CN116027816A - 飞行器天线定位方法、系统及计算机存储介质 - Google Patents
飞行器天线定位方法、系统及计算机存储介质 Download PDFInfo
- Publication number
- CN116027816A CN116027816A CN202211617134.9A CN202211617134A CN116027816A CN 116027816 A CN116027816 A CN 116027816A CN 202211617134 A CN202211617134 A CN 202211617134A CN 116027816 A CN116027816 A CN 116027816A
- Authority
- CN
- China
- Prior art keywords
- aircraft
- determining
- information
- antenna
- individuals
- 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
Links
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及飞行器通信领域,并公开了一种飞行器天线定位方法、系统及计算机存储介质,飞行器天线定位方法应用于飞行器天线系统,飞行器天线系统包括天线阵列和波束控制单元,该定位方法包括:获取所述天线阵列接收飞行器的运动信息,基于无迹卡尔曼滤波算法确定所述运动信息对应的目标收搜区域;根据预设的优化定位算法确定所述目标收搜区域的预测信息;根据所述预测信息和采集的位置信息确定角度信息,确定所述角度信息对应的角度控制指令;基于所述角度控制信息通过波束控制单元驱动所述天线阵列,通过改进飞行器天线系统跟踪定位算法,进而提高了天线系统的跟踪定位的准确率。
Description
技术领域
本发明涉及飞行器通信领域,尤其涉及一种飞行器天线定位方法、系统及计算机存储介质。
背景技术
在许多工程领域,往往不能直接得到所需要的状态变量的真实值,例如,雷达探测空中目标,无人机目标定位跟踪等问题中,由于随机干扰,在观测得到的信号中往往加载有随机噪声。要从夹杂有随机噪声的观测信号中分离出飞行器或陆行目标的准确运动状态量是很难的,只有根据观测信号来估计或预测这些状态变量。在线性系统中,Kalman(卡尔曼)滤波算法能有效降低随机噪声影响,提高系统跟踪定位准确性。由此Kalman滤波算法也越来越受人们的青睐。其应用非常广泛,如导航制导、目标定位和跟踪领域,通信与信号处理、数字图像处理、语音信号处理等众多领域。但是实际系统总是存在不同程度的非线性因素,非线性因素很容易影响滤波效果,如在飞行器的飞行状态、卫星导航等系统中都存在非线性因素。
传统的飞行器天线系统是通过单一的Kalman滤波算法或者粒子滤波算法实现天线系统对飞行器的跟踪定位,这种飞行器天线系统存在很大的缺陷,存在因Kalman滤波算法非线性造成正常滤波效果较差和粒子滤波算法会随着采样误差的积累造成粒子退化的问题,即这种飞行器天线系统会由于单一的Kalman滤波算法非线性造成正常滤波效果较差和粒子滤波算法随着采样误差的积累造成粒子退化的现象,造成飞行器天线系统的跟踪定位的准确率不高。
发明内容
本发明的主要目的在于提出一种飞行器天线定位方法、系统及计算机存储介质,旨在改进飞行器天线的跟踪定位算法,进而提高天线的跟踪定位的准确率。
为实现上述目的,本发明提供一种飞行器天线定位方法,所述飞行器天线定位方法应用于飞行器天线系统,所述飞行器天线系统包括天线阵列和波束控制单元,所述飞行器天线定位方法包括:
获取所述天线阵列接收飞行器的运动信息,基于无迹卡尔曼滤波算法确定所述运动信息对应的目标收搜区域;
根据预设的优化定位算法确定所述目标收搜区域的预测信息;
根据所述预测信息和采集的位置信息确定角度信息,确定所述角度信息对应的角度控制指令;
基于所述角度控制信息通过所述波束控制单元驱动所述天线阵列。
可选地,根据预设的优化定位算法确定所述目标收搜区域的预测信息的步骤之后,所述方法还包括:
基于所述预测信息更新所述飞行器的运动信息,并执行所述基于无迹卡尔曼滤波算法确定所述运动信息对应的目标收搜区域的步骤。
可选地,所述基于无迹卡尔曼滤波算法确定所述运动信息对应的目标收搜区域的步骤,包括:
基于所述运动信息构建状态方程和观测方程,其中,所述状态方程为所述飞行器的位置及其对应的加速度和速度的关系信息,所述观测方程为所述飞行器的位置、所述运动信息、预设干扰信息的关系信息;
基于所述无迹卡尔曼滤波算法、所述状态方程和观测方程确定所述飞行器对应的预测位置;
确定预设的扰动范围,基于所述扰动范围确定所述预测位置对应的目标收搜区域。
可选地,所述根据预设的优化定位算法确定所述目标收搜区域的预测信息的步骤,包括:
确定所述优化定位算法中的多种群融合文化遗传算法;
确定与所述目标收搜区域对应的全部候选种群,并确定各所述候选种群对应的候选个体;所述候选个体包括位于所述目标收搜区域的位置,以及与所述位置对应的速度和加速度;
基于所述多种群融合文化遗传算法中的适应度函数,确定所述候选个体的评价值;
基于从小到大的顺序对所述候选个体的评价值进行一次排序,确定各所述候选种群中在所述一次排序中的前预设个数的候选个体为目标个体;
基于所述多种群融合文化遗传算法中的影响函数生成各所述目标个体的子代个体;
按照所述适应度函数,确定所述子代个体的评价值;
基于从小到大的顺序对所述子代个体的评价值进行二次排序,确定所述二次排序中首个子代个体为第一预测信息,并基于所述第一预测信息更新所述多种群融合文化遗传算法的接收函数;
根据所述子代个体的评价值和更新后的所述接收函数确定预测信息。
可选地,所述适应度函数为位置、速度以及加速度的均方根误差和。
可选地,基于从小到大的顺序对所述子代个体的评价值进行二次排序的步骤之后,包括:
统计所述多种群融合文化遗传算法的迭代次数,并检测所述迭代次数是否等于预设的迭代阈值;
若等于,则确定所述二次排序中首个子代个体为第二预测信息,采用所述优化定位算法中的粒子滤波算法确定所述第二预测信息的预测信息;
若不等于,则执行所述确定所述二次排序中首个子代个体为第一预测信息的步骤。
可选地,根据所述子代个体的评价值和更新后的所述接收函数确定预测信息的步骤,包括:
确定各所述候选种群中所述子代个体的评价值的前预设个数的子代个体为新的目标个体;
基于所述影响函数和更新后的所述接收函数生成所述目标个体的子代个体,并执行所述按照所述适应度函数,确定所述子代个体的评价值的步骤,以确定预测信息。
可选的,所述飞行器天线系统还包括全向天线,所述获取所述天线阵列接收飞行器的运动信息的步骤之前,包括:
获取全向天线接收的数据信息,检测所述数据信息的信号强度是否小于预设的阈值信号强度;
若所述数据信息的信号强度小于预设的阈值信号强度,则触发天线切换指令,并基于所述天线切换指令关闭所述全向天线并开启天线阵列,基于所述开启的所述天线阵列执行所述获取所述天线阵列接收飞行器的运动信息的步骤。
此外,为实现上述目的,本发明还提供一种飞行器天线系统,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的飞行器天线程序,所述飞行器天线程序被所述处理器执行时实现上所述的飞行器天线定位方法的步骤。
此外,为实现上述目的,本发明还提供一种计算机存储介质,所述计算机存储介质上存储有飞行器天线程序,所述飞行器天线程序被处理器执行时实现如上所述的飞行器天线定位方法的步骤。
本发明公开了一种飞行器天线定位方法,所述飞行器天线定位方法应用于飞行器天线系统,所述飞行器天线系统包括天线阵列和波束控制单元,该定位方法通过获取所述天线阵列接收飞行器的运动信息,基于无迹卡尔曼滤波算法确定所述运动信息对应的目标收搜区域;根据预设的优化定位算法确定所述目标收搜区域的预测信息;根据所述预测信息和采集的位置信息确定角度信息,确定所述角度信息对应的角度控制指令;基于所述角度控制信息通过所述波束控制单元驱动所述天线阵列。定位方法通过结合无迹卡尔曼滤波算法和优化定位算法,进而可以实现天线阵列对飞行器进行准确定位,使得本申请实施例具有较好的实时性和鲁棒性,提高了天线系统的跟踪定位的准确率。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的飞行器天线系统结构示意图;
图2为本发明飞行器天线定位方法的一实施例的流程示意图;
图3为本发明飞行器天线系统的一实施例的结构框架示意图;
图4为文化遗传算法流程示意图;
图5为本发明飞行器天线定位方法中多种群融合文化遗传算法流程示意图;
图6为本发明飞行器天线定位方法中改进的无迹卡尔曼滤波算法流程示意图;
图7为本发明飞行器天线定位方法中改进的粒子滤波算流程示意图;
图8为本发明飞行器天线定位方法又一实施例场景图;
图9为本发明飞行器天线定位方法又一实施例的实现流程示意图。
附图标号说明:
标号 | 名称 | 标号 | 名称 |
10 | 供电单元 | 20 | 控制中心 |
30 | 通信收发机 | 40 | GPS |
50 | 全向天线 | 60 | 波束控制单元 |
70 | 移相馈电网络 | 80 | 天线阵列 |
0001 | 通信总线 | 0002 | 获取接口 |
0003 | 处理器 | 0004 | 处理接口 |
0005 | 存储器 |
本发明目的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。
本申请实施例的说明书和权利要求书中的术语“第一”和“第二”等是用于区别不同的对象,而不是用于描述对象的特定顺序。例如,第一目标对象和第二目标对象等是用于区别不同的目标对象,而不是用于描述目标对象的特定顺序。
在本申请实施例中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
在本申请实施例的描述中,除非另有说明,“多个”的含义是指两个或两个以上。例如,多个处理单元是指两个或两个以上的处理单元;多个系统是指两个或两个以上的系统。
为了下述各实施例的描述清楚简洁,首先给出一种飞行器定位方法的实现方案的简要介绍:
在飞行器定位算法中,Kalman滤波算法因只能在线性系统中有效降低随机噪声影响,故只能在线性系统中提高系统跟踪位置准确性。但是现实使用过程中,实际系统总是存在不同程度的非线性,非线性很容易影响滤波效果,如在飞行汽车的飞行状态、卫星导航等众多系统中都存在非线性,Kalman滤波很难解决这一非线性问题。而现有非线性系统使用的粒子滤波算法,则会存在随机采样带来的误差的积累甚至导致滤波器发散,使粒子退化进度降低的问题。基于以上算法的不足,提出了本实施例飞行器天线定位方法。
通过获取所述天线阵列接收飞行器的运动信息,基于无迹卡尔曼滤波算法确定所述运动信息对应的目标收搜区域;根据预设的优化定位算法确定所述目标收搜区域的预测信息;根据所述预测信息和采集的位置信息确定角度信息,确定所述角度信息对应的角度控制指令;基于所述角度控制信息通过所述波束控制单元驱动所述天线阵列。定位方法通过结合无迹卡尔曼滤波算法和优化定位算法,进而可以实现天线阵列对飞行器进行准确定位,使得本申请实施例具有较好的实时性和鲁棒性,提高了天线系统的跟踪定位的准确率。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的飞行器天线系统结构示意图。
如图1所示,该飞行器天线系统可以包括:处理器0003,例如中央处理器(CentralProcessing Unit,CPU),通信总线0001、获取接口0002,处理接口0004,存储器0005。其中,通信总线0001用于实现这些组件之间的连接通信。获取接口0002可以包括信息采集装置、获取单元比如计算机,可选获取接口0002还可以包括标准的有线接口、无线接口。处理接口0004可选的可以包括标准的有线接口、无线接口。存储器0005可以是高速的随机存取存储器(Random Access Memory,RAM),也可以是稳定的非易失性存储器(Non-VolatileMemory,NVM),例如磁盘存储器。存储器0005可选的还可以是独立于前述处理器0003的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对飞行器天线系统的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器0005中可以包括操作系统、获取接口模块、处理接口模块以及飞行器天线程序。
在图1所示的飞行器天线系统中,通信总线0001主要用于实现组件之间的连接通信;获取接口0002主要用于连接后台服务器,与后台服务器进行数据通信;处理接口0004主要用于连接部署端(用户端),与部署端进行数据通信;本发明飞行器天线系统中的处理器0003、存储器0005可以设置在飞行器天线系统中,所述飞行器天线系统通过处理器0003调用存储器0005中存储的飞行器天线程序,并执行本发明实施例提供的飞行器天线系统的控制步骤。
基于上述硬件结构,提出本发明飞行器天线定位方法的实施例。
本发明实施例提供了一种飞行器天线定位方法,参照图2,图2为本发明飞行器天线定位方法的一实施例的流程示意图,飞行器天线定位方法应用于飞行器天线系统,飞行器天线系统包括天线阵列和波束控制单元,飞行器天线定位方法包括:
步骤S10,获取所述天线阵列接收飞行器的运动信息,基于无迹卡尔曼滤波算法确定所述运动信息对应的目标收搜区域;
在本实施例中,控制器通过获取天线阵列接收飞行器的运动信息,飞行器为飞行移动体,飞行移动体可以包括但不限于飞行汽车,无人机等。运动信息可以包括飞行移动体的运动方式以及当前对飞行移动体检测到的位置,运动方式可以包括匀加速直线运动、匀速直线运动、抛体运动等。基于无迹卡尔曼(Kalman)滤波算法,对运动信息处理,以预测飞行器的运动信息对应的目标收搜区域,目标收搜区域包括位置、速度、加速度三个变量,在扰动范围内的变化区域。
步骤S20,根据预设的优化定位算法确定所述目标收搜区域的预测信息;
在本实施例中,采用预设的优化定位算法对上述得到的目标收搜区域进行处理,从而在目标收搜区域中确定预测信息。预测信息包括预测位置、预测速度和预测加速度,其中,预测位置为最佳目标搜索区域的中心位置。
由于采用了预设的优化定位算法对由无迹卡尔曼滤波算法得到目标收搜区域进行处理,从而得到更为精准的预测信息,实现对飞行器进行更精准的定位。
步骤S30,根据所述预测信息和采集的位置信息确定角度信息,确定所述角度信息对应的角度控制指令;
在本实施例中,控制器根据预测信息的位置和自身采集的位置信息进而可以确定角度信息,进而根据角度信息生成对应的角度控制指令,其中,位置信息是指控制器所控制的基站或者仪器的经度、纬度、海拔等信息,角度信息是指该基站或者仪器中的天线阵列需要指向飞行器的预测信息需要的角度。
步骤S40,基于所述角度控制信息通过所述波束控制单元驱动所述天线阵列。
在本实施例中,当控制器生成角度控制信息之后,就会通过基站或者仪器内部波束控制单元基于该角度控制信息驱动天线阵列,进而使天线阵列中的每个辐射单元指向飞行器,以保证飞行器与天线阵列的准确通信。
基于以上的飞行器天线定位方法的实施例,提出了本申请飞行器天线定位系统的第一实施例,参照图3,图3为飞行器天线系统的一实施例的结构框架示意图,此飞行器天线系统不限定飞行器天线系统的实际组成,实际可用根据实际需要在以下飞行器天线系统的基础上进行增加模块或者减少模块。飞行器天线系统包括全向天线50、天线阵列80、移相馈电网络70、波束控制单元60、供电单元10、通信收发机30、GPS40和控制中心20。飞行器天线系统通过全向天线50或者天线阵列80接收飞行器传输来的数据,通过通信收发机30送入控制中心20进行处理,控制中心20通过提取当前飞行器传输来的数据中的经度、纬度、海拔等信息,同时通过、GPS40采集本地系统所在位置的经纬度、海拔等信息。基于飞行器定位方法中的算法,通过飞行器与本地系统的两组数据信息计算出天线阵列80指向的俯仰角度和方位角度,控制中心20将俯仰角度和方位角度作为角度控制指令发送到波束控制单元60,最终波束控制单元60将角度信息转换为每个天线单元的相位信息并驱动移相馈电网络70工作使天线阵列80调整角度,以此实现天线阵列80中的每个辐射单元发出的波束扫描信号指向飞行器,实现与飞行器之间的准确定向通信。
进一步的,基于以上飞行器天线定位方法的实施例和飞行器天线定位系统的实施例,提出了本实施例的飞行器天线定位方法的又一实施例,参照图8,图8为飞行器天线定位方法又一实施例场景图,左图为本实施例的通信基站中的飞行器天线系统与单独一个飞行器进行通信的场景图,右图为基于一对一通信的扩展实现多个通信基站中的飞行器天线系统同时与一个飞行器进行通信的场景图,进而实现对于同一个飞行器的通信通过多基站协同工作,进而可以保证通信准确率。参照图9,图9为飞行器天线定位方法又一实施例的实现流程示意图,多个通信基站数据融合方法通过每个基站站点对同一飞行器进行状态采集,根据优化定位算法进行状态估计,得到目标的位置信息及协方差最终局部最优估计信息。在迭代未结束前,根据数据融合算法进行权值更新,并执行每个基站的优化定位算法。在迭代结束之后,每个基站估计的信息通过数据融合算法进行融合,输出融合状态全局最优。最简单的融合就是求平均值,然后计算各基站的局部估计结果与N个基站均值的偏差,以偏差所占比例的大小来进行权值分配,偏差大则权值小,偏差小则权值大。最终,通过多通信基站对飞行器定位进而可以保证定位的准确性。
本实施例公开了一种飞行器天线定位方法,所述飞行器天线定位方法应用于飞行器天线系统,所述飞行器天线系统包括天线阵列和波束控制单元,该定位方法通过获取所述天线阵列接收飞行器的运动信息,基于无迹卡尔曼滤波算法确定所述运动信息对应的目标收搜区域;根据预设的优化定位算法确定所述目标收搜区域的预测信息;根据所述预测信息和采集的位置信息确定角度信息,确定所述角度信息对应的角度控制指令;基于所述角度控制信息通过所述波束控制单元驱动所述天线阵列。定位算法通过结合无迹卡尔曼滤波算法和优化定位算法,进而可以实现天线阵列对飞行器进行准确定位,使得本申请实施例具有较好的实时性和鲁棒性,提高了天线系统的跟踪定位的准确率。
在一些实施例中,步骤S20根据预设的优化定位算法确定所述目标收搜区域的预测信息的步骤之后包括:
步骤A10,基于所述预测信息更新所述飞行器的运动信息,并执行所述基于无迹卡尔曼滤波算法确定所述运动信息对应的目标收搜区域的步骤。
在本实施例中,在得到预测信息后,采用预测信息更新飞行器的运动信息,并按照更新后的运动信息执行所述基于无迹卡尔曼滤波算法确定所述运动信息对应的目标收搜区域的步骤,进而得到新的预测信息,以实现迭代更新预测信息,对飞行器持续地进行定位。
在一些实施例中,步骤S10基于无迹卡尔曼滤波算法确定所述运动信息对应的目标收搜区域的步骤包括:
步骤B10,基于所述运动信息构建状态方程和观测方程,其中,所述状态方程为所述飞行器的位置及其对应的加速度和速度的关系信息,所述观测方程为所述飞行器的位置、所述运动信息、预设干扰信息的关系信息;
步骤B20,基于所述无迹卡尔曼滤波算法、所述状态方程和观测方程确定所述飞行器对应的预测位置;
具体的,无迹Kalman滤波算法能有效降低非线性系统随机噪声影响,提高系统跟踪定位准确性。通常用来对被追踪飞行器运动状态进行预测,可以减少搜索区域的大小,提高跟踪的实时性和稳定性。其应用非常广泛,如导航制导、目标定位和跟踪领域,通信与信号处理、数字图像处理、语音信号处理等众多领域。
运动信息可以包括飞行器的匀加速直线运动的位移方程st=s0+vt+1/2at2和速度方程vt=v0+at以及观测位置(即对飞行器检测到的位置)。
基于运动信息可以构建状态方程和观测方程。
状态方程为:X(k+1)=ΦX(k)+W(k),
步骤B30,确定预设的扰动范围,基于所述扰动范围确定所述预测位置对应的目标收搜区域。
在本实施例中,预测位置中包括第一位置(Xk、Yk、Zk),速度(Vxk、Vyk、Vzk),加速度(Axk、Ayk、Azk),而预设的扰动范围中位置的扰动范围为α、速度的变化范围β、加速度的扰动范围为γ,则结合第一位置(Xk、Yk、Zk),速度(Vxk、Vyk、Vzk),加速度(Axk、Ayk、Azk)以及扰动范围α、β、γ构建搜索区域作为目标收搜区域。
进一步的,基于以上无迹卡尔曼滤波算法,提出了本实施例的一种无迹卡尔曼滤波算法流程示意图,参照图6,图6为飞行器天线定位方法中改进的无迹卡尔曼滤波算法流程示意图,通过确定飞行器为跟踪目标,通过跟踪目标的建立系统状态方程(匀速运动或匀加速运动)和观测方程(距离,方位角,俯仰角等),通过无迹kalman滤波算法将状态参数初始化及多种群融合文化算法初始化(种群数量,交叉变异概率,循环次数,位置、速度、加速度扰动范围等),通过无迹kalman滤波,并确定预测目标的下一个位置为观测位置,并根据观测位置为中心确定搜索空间。并判断飞行器是否消失,如果消失,则结束搜索,反之则使用优化定位算法中的多种群融合文化遗传算法搜索,确定预测的最佳位置,若迭代未结束则继续执行通过无迹kalman滤波,并确定预测目标的下一个位置为观测位置的步骤。反之,循环结束,输出本次最优的位置,本次最优的位置包括了速度,加速度信息,及协方差等信息。
在一些实施例中,步骤S20根据预设的优化定位算法确定所述目标收搜区域的预测信息的步骤包括:
步骤C10,确定所述优化定位算法中的多种群融合文化遗传算法;
文化遗传算法是一种混合算法,即将文化算法与遗传算法结合,是一种应用非常广泛的寻优方法,具有很强的鲁棒性及全局优化特性,在无人机路径规划,图像处理,智能控制,导航制导,导弹目标分配等方面已经得到很好的应用。文化遗传算法可以通过如下方式得到:先初始化种群空间,种群空间可以包含若干个种群,每个种群中可以包含若干个个体,每个个体为变量,满足预先设定的变量范围。适应度函数可以对种群空间中各个个体进行计算,得到相应的评价值,以判断个体之间的优劣。而多种群文化遗传算法则采用多个群体并行进行进化寻优,大大弥补了文化遗传算法单一种群进行遗传进化的不足,其中,不同的群体设置不同的进化参数,实现独立地搜索,寻求各自的最优。
进一步的,参照图4,图4为文化遗传算法流程示意图,通过初始化种群空间(即位置,速度,加速度及其各自变化的范围信息),在规定范围内随机产生一个NxM维实数向量的初始种群个体。N指设定的种群中的个体数量,M指变量的个数。通过具体的需要,设定合适的适应度函数并计算其值,对种群中的每一个个体进行评估,按预先规则选择出符合条件的个体。依据设定的变量取值范围以及初始种群空间中的个体及其适应度值,按照文化算法信仰空间结构要求,产生初始信仰空间。根据新的文化算法的影响函数,对种群空间中上一次的遗传操作中产生的最优个体进行变异操作,生成N个对应的子代个体,参与下一代遗传进化。基本遗传算法的选择操作,自适应交叉变异操作,产生相应的优秀个体。设定接受函数,并按一定的更新规则来刷新信仰空间中的知识。如果不满足终止条件,则算法返回到适应度评价继续运行,反之,则算法结束运行,输出本次较精确的位置,速度,加速度等信息。基于以上文化遗传算法提出了多种群融合文化遗传算法,参照图5,图5为飞行器天线定位方法中多种群融合文化遗传算法流程示意图初始化种群,(即位置,速度,加速度及其各自变化的范围信息),通过适应度函数(即各变量的均方根误差和,误差和越小,对应的个体越优,实际问题即方位信息更精确)计算每个种群中的每个体的对应值,初始化每个种群的形势知识(最优方位信息赋初值)和规范知识(方位信息(位置,速度,加速度)变化范围);根据影响函数对种群空间中的每个个体进行变异操作,产生相应下一代个体。遗传操作;接收函数操作,更新函数更新形势知识和规范知识,从而产生新知识引导进化;M个种群都进行文化遗传算法的操作;实施移民操作,该操将每个种群中出现的最优个体定期地引入到其他种群中,实现各种群之间信息交流与更新。通过人工选择算子将进化过程中各种群中出现的最优秀的个体保存到精华种群,避免优势个体的破坏。判断算法是否满足收敛条件,若满足则终止,否则转到继续执行每个单一的文化遗传算法,收敛后输出算法最优结果,即最优方位信息(即位置,速度,加速度等)。
步骤C20,确定与所述目标收搜区域对应的全部候选种群,并确定各所述候选种群对应的候选个体;所述候选个体包括位于所述目标收搜区域的位置,以及与所述位置对应的速度和加速度;
步骤C30,基于所述多种群融合文化遗传算法中的适应度函数,确定所述候选个体的评价值;
通过确定目标收搜区域对应的全部候选种群,进而确定每个种群的候选个体,候选个体包括位于所述目标收搜区域的位置,以及与所述位置对应的速度和加速度,候选种群是指目标收搜区域的候选个体随机组成的种群,每个种群同时执行种群融合文化遗传算法,通过确定多种群融合文化遗传算法中的适应度函数确定每个种群中的候选个体的评价值
步骤C40,基于从小到大的顺序对所述候选个体的评价值进行一次排序,确定各所述候选种群中在所述一次排序中的前预设个数的候选个体为目标个体;
可以对候选个体的评价值按照从小到大的顺序进行排序,并确定在该一次排序中前预设个数(例如:排序中评价值最小的9个)候选个体为目标个体,本发明实施例对目标个体的个数不做限定。
步骤C50,基于所述多种群融合文化遗传算法中的影响函数生成各所述目标个体的子代个体;
按照多种群融合文化遗传算法中的影响函数,对各个种群中的目标个体进行变异操作,得到若干个所述最优个体的子代个体;。
可以按照影响函数对种群空间中依据适应度函数确定的最优个体进行变异操作,得到若干个最优个体的子代个体,其中,子代个体为由上述最优个体得到的第N代个体,其中N≥1。
步骤C60,按照所述适应度函数,确定所述子代个体的评价值;
步骤C70,基于从小到大的顺序对所述子代个体的评价值进行二次排序,确定所述二次排序中首个子代个体为第一预测信息,并基于所述第一预测信息更新所述多种群融合文化遗传算法的接收函数;
步骤C80,根据所述子代个体的评价值和更新后的所述接收函数确定预测信息。
确定子代个体的评价值,从小到大的顺序对所述子代个体的评价值进行二次排序,确定所有种群中的所有最优子代,并在最优子代确定首个子代个体为第一预测信息,也就是将所有最优子代中的种群最优子代作为第一预测信息,并根据种群最优子代更新所述多种群融合文化遗传算法的接收函数,种群最优子代是指多个种群之间的最优一个子代。最终根据子代个体的评价值和更新后的所述接收函数确定预测信息。
进一步的,所述适应度函数为位置、速度以及加速度的均方根误差和。
在另一些实施例中,步骤C70基于从小到大的顺序对所述子代个体的评价值进行二次排序的步骤之后包括:
步骤D10,统计所述多种群融合文化遗传算法的迭代次数,并检测所述迭代次数是否等于预设的迭代阈值;
步骤D20,若等于,则确定所述二次排序中首个子代个体为第二预测信息,采用所述优化定位算法中的粒子滤波算法确定所述第二预测信息的预测信息;
步骤D30,若不等于,则执行所述确定所述二次排序中首个子代个体为第一预测信息的步骤。
在本实施例中,通过统计多种群融合文化遗传算法的迭代次数,迭代次数是指循环执行的次数,若迭代次数等于预设的迭代阈值,则迭代结束,确定二次排序中首个子代个体为第二预测信息,也就是将二次排序的种群最优子代作为第二预测信息,通过第二预测信息执行粒子滤波算法得到第二预测信息的预测信息,结束本次预测循环。反之迭代次数小于预设的迭代阈值,则迭代未结束时,则可以按照预设算子对所述子代个体进行处理之后执行确定所述二次排序中首个子代个体为第一预测信息的步骤的步骤;所述预设算子包括选择算子、交叉算子、逆转算子、变异算子中的至少一个。进一步的,参照图7,图7为飞行器天线定位方法中改进的粒子滤波算流程示意图,通过采样周期,采样点数,过程噪声方差,观测噪声方差,滤波结果,粒子集合初始化等,利用无迹kalman滤波产生粒子集合(多样性较好也就是选择性更多,更有可能存在最优结果),即获得状态信息(位置,速度,加速度及其方差信息),通过计算权重,归一化权重;根据预设的粒子多样性值,判断是否重采样,若是则重采样,若否则直接更新数据;判断循环是否结束,若结束则输出输出最终估计(即与真实值最接近的位置,速度,加速度等信息),若否则进入下一次循环。值得说明的是粒子滤波算法还可以从增加粒子数及重采样技术两个方面进行改进,改善粒子退化现象。
在另一些实施例中,步骤C80根据所述子代个体的评价值和更新后的所述接收函数确定预测信息的步骤包括:
步骤E10,确定各所述候选种群中所述子代个体的评价值的前预设个数的子代个体为新的目标个体;
步骤E20,基于所述影响函数和更新后的所述接收函数生成所述目标个体的子代个体,并执行所述按照所述适应度函数,确定所述子代个体的评价值的步骤,以确定预测信息。
在本实施例中,通过确定候选种群中全部子代个体的评价值的前预设个数的子代个体为新的目标个体,并确定该二次排序中前预设个数(例如:排序中评价值最小的15个)候选个体为目标个体,本发明实施例对目标个体的个数不做限定,并基于影响函数和更新后的所述接收函数生成所述目标个体的子代个体,通过执行所述按照所述适应度函数,确定所述子代个体的评价值的步骤,以确定预测信息,一方面影响函数可以在不同文化遗传算法中设置值不同,且每次进行交叉变异的交叉概率和变异概率也存在区别,另一方面,通过每次执行交叉变异之后的接收函数中随机数的范围也会随着种群最优子代进行收敛,进而可以提高确定最优个体的效率。
在一些实施例中,所述飞行器天线系统还包括全向天线,步骤S10获取所述天线阵列接收飞行器的运动信息的步骤之前包括:
步骤F10,获取全向天线接收的数据信息,检测所述数据信息的信号强度是否小于预设的阈值信号强度;
步骤F20,若所述数据信息的信号强度小于预设的阈值信号强度,则触发天线切换指令,并基于所述天线切换指令关闭所述全向天线并开启天线阵列,基于所述开启的所述天线阵列执行所述获取所述天线阵列接收飞行器的运动信息的步骤。
在本实施例中,因飞行器天线系统中的全向天线和天线阵列可依据工作模式进行切换。也就是说飞行器天线系统会根据实际接收的信号状态选择性的使用全向天线和天线阵列与飞行器进行通信。当使用天线阵列进行通信时,就会执行获取所述天线阵列接收飞行器的运动信息的步骤,反之,当使用全向天线进行通信时,就会获取全向天线接收的数据信息,并检测数据信息的信号强度是否小于预设的阈值信号强度,其中,数据信息是指接收飞行器的数据,只在于关注数据信息时的信号强度,信号强度是指信号的强弱关系。例如,可以定义为通信信号为最佳信号的一半为阈值信号强度,低于该阈值信号强度则会使天线阵列开始高增益工作,反之则全向天线的低增益工作。在据信息的信号强度小于预设的阈值信号强度时,就会触发生成天线切换指令,并通过天线切换指令关闭全向天线并开启天线阵列,天线切换指令是指开启全向天线并关闭天线阵列的指令,或者关闭全向天线并开启天线阵列的指令。最后在天线阵列开启之后执行所述获取所述天线阵列接收飞行器的运动信息的步骤,进而可以使天线根据信号强度工作在不同工作模式,可以保证天线通信准确的情况下,降低了天线工作的功耗。
本发明还提供一种飞行器天线系统。
本发明飞行器天线系统包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的飞行器天线程序,所述飞行器天线程序被处理器执行时实现如上所述的飞行器天线定位方法的步骤。
本发明还提供一种计算机存储介质。
本发明计算机存储介质上存储有飞行器天线程序,所述飞行器天线程序被处理器执行时实现如上所述的飞行器天线定位方法的步骤。
其中,在所述处理器上运行的飞行器天线程序被执行时所实现的方法可参照本发明飞行器天线定位方法各个实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个计算机存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种飞行器天线定位方法,其特征在于,所述飞行器天线定位方法应用于飞行器天线系统,所述飞行器天线系统包括天线阵列和波束控制单元,所述飞行器天线定位方法包括:
获取所述天线阵列接收飞行器的运动信息,基于无迹卡尔曼滤波算法确定所述运动信息对应的目标收搜区域;
根据预设的优化定位算法确定所述目标收搜区域的预测信息;
根据所述预测信息和采集的位置信息确定角度信息,确定所述角度信息对应的角度控制指令;
基于所述角度控制信息通过所述波束控制单元驱动所述天线阵列。
2.如权利要求1所述飞行器天线定位方法,其特征在于,所述根据预设的优化定位算法确定所述目标收搜区域的预测信息的步骤之后,所述方法还包括:
基于所述预测信息更新所述飞行器的运动信息,并执行所述基于无迹卡尔曼滤波算法确定所述运动信息对应的目标收搜区域的步骤。
3.如权利要求1所述飞行器天线定位方法,其特征在于,所述基于无迹卡尔曼滤波算法确定所述运动信息对应的目标收搜区域的步骤,包括:
基于所述运动信息构建状态方程和观测方程,其中,所述状态方程为所述飞行器的位置及其对应的加速度和速度的关系信息,所述观测方程为所述飞行器的位置、所述运动信息、预设干扰信息的关系信息;
基于所述无迹卡尔曼滤波算法、所述状态方程和观测方程确定所述飞行器对应的预测位置;
确定预设的扰动范围,基于所述扰动范围确定所述预测位置对应的目标收搜区域。
4.如权利要求1所述飞行器天线定位方法,其特征在于,所述根据预设的优化定位算法确定所述目标收搜区域的预测信息的步骤,包括:
确定所述优化定位算法中的多种群融合文化遗传算法;
确定与所述目标收搜区域对应的全部候选种群,并确定各所述候选种群对应的候选个体;所述候选个体包括位于所述目标收搜区域的位置,以及与所述位置对应的速度和加速度;
基于所述多种群融合文化遗传算法中的适应度函数,确定所述候选个体的评价值;
基于从小到大的顺序对所述候选个体的评价值进行一次排序,确定各所述候选种群中在所述一次排序中的前预设个数的候选个体为目标个体;
基于所述多种群融合文化遗传算法中的影响函数生成各所述目标个体的子代个体;
按照所述适应度函数,确定所述子代个体的评价值;
基于从小到大的顺序对所述子代个体的评价值进行二次排序,确定所述二次排序中首个子代个体为第一预测信息,并基于所述第一预测信息更新所述多种群融合文化遗传算法的接收函数;
根据所述子代个体的评价值和更新后的所述接收函数确定预测信息。
5.如权利要求4所述飞行器天线定位方法,其特征在于,所述适应度函数为位置、速度以及加速度的均方根误差和。
6.如权利要求4所述飞行器天线定位方法,其特征在于,所述基于从小到大的顺序对所述子代个体的评价值进行二次排序的步骤之后,包括:
统计所述多种群融合文化遗传算法的迭代次数,并检测所述迭代次数是否等于预设的迭代阈值;
若等于,则确定所述二次排序中首个子代个体为第二预测信息,采用所述优化定位算法中的粒子滤波算法确定所述第二预测信息的预测信息;
若不等于,则执行所述确定所述二次排序中首个子代个体为第一预测信息的步骤。
7.如权利要求4所述飞行器天线定位方法,其特征在于,所述根据所述子代个体的评价值和更新后的所述接收函数确定预测信息的步骤,包括:
确定各所述候选种群中所述子代个体的评价值的前预设个数的子代个体为新的目标个体;
基于所述影响函数和更新后的所述接收函数生成所述目标个体的子代个体,并执行所述按照所述适应度函数,确定所述子代个体的评价值的步骤,以确定预测信息。
8.如权利要求1至7中任一项所述飞行器天线定位方法,其特征在于,所述飞行器天线系统还包括全向天线,所述获取所述天线阵列接收飞行器的运动信息的步骤之前,包括:
获取全向天线接收的数据信息,检测所述数据信息的信号强度是否小于预设的阈值信号强度;
若所述数据信息的信号强度小于预设的阈值信号强度,则触发天线切换指令,并基于所述天线切换指令关闭所述全向天线并开启天线阵列,基于所述开启的所述天线阵列执行所述获取所述天线阵列接收飞行器的运动信息的步骤。
9.一种飞行器天线系统,其特征在于,所述飞行器天线系统包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的飞行器天线定位程序,所述飞行器天线定位程序被所述处理器执行时实现如权利要求1至8中任一项所述飞行器天线定位方法的步骤。
10.一种计算机存储介质,其特征在于,所述计算机存储介质上存储有飞行器天线定位程序,所述飞行器天线定位程序被处理器执行时实现如权利要求1至8中任一项所述飞行器天线定位方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211617134.9A CN116027816A (zh) | 2022-12-13 | 2022-12-13 | 飞行器天线定位方法、系统及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211617134.9A CN116027816A (zh) | 2022-12-13 | 2022-12-13 | 飞行器天线定位方法、系统及计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116027816A true CN116027816A (zh) | 2023-04-28 |
Family
ID=86080483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211617134.9A Pending CN116027816A (zh) | 2022-12-13 | 2022-12-13 | 飞行器天线定位方法、系统及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116027816A (zh) |
-
2022
- 2022-12-13 CN CN202211617134.9A patent/CN116027816A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Autonomous tracking using a swarm of UAVs: A constrained multi-agent reinforcement learning approach | |
Levine et al. | Information-rich path planning with general constraints using rapidly-exploring random trees | |
CN105372628A (zh) | 一种基于Wi-Fi的室内定位导航方法 | |
Bagosi et al. | Indoor localization by WiFi | |
CN113342030B (zh) | 基于强化学习的多无人机协同自组织控制方法及系统 | |
CN109743093A (zh) | 一种无人机毫米波通信波束追踪方法 | |
CN106872970B (zh) | 一种基于差分进化的多目标变数据率跟踪装置及其方法 | |
Shi et al. | Adaptive informative sampling with environment partitioning for heterogeneous multi-robot systems | |
CN109143275A (zh) | 一种基于粒子群的小型化阵列天线抗干扰实现方法 | |
CN110849355B (zh) | 一种地磁多参量多目标快速收敛的仿生导航方法 | |
WO2020248443A1 (zh) | 一种基于二维相控天线阵列的快速精确波束跟踪方法 | |
CN112881979A (zh) | 一种基于ekf滤波的初始状态自适应融合定位方法 | |
Jiang et al. | Localization of multiple RF sources based on Bayesian compressive sensing using a limited number of UAVs with airborne RSS sensor | |
Zhou et al. | RSSI-based mobile robot navigation in grid-pattern wireless sensor network | |
CN115421517A (zh) | 一种基于路径规划的无人机控制方法及系统 | |
CN113534819B (zh) | 用于领航跟随型多智能体编队路径规划的方法和存储介质 | |
CN114281101A (zh) | 一种基于强化学习的无人机与云台干扰源联合搜索方法 | |
CN112738709B (zh) | 一种基于uwb信号的粒子群搜索室内定位方法及系统 | |
CN116027816A (zh) | 飞行器天线定位方法、系统及计算机存储介质 | |
CN110146903B (zh) | 一种基于反馈调整惯性权重的粒子群北斗卫星选择方法 | |
Chang et al. | GA path planning for AUV to avoid moving obstacles based on forward looking sonar | |
CN113438596A (zh) | 一种面向北斗与5g融合的毫米波低时延波束赋形方法 | |
CN112379366A (zh) | 一种基于粒子群滤波的雷达目标跟踪算法 | |
CN113391274B (zh) | 一种机载相控阵雷达低空目标最优搜索方法 | |
CN112731321B (zh) | 基于mimo认知雷达的移动机器人避障及地图绘制方法 |
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 |