CN115469270A - 基于检测前跟踪的长基线定位方法及系统 - Google Patents
基于检测前跟踪的长基线定位方法及系统 Download PDFInfo
- Publication number
- CN115469270A CN115469270A CN202210980417.3A CN202210980417A CN115469270A CN 115469270 A CN115469270 A CN 115469270A CN 202210980417 A CN202210980417 A CN 202210980417A CN 115469270 A CN115469270 A CN 115469270A
- Authority
- CN
- China
- Prior art keywords
- particle
- nth
- long baseline
- likelihood function
- baseline positioning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000001514 detection method Methods 0.000 title claims abstract description 39
- 239000002245 particle Substances 0.000 claims abstract description 124
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000005070 sampling Methods 0.000 claims abstract description 12
- 238000010606 normalization Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 11
- 230000033001 locomotion Effects 0.000 claims description 8
- 238000012952 Resampling Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于检测前跟踪的长基线定位方法及系统，属于水下多目标跟踪技术领域，直接使用匹配滤波器的输出作为输入，其中，该方法包括：初始化粒子及其权值构建状态方程；利用状态方程采样第n个粒子状态向量；根据预设似然函数计算第n个粒子状态向量的似然函数；对似然函数进行归一化处理获得粒子权值，根据粒子权值确定是否重采样；使用最小均方根误差方法估计目标状态。该方法考虑了多个浮标信息的相关性，可以充分获得多个浮标的处理增益，避免了直达声挑选问题，提高了长基线定位系统在恶劣条件下的定位精度和轨迹连续性。
Description
技术领域
本发明涉及水下多目标跟踪技术领域，特别涉及一种基于检测前跟踪的长基线定位方法及系统。
背景技术
长基线(long baseline，LBL)定位系统以定位精度高，作用范围广而闻名。通常，它利用脉冲到达时间(time-of-arrival，TOA)定位目标。然而，受复杂海洋环境和恶劣的水声多径信道的影响，接收到的信号常常由一系列复杂的脉冲串组成。从接收到的脉冲中选择直达声一直是一个的挑战。
经典的水下LBL定位方法主要包括两个步骤：1)独立估计每个浮标的直达声的TOA。2)基于第一步估算的TOA进行定位。然而，这样的解决方案是次优的，因为它忽略了不同浮标接收到的信号来自同一目标的约束。更重要的是，检测阈值的设置也会带来一些严重的问题。首先，目标信号可能无法通过检测阈值，导致目标漏检。其次，超出阈值的测量被保留，这些测量要么来自直达声，要么来自干扰。在传统的LBL定位方法中，为了从保留的测量值中获得直达声对应的测量值，直达声挑选是不可避免的。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的第一个目的在于提出一种基于检测前跟踪的长基线定位方法(也称为TOA-TBD算法)，该方法改善了恶劣条件下长基线定位系统的性能。
本发明的第二个目的在于提出一种基于检测前跟踪的长基线定位系统。
本发明的第三个目的在于提出一种计算机设备。
本发明的第四个目的在于提出一种非临时性计算机可读存储介质。
为达到上述目的，本发明一方面实施例提出了基于检测前跟踪的长基线定位方法，包括以下步骤：步骤S1，初始化粒子及其权值构建状态方程；步骤S2，利用所述状态方程采样第n个粒子状态向量；步骤S3，根据预设似然函数计算所述第n个粒子状态向量的似然函数；步骤S4，对所述似然函数进行归一化处理获得粒子权值，根据所述粒子权值确定是否重采样；步骤S5，使用最小均方根误差方法估计目标状态。
本发明实施例的基于检测前跟踪的长基线定位方法，直接利用多个浮标的无阈值匹配滤波器(matched filter，MF)的输出作为输入，其似然函数定义为粒子在多个浮标的MF输出的乘积，能够充分获取多个浮标的处理增益，最终提高LBL定位系统在恶劣条件下的性能并且规避直达声选择，其中，本发明实施例利用无阈值传感器数据的优点避免了直达声选择，且在干扰未知统计量的情况下，利用TBD保证恒虚警率。
另外，根据本发明上述实施例的基于检测前跟踪的长基线定位方法还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，所述步骤S1具体包括：步骤S101，对定位区域进行网格化，获得多个分辨单元，设(X0,Y0)为最高似然的分辨单元的中心位置；步骤S102，使用以(X0,Y0)为原点的距离-方位极坐标系初始化粒子位置；步骤S103，使用以(0,0)为原点的速度-航向极坐标系初始化粒子速度；步骤S104，将初始化后的粒子位置和粒子速度转换到笛卡尔坐标系，以用于目标追踪。
进一步地，在本发明的一个实施例中，初始化的具体内容包括：距离在0到Rmax之间均匀分布，方位在0°到360°之间均匀分布，速度在0到vmax之间均匀分布，航向在0到vmax之间均匀分布。
进一步地，在本发明的一个实施例中，所述状态方程包括：
其中，
为第n个粒子在k时刻的状态，
为一个模拟随机加速度的白噪声向量，F和Γ为具有随机加速度的匀速直线运动的状态转移矩阵。
进一步地，在本发明的一个实施例中，所述步骤S2中第n个粒子的状态向量为：
其中，
和
分别表示在初始时刻第n个粒子在水平方向和垂直方向的位置和速度,()T为矩阵转置。
进一步地，在本发明的一个实施例中，所述步骤S3具体包括：
步骤S301，设第m个浮标，k时刻第n个粒子的到达时间
为：
其中，
和
分别为k时刻第n个粒子在x方向和y方向上的位置状态，xm,k和ym,k为第m个浮标的位置，xm,k和ym,k为第m个浮标的位置，为已知量，
为根据水文仪估计的声速；
步骤S302，根据所述到达时间确定其对应的采样点
其中，floor(*)为向下取整操作，fs为采样频率，
为k时刻第n个粒子的到达时间；
步骤S303，使用M×(fs×T)的矩阵E表示一个处理周期内的匹配滤波器的输出，其中，M为浮标总数，T为处理周期，则第n个粒子的匹配滤波器输出对应矩阵E的第m行、第
列的值表示为
或
则第n个粒子，k时刻全部浮标的匹配滤波器输出表示为M×1的向量
步骤S304，根据所述步骤S303定义k时刻第n个粒子所有浮标的匹配滤波器输出的乘积为
即k时刻第n个粒子的似然函数。
进一步地，在本发明的一个实施例中，所述步骤S4具体包括：
步骤S401，对所述似然进行归一化处理获得粒子权值，其中，k时刻第n个粒子的权值
为：
其中，
为k时刻第n个粒子的似然函数，np为粒子总数，m为浮标个数；
步骤S402，根据所述粒子权值确定是否重采样，若有效粒子数目大于0.8np，则执行重采样，再执行所述步骤S5，反之则直接执行所述步骤S5。
为达到上述目的，本发明另一方面实施例提出了基于检测前跟踪的长基线定位系统，包括：初始化模块，用于初始化粒子及其权值构建状态方程；采样模块，用于利用所述状态方程采样第n个粒子状态向量；计算模块，用于根据预设似然函数计算所述第n个粒子状态向量的似然函数；确定模块，用于对所述似然函数进行归一化处理获得粒子权值，根据所述粒子权值确定是否重采样；估计模块，用于使用最小均方根误差方法估计目标状态。
本发明第三方面实施例提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上述实施例所述的基于检测前跟踪的长基线定位方法。
本发明还一方面实施例提供一种非临时性计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述实施例所述的基于检测前跟踪的长基线定位方法。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明一个实施例的基于检测前跟踪的长基线定位方法的流程图；
图2是本发明一个实施例的基于检测前跟踪的长基线定位方法的具体执行图；
图3是本发明一个实施例的目标轨迹与浮标的位置分布图；
图4是本发明一个实施例的不同信噪比下本发明和传统的定位算法的定位误差对比图；
图5是本发明一个实施例的粒子位置随时间的分布情况示意图；
图6是本发明一个实施例的信噪比为-12dB，第40s时粒子的TOA在MF输出上的分布情况示意图；
图7是本发明一个实施例的基于检测前跟踪的长基线定位系统的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的基于检测前跟踪的长基线定位方法及系统，首先将参照附图描述根据本发明实施例提出的基于检测前跟踪的长基线定位方法及系统。
图1是本发明一个实施例的基于检测前跟踪的长基线定位方法的流程图。
图2是本发明一个实施例的基于检测前跟踪的长基线定位方法的具体执行图。
如图1和2所示，该基于检测前跟踪的长基线定位方法包括以下步骤：
在步骤S1中，初始化粒子及其权值构建状态方程。
进一步地，在本发明的一个实施例中，步骤S1具体包括：
步骤S101，对定位区域进行网格化，获得多个分辨单元，设(X0,Y0)为最高似然的分辨单元的中心位置；
步骤S102，使用以(X0,Y0)为原点的距离-方位极坐标系初始化粒子位置；
步骤S103，使用以(0,0)为原点的速度-航向极坐标系初始化粒子速度；
步骤S104，将初始化后的粒子位置和粒子速度转换到笛卡尔坐标系，以用于目标追踪。
具体地，为了确定目标在初始时的近似位置，本发明实施例对定位区域进行网格化。网格化后，假设可以获得H个分辨单元，根据步骤S3所设计的似然函数，可以计算所有分辨单元的似然，使用(X0,Y0)来表示具有最高似然的分辨单元的中心位置。为了在最高似然位置附近均匀的初始化粒子，使用以(X0,Y0)为原点的距离-方位极坐标系来初始化粒子位置。相应地，使用以(0,0)为原点的速度-航向极坐标系来初始化粒子速度。然后转换到笛卡尔坐标系用于目标跟踪。初始化如下：
(1)距离在0到Rmax之间均匀分布。
(2)方位在0°到360°之间均匀分布。
(3)速度在0到vmax之间均匀分布。
(4)航向在0到vmax之间均匀分布。
进一步地，状态方程包括：
其中，
为第n个粒子在k时刻的状态，
为一个模拟随机加速度的白噪声向量，F和Γ为具有随机加速度的匀速直线运动的状态转移矩阵，具体为：
主要采用经典的匀速直线运动模型。如有必要，当被测目标快速机动时，可以在粒子状态中加入表示运动模型的离散状态。
在步骤S2中，利用状态方程采样第n个粒子状态向量。
具体地，本发明实施例利用状态方程采样粒子状态，采用经典的匀速直线运动模型传播粒子，采集粒子状态，其中，第n个粒子的状态向量为：
其中，
和
分别表示在初始时刻第n个粒子在水平方向和垂直方向的位置和速度,()T为矩阵转置。
在步骤S3中，根据预设似然函数计算第n个粒子状态向量的似然函数。
进一步地，在本发明的一个实施例中，步骤S3具体包括：
步骤S301，设第m个浮标，k时刻第n个粒子的到达时间
(time-of-arrival，TOA)为：
其中，
和
分别为k时刻第n个粒子在x方向和y方向上的位置状态，xm,k和ym,k为第m个浮标的位置，xm,k和ym,k为第m个浮标的位置，为已知量，
为根据水文仪估计的声速；
步骤S302，根据到达时间确定其对应的采样点
其中，floor(*)为向下取整操作，fs为采样频率，
为k时刻第n个粒子的到达时间；
步骤S303，使用M×(fs×T)的矩阵E表示一个处理周期内的匹配滤波器(matchedfilter，MF)的输出，其中，M为浮标总数，T为处理周期，则第n个粒子的匹配滤波器输出对应矩阵E的第m行、第
列的值表示为
或
则第n个粒子，k时刻全部浮标的匹配滤波器输出表示为M×1的向量
步骤S304，根据步骤S303定义k时刻第n个粒子所有浮标的匹配滤波器输出的乘积为
即k时刻第n个粒子的似然函数。
在步骤S4中，对似然函数进行归一化处理获得粒子权值，根据粒子权值确定是否重采样。
进一步地，在本发明的一个实施例中，步骤S4具体包括：
步骤S401，对似然进行归一化处理获得粒子权值，其中，k时刻第n个粒子的权值
为：
其中，
为k时刻第n个粒子的似然函数，np为粒子总数，m为浮标个数；
步骤S402，根据粒子权值确定是否重采样，若有效粒子数目大于0.8np，则执行重采样，再执行步骤S5，反之则直接执行步骤S5。
具体地，先对粒子似然进行归一化可以获得粒子权值，即k时刻第n个粒子的权值，再针对粒子滤波存在粒子退化的问题，已存在的解决方案是重采样。然而，过于频繁的重采样会导致样本匮乏，这意味着粒子的多样性降低，因此本发明实施例根据有效粒子数据确定是否执行重采样，有效粒子数目可以通过下式计算：
如果有效粒子数目小于0.8np，则执行重采样。
在步骤S5中，使用最小均方根误差方法估计目标状态。
具体地，使用最小均方根误差(minimum mean square error，MMSE)方法来估计目标状态：
其中，np为粒子总数，
为状态方程，
为k时刻第n个粒子的权值。
下面通过一个具体实施例对本发明提出的基于检测前跟踪的长基线定位方法进一步说明。
该具体实施例适用一系列蒙特卡洛(Monte Carlo，MC)实验来检测不同信噪比对本发明实施例性能的影响。每次MC实验都是基于100种模拟数据的实现。为了考察不同信噪比对TOA-TBD算法性能的影响程度。利用不同强度的带限白噪声叠加直达声信号产生模拟数据。本具体实施例使用LFM信号作为发射信号，其参数为：中心频率f0＝11000Hz，带宽B＝1000Hz，脉宽T0＝0.05s，周期T＝1s。LBL定位系统由四个浮标和一个目标组成。浮标的位置是固定且已知的，它们的坐标依次为(0,0),(0,1000m),(1000m,1000m),(1000m,0)。目标轨迹可分为三段:第一段，目标在1s到79s之间作直线运动；第二段，目标从80秒到159秒之间作转弯运动。第三段，目标从160秒到200秒作直线运动。目标速度大小为5.7m/s。目标的整个运动受到轻微的高斯白噪声的干扰。目标轨迹和浮标位置如图3所示。本具体实施例的处理周期为1s，粒子数为5000。按照步骤S100进行初始化。其中Rmax设置为40m，vmax设置为20m/s。
本具体实施例使用经典的基于TOA的定位算法作为对比算法，为了简便，称为TOA算法。不同信噪比下本发明所提的TOA-TBD算法和传统的TOA算法的定位误差如图4所示。结果表明，在高信噪比时，TOA-TBD算法和传统的TOA算法的性能相当。但在低信噪比时，TOA-TBD算法的性能明显优于传统的TOA算法。值得强调的是，弹道第二段误差(80s-159s)较高，这是由于目标转弯引起的模型失配，可行的解决方案在步骤S200中已经讨论。
图5(a)-(d)展示了信噪比为-12dB时粒子位置随时间的分布。如图5所示，随着时间的推移，粒子的状态逐渐收敛到真实状态。同样，粒子的TOA也会收敛。图6展示了信噪比为-12dB，第40s时粒子的TOA在MF输出上的分布。粒子的TOA分布在非常小的时间范围内。这意味着算法的性能只取决于这个范围内的MF输出。也就是说，TOA-TBD算法避免了该范围以外的干扰。
根据本发明实施例提出的基于检测前跟踪的长基线定位方法，直接利用多个浮标的无阈值匹配滤波器(matched filter，MF)的输出作为输入，其似然函数定义为粒子在多个浮标的MF输出的乘积，能够充分获取多个浮标的处理增益，最终提高LBL定位系统在恶劣条件下的性能并且规避直达声选择，其中，本发明实施例利用无阈值传感器数据的优点避免了直达声选择，且在干扰未知统计量的情况下，利用TBD保证恒虚警率。
其次参照附图描述根据本发明实施例提出的基于检测前跟踪的长基线定位系统。
图7是本发明一个实施例的基于检测前跟踪的长基线定位系统的结构示意图。
如图7所示，该系统10包括：初始化模块100、采样模块200、计算模块300、确定模块400和估计模块500。
其中，初始化模块100用于初始化粒子及其权值构建状态方程。采样模块200用于利用状态方程采样第n个粒子状态向量。计算模块300用于根据预设似然函数计算第n个粒子状态向量的似然函数。确定模块400用于对似然函数进行归一化处理获得粒子权值，根据粒子权值确定是否重采样。估计模块500用于使用最小均方根误差方法估计目标状态。
需要说明的是，前述对基于检测前跟踪的长基线定位方法实施例的解释说明也适用于该实施例的系统，此处不再赘述。
根据本发明实施例提出的基于检测前跟踪的长基线定位系统，直接利用多个浮标的无阈值匹配滤波器(matched filter，MF)的输出作为输入，其似然函数定义为粒子在多个浮标的MF输出的乘积，能够充分获取多个浮标的处理增益，最终提高LBL定位系统在恶劣条件下的性能并且规避直达声选择，其中，本发明实施例利用无阈值传感器数据的优点避免了直达声选择，且在干扰未知统计量的情况下，利用TBD保证恒虚警率。
为了实现上述实施例，本发明还提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如前述实施例所述的基于检测前跟踪的长基线定位方法。
为了实现上述实施例，本发明还提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如前述实施例所述的基于检测前跟踪的长基线定位方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或N个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于检测前跟踪的长基线定位方法，其特征在于，包括以下步骤：
步骤S1，初始化粒子及其权值构建状态方程；
步骤S2，利用所述状态方程采样第n个粒子状态向量；
步骤S3，根据预设似然函数计算所述第n个粒子状态向量的似然函数；
步骤S4，对所述似然函数进行归一化处理获得粒子权值，根据所述粒子权值确定是否重采样；
步骤S5，使用最小均方根误差方法估计目标状态。
2.根据权利要求1所述的基于检测前跟踪的长基线定位方法，其特征在于，所述步骤S1具体包括：
步骤S101，对定位区域进行网格化，获得多个分辨单元，设(X0,Y0)为最高似然的分辨单元的中心位置；
步骤S102，使用以(X0,Y0)为原点的距离-方位极坐标系初始化粒子位置；
步骤S103，使用以(0,0)为原点的速度-航向极坐标系初始化粒子速度；
步骤S104，将初始化后的粒子位置和粒子速度转换到笛卡尔坐标系，以用于目标追踪。
3.根据权利要求1所述的基于检测前跟踪的长基线定位方法，其特征在于，初始化的具体内容包括：距离在0到Rmax之间均匀分布，方位在0°到360°之间均匀分布，速度在0到vmax之间均匀分布，航向在0到vmax之间均匀分布。
4.根据权利要求1所述的基于检测前跟踪的长基线定位方法，其特征在于，所述状态方程包括：
其中，
为第n个粒子在k时刻的状态，
为一个模拟随机加速度的白噪声向量，F和Γ为具有随机加速度的匀速直线运动的状态转移矩阵。
5.根据权利要求1所述的基于检测前跟踪的长基线定位方法，其特征在于，所述步骤S2中第n个粒子的状态向量为：
其中，
和
分别表示在初始时刻第n个粒子在水平方向和垂直方向的位置和速度,( )T为矩阵转置。
6.根据权利要求1所述的基于检测前跟踪的长基线定位方法，其特征在于，所述步骤S3具体包括：
步骤S301，设第m个浮标，k时刻第n个粒子的到达时间
为：
其中，
和
分别为k时刻第n个粒子在x方向和y方向上的位置状态，xm,k和ym,k为第m个浮标的位置，为已知量，
为根据水文仪估计的声速；
步骤S302，根据所述到达时间确定其对应的采样点
其中，floor(*)为向下取整操作，fs为采样频率，
为k时刻第n个粒子的到达时间；
步骤S303，使用M×(fs×T)的矩阵E表示一个处理周期内的匹配滤波器的输出，其中，M为浮标总数，T为处理周期，则第n个粒子的匹配滤波器输出对应矩阵E的第m行、第
列的值表示为
或
则第n个粒子，k时刻全部浮标的匹配滤波器输出表示为M×1的向量
步骤S304，根据所述步骤S303定义k时刻第n个粒子所有浮标的匹配滤波器输出的乘积为
即k时刻第n个粒子的似然函数。
7.根据权利要求1所述的基于检测前跟踪的长基线定位方法，其特征在于，所述步骤S4具体包括：
步骤S401，对所述似然进行归一化处理获得粒子权值，其中，k时刻第n个粒子的权值
为：
其中，
为k时刻第n个粒子的似然函数，np为粒子总数，m为浮标个数；
步骤S402，根据所述粒子权值确定是否重采样，若有效粒子数目大于0.8np，则执行重采样，再执行所述步骤S5，反之则直接执行所述步骤S5。
8.一种基于检测前跟踪的长基线定位系统，其特征在于，包括：
初始化模块，用于初始化粒子及其权值构建状态方程；
采样模块，用于利用所述状态方程采样第n个粒子状态向量；
计算模块，用于根据预设似然函数计算所述第n个粒子状态向量的似然函数；
确定模块，用于对所述似然函数进行归一化处理获得粒子权值，根据所述粒子权值确定是否重采样；
估计模块，用于使用最小均方根误差方法估计目标状态。
9.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1-7中任一所述的基于检测前跟踪的长基线定位方法。
10.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一所述的基于检测前跟踪的长基线定位方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210980417.3A CN115469270B (zh) | 2022-08-16 | 2022-08-16 | 基于检测前跟踪的长基线定位方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210980417.3A CN115469270B (zh) | 2022-08-16 | 2022-08-16 | 基于检测前跟踪的长基线定位方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115469270A true CN115469270A (zh) | 2022-12-13 |
| CN115469270B CN115469270B (zh) | 2023-06-27 |
Family
ID=84365687
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210980417.3A Active CN115469270B (zh) | 2022-08-16 | 2022-08-16 | 基于检测前跟踪的长基线定位方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115469270B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118226379A (zh) * | 2024-05-27 | 2024-06-21 | 哈尔滨工业大学（威海） | 一种复杂海域环境高精度实时定位与动态跟踪算法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040027274A1 (en) * | 2002-04-02 | 2004-02-12 | Hans Driessen | Multi-targets detection method applied in particular to surveillance radars with multi-beamforming in elevation |
| CN102722706A (zh) * | 2012-05-24 | 2012-10-10 | 哈尔滨工程大学 | 基于粒子滤波的红外弱小目标检测与跟踪方法及装置 |
| JP2014106133A (ja) * | 2012-11-28 | 2014-06-09 | Toshiba Corp | 目標検出装置及び目標検出方法 |
| CN103985139A (zh) * | 2014-05-20 | 2014-08-13 | 重庆大学 | 基于颜色模型与预测向量簇模型信息融合的粒子滤波目标跟踪方法 |
| CN110187335A (zh) * | 2019-06-25 | 2019-08-30 | 电子科技大学 | 针对具有非连续特性目标的粒子滤波检测前跟踪方法 |
| CN110865343A (zh) * | 2019-11-13 | 2020-03-06 | 中国人民解放军海军航空大学 | 基于lmb的粒子滤波检测前跟踪方法及系统 |
| WO2021007985A1 (zh) * | 2019-07-18 | 2021-01-21 | 深圳大学 | 基于tsk模糊模型的粒子滤波方法、装置及存储介质 |
| CN113945892A (zh) * | 2021-10-11 | 2022-01-18 | 哈尔滨工程大学 | 一种体目标三维运动轨迹测量方法 |
| US20220113366A1 (en) * | 2019-01-10 | 2022-04-14 | Technische Universität München | Method and system for tracking a mobile device |
-
2022
- 2022-08-16 CN CN202210980417.3A patent/CN115469270B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040027274A1 (en) * | 2002-04-02 | 2004-02-12 | Hans Driessen | Multi-targets detection method applied in particular to surveillance radars with multi-beamforming in elevation |
| CN102722706A (zh) * | 2012-05-24 | 2012-10-10 | 哈尔滨工程大学 | 基于粒子滤波的红外弱小目标检测与跟踪方法及装置 |
| JP2014106133A (ja) * | 2012-11-28 | 2014-06-09 | Toshiba Corp | 目標検出装置及び目標検出方法 |
| CN103985139A (zh) * | 2014-05-20 | 2014-08-13 | 重庆大学 | 基于颜色模型与预测向量簇模型信息融合的粒子滤波目标跟踪方法 |
| US20220113366A1 (en) * | 2019-01-10 | 2022-04-14 | Technische Universität München | Method and system for tracking a mobile device |
| CN110187335A (zh) * | 2019-06-25 | 2019-08-30 | 电子科技大学 | 针对具有非连续特性目标的粒子滤波检测前跟踪方法 |
| WO2021007985A1 (zh) * | 2019-07-18 | 2021-01-21 | 深圳大学 | 基于tsk模糊模型的粒子滤波方法、装置及存储介质 |
| CN110865343A (zh) * | 2019-11-13 | 2020-03-06 | 中国人民解放军海军航空大学 | 基于lmb的粒子滤波检测前跟踪方法及系统 |
| CN113945892A (zh) * | 2021-10-11 | 2022-01-18 | 哈尔滨工程大学 | 一种体目标三维运动轨迹测量方法 |
Non-Patent Citations (4)
| Title |
|---|
| YIYONG LIU等: ""A high precision long baseline positioning algorithm based on the semi-definite programming"", 《2018 IEEE INTERNATIONAL CONFERENCE ON SIGNAL PROCESSING, COMMUNICATIONS AND COMPUTING (ICSPCC)》, pages 1 - 6 * |
| 冯新喜等: "\"基于高斯粒子CPHD滤波的多目标检测前跟踪算法\"", 《控制与决策》, vol. 32, no. 11, pages 1991 - 1996 * |
| 周圣贤: ""水下传感器网络目标跟踪算法研究"", pages 46 - 48 * |
| 李轩等: ""基于粒子滤波的检测前跟踪算法的改进"", vol. 17, no. 30, pages 2 - 4 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118226379A (zh) * | 2024-05-27 | 2024-06-21 | 哈尔滨工业大学（威海） | 一种复杂海域环境高精度实时定位与动态跟踪算法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115469270B (zh) | 2023-06-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109814073B (zh) | 一种mtd雷达解模糊测速方法 | |
| CN105676181B (zh) | 基于分布式传感器能量比的水下运动目标扩展卡尔曼滤波跟踪方法 | |
| CN109459744B (zh) | 一种实现多干扰抑制的稳健自适应波束形成方法 | |
| CN111198374A (zh) | 基于时空频联合干扰抑制的多普勒敏感信号动目标水声探测方法 | |
| CN104569948A (zh) | 海杂波背景下子带自适应glrt-ltd检测方法 | |
| CN111025273B (zh) | 一种畸变拖曳阵线谱特征增强方法及系统 | |
| CN111796288B (zh) | 一种基于杂波频谱补偿技术的三坐标雷达动目标处理方法 | |
| CN107202989A (zh) | 一种适用于被动拖曳线列阵声呐的复杂弱目标检测和跟踪方法 | |
| CN105974400A (zh) | 一种基于对称谱特性的稳健空时检测方法 | |
| CN115469270B (zh) | 基于检测前跟踪的长基线定位方法及系统 | |
| CN112285720A (zh) | 柔性拖曳线列阵声呐噪声目标的方位迹获取方法及装置 | |
| CN117991190A (zh) | 基于动态变换水下弱目标检测前跟踪方法 | |
| CN106950546A (zh) | 基于马氏距离重加权的非均匀杂波抑制方法 | |
| CN112986967B (zh) | 一种混响边缘的自适应检测方法及装置 | |
| CN105676211B (zh) | 一种基于降秩技术的多亮点目标时空检测方法 | |
| CN105652256B (zh) | 一种基于极化信息的高频地波雷达tbd方法 | |
| CN115963448A (zh) | 适用于深海可靠声路径环境的多传感器宽带声源定位方法 | |
| CN116203522A (zh) | 一种复杂电磁环境下四通道雷达单脉冲测角方法与系统 | |
| CN115469314A (zh) | 一种均匀圆环阵稳健水下目标方位跟踪方法及系统 | |
| CN111965629B (zh) | 一种主动声呐非均匀背景抑制恒虚警检测方法及装置 | |
| CN109212502A (zh) | 基于重加权的采样矩阵求逆非均匀检测器 | |
| CN113075633A (zh) | 一种基于距离-俯仰联合字典的目标定位方法 | |
| CN112630783A (zh) | 一种被动声呐目标跟踪方法 | |
| CN113126029A (zh) | 适用于深海可靠声路径环境的多传感器脉冲声源定位方法 | |
| CN112649787B (zh) | 一种基于低频圆环阵的目标方位估计方法 |
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 |