
作为优选，步骤(4)是以各传感器为独立的智能体，每一个智能体以局部直接定位代价函数为适应度函数，创建一个粒子群，并行计算估计目标位置，其具体如下：
4-1定义并初始化各传感器粒子群算法粒子数Np，迭代次数Niter1，传感器簇中最佳粒子位置
Figure BDA0003707743670000035
每个传感器中粒子群的最优粒子位置pg[r]，粒子群中粒子i历史最优位置pi，粒子群中粒子i当前位置xoyi；
4-2更新各粒子i历史最优位置：
如果Jr(xoyi)＜Jr(pi)，令pi＝xoyi，反之则不更新；其中，J′r(xoyi)表示分布式直接定位局部代价函数J′r(p)，p取xoyi时的值，J′r(pi)表示分布式直接定位局部代价函数J′r(p)，p取pi时的值；
4-3更新各粒子群最优粒子位置：
如果Jr(pi)＜Jr(pg[r])，令pg[r]＝pi，反之则不更新；其中，J′r(pg[r])表示分布式直接定位代价函数J′r(p)，p取pg[r]时的值；
4-4更新传感器簇中最佳粒子位置：
随机取传感器簇中传感器l的粒子群的最优粒子位置，即传感器的任一最优粒子位置pg[l]∈Cr赋值给该传感器所在传感器簇最佳粒子位置
Figure BDA0003707743670000041
4-5更新各粒子速度状态：
Figure BDA0003707743670000042
其中，vi为第i个粒子的速度，xoyi为第i个粒子当前位置，χ表示缩放系数，
Figure BDA0003707743670000043
与
Figure BDA0003707743670000044
分别表示在
Figure BDA0003707743670000045
与
Figure BDA0003707743670000046
范围内生成的随机向量，
Figure BDA0003707743670000047
表示向量点乘运算符；
4-6更新各粒子当前位置状态：
xoyi＝xoyi+vi (9)
4-7重复上述步骤(4-2至4-6)直到迭代达到预设值，令各个粒子历史最优位置pi作为目标位置迭代初始值的粗估计。
作为优选，步骤(5)是利用聚类加快得到目标位置迭代初始值，具体如下：
5-1基于目标数，预设聚类算法簇个数为loc_num；
5-2基于步骤(4)所得的迭代初始值粗估计pi，即各个粒子历史最优位置信息，随机确定loc_num个粒子历史最优位置作为聚类算法的质心；
5-3对每个传感器有步骤(4)各个粒子历史最优位置pi依次计算到loc_num个质心的距离，选择距离最小的质心，并将其分配给该质心所对应的聚类簇，直到该传感器中所有粒子全都分配给loc_num个簇，更新loc_num个聚类簇的质心为该簇所有点的平均值；
5-4重复上述步骤(5-3)直到所有粒子分配结果不再发生变化，取loc_num个聚类簇的质心位置作为目标位置迭代初始值，并通过步骤(6)并行迭代求解loc_num个代估计目标位置的精确值。
作为优选，步骤(6)基于步骤(4)-(5)得到的多目标迭代初始值，并行采用精确一阶算法提高分布式直接定位精度，具体是：
6-1为了求得分布式直接定位局部代价函数的梯度信息
Figure BDA0003707743670000051
首先将J′(p)中包含的复数信息转化为实值信息：
yr(p)＝[Re(ar(p))TIm(ar(p))T]T
Figure BDA0003707743670000052
Figure BDA0003707743670000053
Figure BDA0003707743670000054
其中Re(ar(p))表示目标位置为p时的传感器r阵列导向矢量实部信息，Im(ar(p))表示目标位置为p时的传感器r阵列导向矢量虚部信息，yr(p)表示目标位置为p时的传感器r阵列导向矢量实值信息，
Figure BDA0003707743670000055
表示传感器r的噪声子空间实部信息，
Figure BDA0003707743670000056
表示传感器r的噪声子空间虚部信息，
Figure BDA0003707743670000057
为数学运算的中间变量，
Figure BDA0003707743670000058
表示传感器r的噪声子空间协方差矩阵的实值信息；
6-2根据上述定义，计算分布式直接定位局部代价函数的梯度为：
Figure BDA0003707743670000059
其中，
Figure BDA00037077436700000510
表示表示传感器l的噪声子空间协方差矩阵的实值信息，l为传感器r对应的传感器簇Cr中可能取到的传感器，
Figure BDA00037077436700000511
表示传感器r阵列导向矢量的梯度信息；
传感器r阵列导向矢量的梯度信息具体为：
Figure BDA00037077436700000512
其中，传感器r的波数向量在p位置的梯度信息为：
Figure BDA0003707743670000061
其中I2表示二阶单位矩阵；
6-3每个传感器进行初始化迭代，各传感器第一次迭代目标位置估计值为：
Figure BDA0003707743670000062
其中ar，l表示加权系数，α表示梯度算法固定步长，pl，1表示传感器簇中传感器l的初始化迭代值，pr，1表示传感器簇中传感器r的初始化迭代值；
6-4每个传感器并行迭代估计目标位置，各传感器目标位置估计值为：
Figure BDA0003707743670000063
其中k表示迭代次数，pl，k表示传感器簇中传感器l的第k-1次迭代值，pr，k表示传感器簇中传感器r的第k-1次迭代值；
6-5基于步骤(6-3)得到的第一次迭代目标位置估计值，各传感器利用两步梯度信息重复步骤(6-4)，直至迭代次数达到预设值或目标位置估计值迭代误差小于设定值，则当前迭代下目标位置估计值为传感器最终定位结果；
作为优选，如果存在多个目标时，则基于不同目标迭代初始值并行重复步骤(6-3至6-4)。
本发明的第二个目的是提供一种电子设备，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的机器可执行指令，所述处理器执行所述机器可执行指令以实现所述的方法。
本发明的第三个目的是提供一种机器可读存储介质，该机器可读存储介质存储有机器可执行指令，该机器可执行指令在被处理器调用和执行时，机器可执行指令促使处理器实现所述的方法。
本发明具有的有益效果是：
1、本发明基于子空间直接定位算法，推导了分布式直接定位局部代价函数，采用分布式优化方法估计目标位置，不需要融合中心，降低了各传感器传输数据的通信代价。
2、本发明采用基于向量评估的粒子群算法与聚类算法估计目标位置迭代初始值，避免了传统两步定位算法目标参数关联的问题。
3、本发明采用分布式精确一阶算法估计目标位置，通过两步梯度信息迭代求解逼近于集中式直接定位的精度，有利于解决分布式处理导致定位精度损失的问题。
附图说明
图1为本发明的整体流程图；
图2为本发明的传感器网络拓扑图；
图3为本发明的基于向量评估粒子优化算法流程图；
图4为本发明的聚类算法流程图；
图5为本发明中精确一阶算法框架图；
图6为本发明中基于粒子群算法目标位置迭代初始值粗估计仿真结果图；
图7为本发明中基于聚类算法目标位置迭代初始值估计仿真结果图；
图8为本发明分布式直接定位性能仿真结果图。
具体实施方式
以下结合附图对本发明作进一步说明。
如图1所示，一种基于传感器网络的分布式直接定位技术方法，如图1具体步骤如下：
步骤(1)、本发明基于传感器网络实现目标定位，其网络拓扑结构如图2所示，首先产生传感器仿真接收信号，方法如下：
预设的辐射源目标数Q＝3、快拍数N＝200、三个目标信号的载波频率分别为fc＝15MHz、75MHZ、150MHz、采样率fs＝500MHz、调频率u，产生线性调频信号的离散形式sq(n)，n＝1，…，N，q＝1，…，Q；
根据传感器位置pr，辐射源目标位置pq，信号波长λ，得到波数向量信息
Figure BDA0003707743670000071
设传感器阵元数M＝8、阵元间距
Figure BDA0003707743670000072
得阵元向量
Figure BDA0003707743670000073
将阵元向量、波数向量相结合组成传统阵列导向矢量矩阵如式(1)：
Figure BDA0003707743670000074
调用randn()函数并设定合适的信噪比参数SNR来加入噪声wr(n)，传感器r接收数据为如下形式：
Figure BDA0003707743670000081
为便于计算，设传感器r的N个快拍接收信号矩阵Zr＝[zr(1)，…，zr(N)]，传感器r的Q个阵列导向矢量矩阵Ar＝[ar(p1)，…，ar(pQ)]，Q个辐射源目标离散信号矩阵sr＝[s1，…，sq]T，其中sq＝[sq(1)，…，sq(N)]T，传感器r阵列接收噪声信号矩阵，Wr＝[wr(1)，..，wr(n)]。将传感器r阵列接收信号模型转化为矩阵形式，如式(3)：
Zr＝ArSr+Wr (3)
步骤(2)、各传感器计算接收信号的协方差矩阵，构建子空间代价函数Jr(p)；
根据传感器r的阵列接收信号，可得其阵列接收信号的协方差矩阵：
Figure BDA0003707743670000082
式中zr表示阵列r的接收信号，符号H表示共轭转置运算；
由公式(4)进行特征值分解，可得M个特征值eig及其对应的M个特征向量ξ，特征值按大小排序满足如下关系：
eig1 eig2 eigQ eigQ+1＝eigM (5)
取M-Q个较小特征值对应的特征向量得噪声子空间
Figure BDA0003707743670000083
根据MUSIC空间谱估计算法原理，构造传感器r的子空间代价函数为：
Figure BDA0003707743670000084
步骤(3)、结合传感器网络拓扑，如图2所示，构建分布式直接定位局部代价函数J′r(p)；
各传感器与相邻传感器交换子空间代价函数信息，构建分布式直接定位局部代价函数为：
Figure BDA0003707743670000085
式中
Figure BDA0003707743670000086
其中Cr表示传感器r与相邻传感器构成的传感器集合，Dr表示该传感器簇内传感器数量。
步骤(4)、如图3采用基于向量评估的粒子群优化算法估计目标位置迭代初始值粗估计；该方法子步骤如下：
4-1以各传感器为独立的智能体，每一个智能体以局部直接定位代价函数为适应度函数，创建一个粒子群。各传感器初始化粒子群算法参数粒子数Np＝20，迭代次数Niter1＝50。定义传感器簇中最佳粒子位置
Figure BDA0003707743670000091
每个传感器中粒子群的最优粒子位置pg[r]，粒子群中粒子i历史最优位置pi，粒子群中粒子i当前位置xoyi。
4-2更新各粒子历史最优位置，如果Jr(xoyi)＜Jr(pi)，令pi＝xoyi；
4-3更新各粒子群最优位置，如果Jr(pi)＜Jr(pg[r])，令pg[r]＝pi；
4-4更新传感器簇中最佳粒子位置：随机取传感器簇中传感器l的粒子群的最优粒子位置，即任一pg[l]，l∈Cr，赋值给
Figure BDA0003707743670000092
4-5更新各粒子速度状态：
Figure BDA0003707743670000093
4-6更新各粒子当前位置状态：
xoyi＝xoyi+υi (9)
其中，υi为第i个粒子当前速度，xoyi为第i个粒子当前位置。χ表示缩放系数，
Figure BDA0003707743670000094
与
Figure BDA0003707743670000095
分别表示在
Figure BDA0003707743670000096
与
Figure BDA0003707743670000097
范围内生成的随机向量，
Figure BDA0003707743670000098
表示向量点乘运算符。将χ设置为0.7298，
Figure BDA0003707743670000099
4-7重复上述步骤(4-2至4-6)直到迭代达到预设值，令各个粒子历史最优位置pi作为迭代初始值的粗估计。
步骤(5)、如图4相邻传感器共享其粒子群中的粒子信息，然后采用聚类优化算法估计目标位置迭代初始值；具体子步骤如下：
5-1基于目标数，预设聚类算法簇个数为loc_num；
5-2基于步骤(4)所得的迭代初始值粗估计pi，即各个粒子历史最优位置信息，随机确定loc_num个粒子历史最优位置作为聚类算法的质心；
5-3对每个传感器有步骤(4)各个粒子历史最优位置pi依次计算到loc_num个质心的距离，选择距离最小的质心，并将其分配给该质心所对应的聚类簇，直到该传感器中所有粒子全都分配给loc_num个簇，更新loc_num个聚类簇的质心为该簇所有点的平均值；
5-4重复上述步骤(5-3)直到所有粒子分配结果不再发生变化，取loc_num个聚类簇的质心位置作为目标位置迭代初始值，并通过步骤(6)并行迭代求解loc_num个代估计目标位置的精确值。
步骤(6)、如图5基于步骤5得到的多目标位置迭代初始值，采用精确一阶算法优化目标定位结果并行迭代求解多目标定位结果，具体是：
6-1为了求得分布式直接定位局部代价函数的梯度信息
Figure BDA0003707743670000101
本步骤首先将J′(p)中包含的复数信息转化为实值信息：
yr(p)＝[Re(ar(p))TIm(ar(p))T]T
Figure BDA0003707743670000102
Figure BDA0003707743670000103
Figure BDA0003707743670000104
其中，Re(ar(p))表示目标位置为p时的传感器r阵列导向矢量实部信息，Im(ar(p))表示目标位置为p时的传感器r阵列导向矢量虚部信息，y(p)表示目标位置为p时的阵列导向矢量实值信息，
Figure BDA0003707743670000105
表示传感器r的噪声子空间实部信息，
Figure BDA0003707743670000106
表示传感器r的噪声子空间虚部信息，
Figure BDA0003707743670000107
为数学运算的中间变量，无具体物理含义，
Figure BDA0003707743670000108
表示传感器r的噪声子空间协方差矩阵的实值信息；
6-2根据上述定义，计算分布式直接定位局部代价函数的梯度为：
Figure BDA0003707743670000109
其中，
Figure BDA00037077436700001010
表示表示传感器l的噪声子空间协方差矩阵的实值信息，l为传感器r对应的传感器簇Cr中可能取到的传感器，记作l∈Cr，
Figure BDA00037077436700001011
表示传感器r阵列导向矢量的梯度信息；
传感器r阵列导向矢量的梯度信息具体为：
Figure BDA00037077436700001012
其中，传感器r波数向量的梯度信息为：
Figure BDA0003707743670000111
其中I2表示二阶单位矩阵；
6-3每个传感器进行初始化迭代，各传感器第一次迭代目标位置估计值为：
Figure BDA0003707743670000112
其中取梯度算法固定步长α为5，取加权系数ar，l为：
Figure BDA0003707743670000113
其中ar，k表示传感器簇Cr内传感器m的加权系数，Cr表示传感器r与相邻传感器构成的传感器集合，Dr表示传感器簇Cr内传感器数量；
6-4每个传感器并行迭代估计目标位置，各传感器目标位置估计值为：
Figure BDA0003707743670000114
其中k表示迭代次数，pl，k表示传感器簇中传感器l的第k-1次迭代值，pr，k表示传感器簇中传感器r的第k-1次迭代值；
6-5基于步骤(6-3)得到的第一次迭代目标位置估计值，各传感器利用两步梯度信息重复步骤(6-4)，直至迭代次数达到预设值或目标位置估计值迭代误差小于设定值，则当前迭代下目标位置估计值为传感器最终定位结果；如果存在多个目标时，则基于不同目标迭代初始值并行重复步骤(6-3至6-4)。
本发明基于传感器网络分布式定位框架，首先，采用基于向量评估的粒子优化算法估计目标位置迭代初始值的粗估计；然后采用聚类算法估计目标位置迭代初始值；最后，基于目标迭代初始值采用精确一阶算法优化目标定位估计结果，提高了分布式定位的精度，并用仿真实验证明了算法的有效性。
基于以上仿真参数，对本发明进行仿真分析，具体结果如下：
图6为本发明中基于向量评估的粒子群算法目标位置迭代初始值粗估计仿真结果图，仿真参数设置为：共有三个目标辐射源信号，信噪比设置为10dB，辐射源目标位置分别设定为x1＝5000，y1＝5000，x2＝13000，y2＝5000，x3＝12000，y3＝12200(单位为m，下同)，由图可以看出，迭代次数为50次的基于向量评估的粒子群优化算法已有了较明显的聚类趋势。本发明的基于向量评估的粒子群算法虽然定位精度较差，但无需参数匹配，可以作为分布式直接定位的粗估计。
图7为本发明中基于聚类算法目标位置迭代初始值估计仿真结果图。由图可知，采用聚类算法对基于向量评估的粒子群算法经50次迭代的结果进行修正可提前获得较合理的定位初估计，从而避免了增加粒子群算法迭代次数带来的额外计算量的问题。
图8为本发明分布式直接定位性能仿真结果图。在上述的仿真参数下，对每个信噪比(SNR)进行300次蒙特卡洛仿真实验，以均方误差(RMSE)作为定位性能指标。为了比较本发明方法的定位性能，本发明对比了集中式定位算法与分布式梯度算法的定位性能。由图可以看到，传统的分布式梯度算法在低信噪比下，其定位精度相较于集中式定位算法有所损失。而本文所采用的精确一阶算法算法的定位精度能逼近于集中式定位算法，有较高的定位精度。

Claims (7)

1.一种基于传感器网络的分布式直接定位方法，其特征在于包括以下步骤：
步骤(1)、根据仿真定位场景产生辐射源多阵列信号：
根据预设的辐射源目标数Q、快拍数N、载波频率fc、调频率u、采样率fs，产生线性调频信号的离散形式sq(n)，n＝1,...,N，q＝1,...,Q；
预设传感器阵元数M、阵元间距d，得第m个阵元向量
Figure FDA0003707743660000011
其中，m＝1,...,M，T表示转置；
根据传感器位置pr、辐射源目标位置pq、信号波长λ，得到波数向量信息
Figure FDA0003707743660000012
其中，||·||为取模符号，Δdist表示传感器位置距辐射源目标位置的距离向量，u表示辐射源目标距传感器的单位方向向量；
将阵元向量、波数向量相结合组成传感器r阵列导向矢量：
Figure FDA0003707743660000013
其中j表示虚数；
调用randn()函数并设定合适的信噪比参数SNR来加入噪声wr(n)，则传感器r阵列接收信号为如下形式:
Figure FDA0003707743660000014
其中，sq(n)表示辐射源目标q信号的离散形式；
为便于计算，设传感器r的N个快拍阵列接收信号矩阵Zr＝[zr(1),...,zr(N)]，传感器r的Q个辐射源目标的阵列导向矢量矩阵Ar＝[ar(p1),...,ar(pQ)]，Q个辐射源目标离散信号矩阵Sr＝[s1,...,sQ]T，其中sq＝[sq(1),...,sq(N)]T，传感器r阵列接收噪声信号矩阵，Wr＝[wr(1),..,wr(n)]；将传感器r阵列接收信号模型转化为矩阵形式：
Zr＝ArSr+Wr (3)
步骤(2)、各传感器计算阵列接收信号的协方差矩阵，构建子空间代价函数Jr(p)；具体是：
根据传感器r的阵列接收信号，得到阵列接收信号的协方差矩阵：
Figure FDA0003707743660000021
其中Zr表示传感器r的阵列接收信号，符号H表示共轭转置运算；
由公式(4)进行特征值分解，得到M个特征值eig及其对应的M个特征向量x；
上述特征值按大小排序满足如下关系：
eig1 eig2 eigQ eigQ+1＝eigM (5)
取M-Q个较小特征值对应的特征向量构成噪声子空间
Figure FDA0003707743660000022
根据MUSIC空间谱估计算法原理，构造传感器r的子空间代价函数为：
Figure FDA0003707743660000023
其中p为目标可能存在的位置，ar(p)表示位置p对应的阵列导向矢量，当p＝pq时，子空间代价函数取得极小值；
步骤(3)、结合传感器网络结构，构建分布式直接定位局部代价函数J′r(p)；具体是：
各传感器与相邻传感器交换子空间代价函数信息，构建分布式直接定位局部代价函数为：
Figure FDA0003707743660000024
其中
Figure FDA0003707743660000025
其中Cr表示传感器r与相邻传感器构成的传感器集合，记作传感器簇，Dr表示传感器簇Cr内传感器数量，Jl(p)表示传感器l的子空间代价信息，l为传感器r对应的传感器簇Cr中可能取到的传感器；
步骤(4)、采用基于向量评估的粒子群优化算法估计目标位置迭代初始值粗估计；
步骤(5)、基于聚类优化算法估计目标位置迭代初始值；
步骤(6)、基于精确一阶算法优化目标定位结果。
2.根据权利要求1所述的一种基于传感器网络的分布式直接定位方法，其特征在于步骤(4)是以各传感器为独立的智能体，每一个智能体以局部直接定位代价函数为适应度函数，创建一个粒子群,并行计算估计目标位置，其具体如下：
4-1定义并初始化各传感器粒子群算法粒子数Np，迭代次数Niter1，传感器簇中最佳粒子位置
Figure FDA0003707743660000031
每个传感器中粒子群的最优粒子位置pg[r]，粒子群中粒子i历史最优位置pi，粒子群中粒子i当前位置xoyi；
4-2更新各粒子i历史最优位置：
如果Jr(xoyi)<Jr(pi)，令pi＝xoyi，反之则不更新；其中，J′r(xoyi)表示分布式直接定位局部代价函数J′r(p)，p取xoyi时的值，J′r(pi)表示分布式直接定位局部代价函数J′r(p)，p取pi时的值；
4-3更新各粒子群最优粒子位置：
如果Jr(pi)<Jr(pg[r])，令pg[r]＝pi，反之则不更新；其中，J′r(pg[r])表示分布式直接定位代价函数J′r(p)，p取pg[r]时的值；
4-4更新传感器簇中最佳粒子位置：
随机取传感器簇中传感器l的粒子群的最优粒子位置，即传感器的任一最优粒子位置pg[l],l∈Cr赋值给该传感器所在传感器簇最佳粒子位置
Figure FDA0003707743660000032
4-5更新各粒子速度状态：
Figure FDA0003707743660000033
其中，vi为第i个粒子的速度，xoyi为第i个粒子当前位置，χ表示缩放系数，
Figure FDA0003707743660000034
与
Figure FDA0003707743660000035
分别表示在
Figure FDA0003707743660000036
与
Figure FDA0003707743660000037
范围内生成的随机向量，
Figure FDA0003707743660000038
表示向量点乘运算符；
4-6更新各粒子当前位置状态：
xoyi＝xoyi+vi (9)
4-7重复上述步骤(4-2至4-6)直到迭代达到预设值，令各个粒子历史最优位置pi作为目标位置迭代初始值的粗估计。
3.根据权利要求1或2所述的一种基于传感器网络的分布式直接定位方法，其特征在于步骤(5)是利用聚类加快得到目标位置迭代初始值，具体如下：
5-1基于目标数，预设聚类算法簇个数为loc_num；
5-2基于步骤(4)所得的迭代初始值粗估计pi，即各个粒子历史最优位置信息，随机确定loc_num个粒子历史最优位置作为聚类算法的质心；
5-3对每个传感器有步骤(4)各个粒子历史最优位置pi依次计算到loc_num个质心的距离，选择距离最小的质心，并将其分配给该质心所对应的聚类簇，直到该传感器中所有粒子全都分配给loc_num个簇，更新loc_num个聚类簇的质心为该簇所有点的平均值；
5-4重复上述步骤(5-3)直到所有粒子分配结果不再发生变化，取loc_num个聚类簇的质心位置作为目标位置迭代初始值，并通过步骤(6)并行迭代求解loc_num个代估计目标位置的精确值。
4.根据权利要求1，2或3所述的一种基于传感器网络的分布式直接定位方法，其特征在于步骤(6)基于步骤(4)-(5)得到的多目标迭代初始值，并行采用精确一阶算法提高分布式直接定位精度，具体是：
6-1为了求得分布式直接定位局部代价函数的梯度信息
Figure FDA0003707743660000041
首先将J′(p)中包含的复数信息转化为实值信息：
yr(p)＝[Re(ar(p))TIm(ar(p))T]T
Figure FDA0003707743660000042
Figure FDA0003707743660000043
Figure FDA0003707743660000044
其中Re(ar(p))表示目标位置为p时的传感器r阵列导向矢量实部信息，Im(ar(p))表示目标位置为p时的传感器r阵列导向矢量虚部信息，yr(p)表示目标位置为p时的传感器r阵列导向矢量实值信息，
Figure FDA0003707743660000045
表示传感器r的噪声子空间实部信息，
Figure FDA0003707743660000046
表示传感器r的噪声子空间虚部信息，
Figure FDA0003707743660000047
为数学运算的中间变量，
Figure FDA0003707743660000048
表示传感器r的噪声子空间协方差矩阵的实值信息；
6-2根据上述定义，计算分布式直接定位局部代价函数的梯度为：
Figure FDA0003707743660000049
其中，
Figure FDA0003707743660000051
表示传感器l的噪声子空间协方差矩阵的实值信息，l为传感器r对应的传感器簇Cr中可能取到的传感器，
Figure FDA0003707743660000052
表示传感器r阵列导向矢量的梯度信息；
传感器r阵列导向矢量的梯度信息具体为:
Figure FDA0003707743660000053
其中，传感器r的波数向量在p位置的梯度信息为:
Figure FDA0003707743660000054
其中I2表示二阶单位矩阵；
6-3每个传感器进行初始化迭代，各传感器第一次迭代目标位置估计值为：
Figure FDA0003707743660000055
其中ar,l表示加权系数，a表示梯度算法固定步长，pl,1表示传感器簇中传感器l的初始化迭代值，pr,1表示传感器簇中传感器r的初始化迭代值；
6-4每个传感器并行迭代估计目标位置，各传感器目标位置估计值为：
Figure FDA0003707743660000056
其中k表示迭代次数，pl,k表示传感器簇中传感器l的第k-1次迭代值，pr,k表示传感器簇中传感器r的第k-1次迭代值；
6-5基于步骤(6-3)得到的第一次迭代目标位置估计值，各传感器利用两步梯度信息重复步骤(6-4),直至迭代次数达到预设值或目标位置估计值迭代误差小于设定值，则当前迭代下目标位置估计值为传感器最终定位结果。
5.根据权利要求4所述的一种基于传感器网络的分布式直接定位方法，其特征在于如果存在多个目标时，则基于不同目标迭代初始值并行重复步骤(6-3至6-4)。
6.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的机器可执行指令，所述处理器执行所述机器可执行指令以实现权利要求1-5任一项所述的方法。
7.一种机器可读存储介质，其特征在于，该机器可读存储介质存储有机器可执行指令，该机器可执行指令在被处理器调用和执行时，机器可执行指令促使处理器实现权利要求1-5任一项所述的方法。
CN202210713276.9A 2022-06-22 2022-06-22 一种基于传感器网络的分布式直接定位方法 Pending CN115119142A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210713276.9A CN115119142A (zh) 2022-06-22 2022-06-22 一种基于传感器网络的分布式直接定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210713276.9A CN115119142A (zh) 2022-06-22 2022-06-22 一种基于传感器网络的分布式直接定位方法

Publications (1)

Publication Number Publication Date
CN115119142A true CN115119142A (zh) 2022-09-27

Family

ID=83327502

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210713276.9A Pending CN115119142A (zh) 2022-06-22 2022-06-22 一种基于传感器网络的分布式直接定位方法

Country Status (1)

Country Link
CN (1) CN115119142A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115308726A (zh) * 2022-10-10 2022-11-08 中船（浙江）海洋科技有限公司 一种面向渔船导航雷达信号的分布式直接定位方法
CN115508899A (zh) * 2022-10-21 2022-12-23 中铁二院工程集团有限责任公司 基于最优化理论的航空大地电磁功率谱估算方法及设备
CN115932907A (zh) * 2022-12-16 2023-04-07 南京航空航天大学 基于卡尔曼滤波器和粒子群优化的单目标直接跟踪方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015192696A1 (zh) * 2014-06-20 2015-12-23 深圳大学 分布式网络中基于gossip算法的多目标DOA估计系统及估计方法
CN106792982A (zh) * 2017-03-23 2017-05-31 电子科技大学 一种基于自适应分簇策略的多目标直接定位方法
CN109870673A (zh) * 2019-03-12 2019-06-11 西北工业大学 一种基于空时域联合处理的可移动单站直接定位方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015192696A1 (zh) * 2014-06-20 2015-12-23 深圳大学 分布式网络中基于gossip算法的多目标DOA估计系统及估计方法
CN106792982A (zh) * 2017-03-23 2017-05-31 电子科技大学 一种基于自适应分簇策略的多目标直接定位方法
CN109870673A (zh) * 2019-03-12 2019-06-11 西北工业大学 一种基于空时域联合处理的可移动单站直接定位方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
陈志坤: "基于VEPPSO-EXTRA混合算法的分布式直接定位技术", 《电子与信息学报》, 9 February 2023 (2023-02-09) *
黄志英;吴江;尹鹏;: "非均匀噪声下的多阵列频域数据直接定位算法", 信号处理, no. 01, 25 January 2016 (2016-01-25) *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115308726A (zh) * 2022-10-10 2022-11-08 中船（浙江）海洋科技有限公司 一种面向渔船导航雷达信号的分布式直接定位方法
CN115508899A (zh) * 2022-10-21 2022-12-23 中铁二院工程集团有限责任公司 基于最优化理论的航空大地电磁功率谱估算方法及设备
CN115508899B (zh) * 2022-10-21 2023-08-29 中铁二院工程集团有限责任公司 基于最优化理论的航空大地电磁功率谱估算方法及设备
CN115932907A (zh) * 2022-12-16 2023-04-07 南京航空航天大学 基于卡尔曼滤波器和粒子群优化的单目标直接跟踪方法
CN115932907B (zh) * 2022-12-16 2024-02-13 南京航空航天大学 基于卡尔曼滤波器和粒子群优化的单目标直接跟踪方法

Similar Documents

Publication Publication Date Title
CN115119142A (zh) 一种基于传感器网络的分布式直接定位方法
CN111337893B (zh) 一种基于实值稀疏贝叶斯学习的离格doa估计方法
CN109490819B (zh) 一种基于稀疏贝叶斯学习的离格波达方向估计方法
CN108802705B (zh) 一种基于稀疏的空时自适应处理方法及系统
CN106019215B (zh) 基于四阶累量的嵌套阵列波达方向角估计方法
CN107870315B (zh) 一种利用迭代相位补偿技术估计任意阵列波达方向方法
CN109581281B (zh) 基于到达时间差和到达频率差的移动目标定位方法
CN104166136A (zh) 一种基于干扰子空间跟踪的高效自适应单脉冲测角方法
CN109239646B (zh) 一种冲击噪声环境下连续量子水蒸发的二维动态测向方法
CN112379327A (zh) 一种基于秩损估计的二维doa估计与互耦校正方法
CN110687528B (zh) 自适应波束形成器生成方法及系统
CN111273269B (zh) 基于ipso-bp的频率分集阵列的雷达目标定位方法
CN109212466B (zh) 一种基于量子蜻蜓演化机制的宽带测向方法
CN109541526A (zh) 一种利用矩阵变换的圆环阵方位估计方法
CN111830465A (zh) 二维牛顿正交匹配追踪压缩波束形成方法
CN108520195B (zh) 一种基于引力搜索算法的music谱峰搜索方法
CN116047494A (zh) 通感一体背景下基于多距离划分的多扩展目标的跟踪方法
CN115079090A (zh) 基于esprit与加权降维搜索的多阵列非圆源快速定位方法
CN113589223B (zh) 基于互耦情况下嵌套阵列的测向方法
CN114755628A (zh) 非均匀噪声下声矢量传感器阵列波达方向估计方法
CN115469314A (zh) 一种均匀圆环阵稳健水下目标方位跟踪方法及系统
CN109298381A (zh) 一种基于变分贝叶斯推断的互质阵相干信号方位角估计方法
CN114415157A (zh) 一种基于水声传感器网络的水下目标多模型跟踪方法
CN114217265A (zh) 基于最小方差无失真响应的信源波达估计方法及系统
CN114609580A (zh) 一种基于非圆信号的无孔互质阵列设计方法

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