CN117451055A - 一种基于基追踪降噪的水下传感器定位方法和系统 - Google Patents
一种基于基追踪降噪的水下传感器定位方法和系统 Download PDFInfo
- Publication number
- CN117451055A CN117451055A CN202311556865.1A CN202311556865A CN117451055A CN 117451055 A CN117451055 A CN 117451055A CN 202311556865 A CN202311556865 A CN 202311556865A CN 117451055 A CN117451055 A CN 117451055A
- Authority
- CN
- China
- Prior art keywords
- signal
- underwater sensor
- noise
- underwater
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000009467 reduction Effects 0.000 title claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 48
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 239000013598 vector Substances 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000005070 sampling Methods 0.000 claims description 13
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 16
- 238000012360 testing method Methods 0.000 abstract description 14
- 238000002474 experimental method Methods 0.000 abstract description 12
- 238000005457 optimization Methods 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 6
- 230000006872 improvement Effects 0.000 abstract description 5
- 238000012549 training Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 239000003550 marker Substances 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
- G01C21/203—Specially adapted for sailing ships
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明提出了一种基于基追踪降噪的水下传感器定位方法和系统,用于基于深度学习的水下传感器定位。该方法借助稀疏约束性质,构建稀疏信号L1范数惩罚项最小二乘法优化问题,用基追踪降噪算法处理恢复出无噪信号,完成信号的去噪处理。后续在通过神经网络进行定位,以此来提高水下传感器定位精度。利用真实海试数据实验证明,本发明提出的基于基追踪降噪的水下传感器定位算法在定位精度方面取得了良好的性能提升,显示了基于基追踪降噪的水下传感器在基于深度学习的水下定位中的潜力。
Description
技术领域
本发明属于信号处理技术领域,涉及一种基于基追踪降噪的水下传感器定位方法和系统。
背景技术
水下海洋环境是安全和经济发展的重要基础,现如今在各方各面起着越来越重要的作用。充分认识水下海洋环境是海洋资源合理利用和海洋自然灾害有效预防的重要保障。水下无线传感器网络定位技术及水下无线传感器网络的研究持续进行,水下无线传感器网络节点定位是水下无线传感器网络相关应用的基础和关键。对于大多数应用场景下传感器采集的数据,如果无法获得这些数据来源的位置,那么所采集的这些数据可能是没有任何利用价值的。
对于许多水下传感器定位场景,传统的基于距离的定位技术,包括到达时间(TOA)、到达时差(TDOA)、到达角(AOA)和接收信号强度(RSSI)仍然适用。然而,基于距离的定位在很大程度上依赖于信号传播模型的准确性,水下环境通常更加多样化和复杂,在这一领域出现了许多算法。匹配场定位(MFP)技术是二十世纪初提出的一种目标定位方法,该方法用所有环境参数、信道参数共同构建出一个场源模型,然后与采集到的真实的基本阵列数据相比较,以此来寻找一个与实际测试时采集到的信号特征最相似的点作为定位的位置。该方法实质是通过建模,寻求和实际测量之间的相关来获得目标位置信息。虽然这种方法得到的信号传播模型很精准,作用范围大,精度较之前的方法也有提升;但是建模时的计算量庞大且计算时要用到的传播模型容易受环境参数影响,所以该方法不能进行实时测量。这几年来在这一领域,开始出现将基于深度学习的回归算法应用于水下定位领域,并且用真实的实验数据来模拟,得到的结果表明深度学习算法在这一领域有一定的研究前景。许多机器学习算法,如前馈神经网络(FNN)、支持向量机(SVM)、随机森林(RF)都得到了广泛的应用,将深度学习应用于水下传感器定位领域受到越来越多的关注,例如,深度神经网络(DNN)、卷积神经网络(CNN)和递归神经网络(RNN)已被提出用于水下传感器定位。
目前进行的大部分水下传感器定位研究都是在深度学习的网络模型上面进行改进或者更换模型,这类研究主要集中在深度学习上,待定位传感器向锚节点发送信号,提取出锚节点接收到的信号的特征,用神经网络实现对待定位传感器的定位,而忽略了锚节点接收到的信号本身,在锚节点接收到的信号预处理方面研究并不够充分。但是水下环境十分复杂,水声信道中由于各种生物和海洋环境会存在许多不可估计的噪声,对于水下锚节点接收到的原始信号,由于信号在水声信道中传播存在的干扰,收到的信号中混杂着噪声,因此会造成因为信号本身在水声信道中传播而造成的误差,这一误差在整个定位过程中是不可忽视的。将含噪声的数据用于深度学习达到水下传感器定位的目的,在一些情况下会对最终定位精度产生较大的偏差,这些偏差是改进深度学习网络所弥补不了的,因为这些偏差来源于数据本身。例如前馈神经网络和随机森林被证明,在分类问题中,如果数据存在较大的噪声,且存在需要划分多类的变量,前馈神经网络和随机森林的预测效果都会降低。
发明内容
本发明的目的在于克服上述现有技术的缺点,提供一种基于基追踪降噪的水下传感器定位方法和系统,以解决现有技术中水下传感器定位容易受噪声影响导致定位效果差的缺陷,从而对水下传感器定位的性能做出提升。
为达到上述目的,本发明采用以下技术方案予以实现:
一种基于基追踪降噪的水下传感器定位方法,包括以下步骤:
S1,在锚节点接收待定位传感器的节点信号,所述节点信号由无噪信号和噪声信号组成;所述无噪信号由水下传感器发出,噪声信号在水声信道中生成;
S2,通过基追踪降噪算法求解稀疏去噪问题,从节点信号中获取无噪信号;
S3,将无噪信号做离散傅里叶变换,获得频域声压数据,将频域声压数据归一化处理后,获得采样协方差矩阵,基于采样协方差矩阵,获得无噪信号对应的数据特征;将数据特征输入至定位神经网络模型,获得水下传感器的位置。
本发明的进一步改进在于:
优选的,S2中,所述去噪问题的公式为:
其中,λ为系数,A为N×N的傅里叶逆变换矩阵,y是长度为N的向量,x是长度为N的向量,u为辅助变量。
优选的,采用ADMM算法,通过迭代下式(7),获得辅助变量u;
将获得的辅助变量u,带入至s(n)=Au,获得无噪信号。
优选的,S2后,还包括以下步骤,分别以时域和频域判断获得的无噪信号是否满足要求;
时域的判断方法为:比较无噪信号和节点信号,判断无噪信号相对于节点信号的毛刺是否减少;
频率的判断方法为:比较无噪信号和节点信号,判断无噪信号相对于节点信号,是否有频点上的值变为0或1。
优选的,S3中,数据归一化的公式为:
其中,q(f)为频域声压数据,f为选择的频率点,L为接收到信号的锚节点个数。
优选的,S3中,将协方差矩阵中上三角矩阵和对角线元素的实部和虚部,拼成一个L(L+1)维的向量,获得无噪信号对应的数据特征。
优选的,S3中,所述神经网络模型输出K维列向量,通过K维列向量获得水下传感器的位置。
优选的,S3中,K维的列向量中,第k个数据为1,对应标记向量为izk,对应获得rk,为水下传感器的位置。
优选的,S3中,所述神经网络模型通过损失函数训练;所述损失函数通过比较神经网络输出的水下传感器节点位置和实际水下传感器节点位置的获得;损失函数为MSE函数。
一种基于基追踪降噪的水下传感器定位系统,包括:
采集单元,用于在锚节点接收待定位传感器的节点信号,所述节点信号由无噪信号和噪声信号组成;所述无噪信号由水下传感器发出,噪声信号在水声信道中生成;
去噪单元,用于通过基追踪降噪算法求解稀疏去噪问题,从节点信号中获取无噪信号;
确定位置单元,用于将无噪信号做离散傅里叶变换,获得频域声压数据,将频域声压数据归一化处理后,获得采样协方差矩阵,基于采样协方差矩阵,获得无噪信号对应的数据特征;将数据特征输入至定位神经网络模型,获得水下传感器的位置。
与现有技术相比,本发明具有以下有益效果:
本发明提出了一种基于基追踪降噪的水下传感器定位算法,用于基于深度学习的水下传感器定位。相较于之前在这领域的研究,本发明并没有着重于改进深度学习的网络模型,而是着重于水下锚节点接收到的信号数据预处理过程,更关注于信号数据本身。由于水下待定位传感器发射的信号频率是固定的一些频率,所以水下传感器发射的信号在频域上具有稀疏的性质,锚节点接收到的信号也应在频域上具有稀疏的性质。借助稀疏约束性质,构建稀疏信号L1范数惩罚项最小二乘法优化问题,用基追踪降噪算法处理恢复出无噪信号,完成信号的去噪处理。后续在通过神经网络进行定位,以此来提高水下传感器定位精度。利用真实海试数据实验证明,本发明提出的基于基追踪降噪的水下传感器定位算法在定位精度方面取得了良好的性能提升,显示了基于基追踪降噪的水下传感器在基于深度学习的水下定位中的潜力
通过真实的海试数据实验证明,本发明提出的水下传感器定位方法在定位准确度方面取得了良好的性能,显示了基于基追踪降噪的水下传感器在基于深度学习的水下定位中的潜力,相较于之前在这领域的研究,本发明并没有着重于改进深度学习的网络模型,而是着重于水下锚节点接收到的信号数据预处理过程,更关注于信号数据本身,利用水下锚节点接收到的信号在频域上的稀疏性质,通过去除信号在水声信道中传播而产生的噪声来提高水下传感器定位精度,减小定位误差。
附图说明
图1为采用的前馈神经网络结构示意图;
图2为Swell96Ex实验示意图;
图3为Swell96Ex实验中水下传感器接收到的原始信号时域;
图4为Swell96Ex实验中水下传感器接收到的原始信号频域;
图5为Swell96Ex实验中水下传感器接收到的信号经过BPD算法去噪后的时域;
图6为Swell96Ex实验中水下传感器接收到的信号经过BPD算法去噪后的频域;
图7为选用频点f=109Hz、198Hz得到的预测结果图;
图8为选用频点f=109Hz、198Hz经过BPD算法去噪后得到的预测结果图;
图9为整个算法的流程图。
具体实施方式
下面结合附图对本发明做进一步详细描述:
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制;术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性;此外,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
本发明提出了一种基于基追踪降噪的水下传感器定位算法,用于基于深度学习的水下传感器定位。通过已知频率的锚节点接收信号,由于水下待定位传感器发射的信号频率是固定的一些频率,水下传感器发射的信号在频域上具有稀疏的性质,即水下锚节点接收到的信号在频域上也应具有稀疏的性质,将信号建模为无噪信号和噪声之和,进而用基追踪降噪算法处理恢复出无噪信号。根据已知的频率,构建稀疏信号L1范数惩罚项最小二乘法优化问题,最终重构出无噪信号。本发明在建立的水下传感器节点模型下,将锚节点接收到的水下待定位传感器发射的信号去噪作为稀疏信号的恢复和重构问题,借助稀疏信号的稀疏约束性质,采用基追踪降噪算法对传感器接收到的信号进行重构,最终完成信号的去噪处理。
本发明的一个实施例公开了一种基于基追踪降噪的水下传感器定位方法,该方法包括以下步骤:
S1,在锚节点中接收待定位的传感器节点信号;传感器节点信号在频域上具有稀疏的性质;
S2,将传感器的节点信号通过基追踪降噪算法获得无噪信号;其中的基追踪降噪算法为:通过L1范数惩罚项最小二乘法问题求解。
S3,将无噪信号输入至水下传感器定位神经网络模型中,通过水下传感器定位神经网络模型输出发出传感器节点信号的位置;
S4,输出传感器接电信号的位置。
具体的,S1的具体过程包括
本发明首先在水下传感器节点数据集中挑选出该数据集中待定位的传感器节点发射到锚节点接收的信号,便于根据锚节点对传感器进行定位,锚节点为具体位置已知的节点。
将锚节点接收到的原始信号建模为:
y(n)=s(n)+w(n) (1)
其中,y(n)为锚节点接收到的原始信号,w(n)为水声信道中的噪声信号,s(n)为无噪信号。
无噪信号s(n)在频域具有稀疏表示,即可表示建模为:
s=Ax (2)
那么含噪信号可以表示成:
y=Ax+w (3)
其中,y是长度为N的向量,x是长度为N的向量,x中只有少数位置的值不为零,其余位置都为零,x是稀疏信号在频域上的向量,稀疏即x中只含有少数频率的分量,频域上也只有这些频率上才有值;A为N×N的傅里叶逆变换矩阵:
其中,j为叙述,p,q为该元素在矩阵中的行数和列数。
具体的,S2的具体过程为:
S201,将信号从待定位传感器发射到锚节点接收,整个在水声信道中传播的过程认为存在较大的噪声干扰,由于信号在频域上具有稀疏的性质,采用基追踪降噪的方法对锚节点接收到的原始信号进行去噪处理;所以该去噪问题为稀疏去噪问题,即可采用基追踪降噪算法(BPD算法)解决。
将从水下锚节点接收到的含噪信号y(n)中恢复出无噪信号s(n)问题转化为L1范数惩罚项最小二乘法问题求解:
通过变量分裂,可将优化问题写成:
其中,λ为系数,公式中的第一项是原始信号和恢复出的信号的误差最小,第二项是约束x的稀疏性,即x中应该只含有少数频率的分量,u是一个辅助变量,用于表示x的L1范数。
采用ADMM算法,上式中的优化在x和u之间交替进行,该算法仍会收敛到全局最小。
通过迭代下式(7),
其中,μ是正则化参数,用于控制稀疏性,有助于特征选择;d是拉格朗日乘子,用于引入对约束问题u-x=0的惩罚。
当误差小于设定的一个阈值时或者是迭代优化次数达到一定时,最终求解出u,即可求解出无噪信号s(n)=Au用于后续步骤。
S202:验证BPD算法对于水下锚节点接收到的信号去噪效果。分别从时域和频域两个角度进行分析,将未进行BPD算法去噪的信号与经过BPD算法去噪的信号进行对比。
从时域上观察经过BPD算法去噪的信号相较于未进行BPD算法去噪的信号整体上是否少了类似于毛刺的部分。从频域上观察经过BPD算法去噪的信号相较于未进行BPD算法去噪的信号在一些频点上的值是否变为0或者减小,以此验证在水下传感器定位场景下BPD算法的去噪效果,如果未满足要求,修改优化问题中的参数和迭代次数,重复步骤201。
具体的,S3的具体过程为:
S301,得到无噪信号后,将水下传感器定位问题作为深度学习的分类问题进行求解,将上述的无噪信号做离散傅里叶变换,得到频域声压数据q(f)=[q1(f),…,qL(f)]T,f为选择的频率点,L为接收到信号的锚节点个数,频域声压数据除以其范数,实现数据的归一化:
得到一个L×L的采样协方差矩阵:
该采样协方差矩阵反映了锚节点接收到的所有无噪信号在选择的频点f的强度,还反映了各个锚节点接收到的无噪信号的相位特征,从而无噪信号反映了在空间分布上的特征。由于得到的采样协方差矩阵是沿对角线对称的,取矩阵的上三角矩阵和对角线上的元素的实部和虚部,然后拼成一个列向量,一个列向量代表一个无噪信号,即得到一个L(L+1)维的列向量,这样就得到了无噪信号对应的数据特征。其中,实部和虚部综合起来可以反映锚节点接收到的信号功率相位特征以及传感器之间位置的相位关系。
将待定位传感器位置的Range划分成K个网格,其中的K的获取根据定位要求的最小误差获取,K个网格为K个并排的长条状网格;一个声源水平位置对应一个标记向量in,每一个向量只有一个元素是1,即一共存在K个标记向量对应K个传感器位置所属的网格,该标记向量in对应上面的一个无噪信号的数据特征,一个数据特征列向量能够对应一个网格,但是一个网格有可能对应多个列向量,即可能有多组接收到的数据特征来自于同一个网格,代表一个网格中可能有多个传感器发出对应的信号。
其中,z=1,...,N是输入样本的序号,rk(k=1,...,K)是预先标记的传感器位置,r为定位出的位置,因此每一个输入样本的标记向量iz都对应一个位置rk,这样就得到了数据的标签。
S302,将数据特征输入神经网络后,输出是一个K维的列向量,每个列向量中只有一个值为1,其余为0,这个向量中假如第k个数据为1,即对应的是标记向量izk,属于第k类,即第k个网格izk,再对应到rk上,rk是具体的位置,r主要是在划分K个网格时起作用,因为一个网格对应的是一个区域,区域里存在多个传感器,其位置不一样,r就是每个传感器的位置,但是最后定位时只能定位到这个网格,即为最终的传感器位置。例如最后定位到izk这个对应的网格,即认为最终定位得到的具体位置就是rk,rk由自己决定,一般是取这个网格区域的中心点。
本发明的一些实施方案中,神经网络为训练得到,参见图9,具体的训练过程为:
将原始数据的特征和标签对应起来,随机划分为训练集和测试集,将训练集输入进神经网络训练,通过神经网络获得每一个特征数据对应的水下传感器节点位置,将计算得到的位置于该特征数据对应的实际水下传感器节点位置比较计算,获得损失函数,当损失函数满足设定要求或者训练达到一定次数时,神经网络训练结束,最终将得到的网络模型参数保存。原始数据集中包括锚节点位置,待定位节点真实位置,锚节点接收到的信号。
本发明使用的水下传感器定位神经网络模型是三层前馈神经网络模型。图1为本发明采用的前馈神经网络结构图。网络的输入大小为N×L(L+1),即有N个样本,每个样本的特征维数为L(L+1)。对于不同的数据集,第1层、第2层和第3层中的神经元数量是不同的。可以由实际情况进行定夺。神经网络定位测试集选用本发明对原数据集随机产生的测试集进行定位性能检验。
使用MSE函数作为FNN的损失函数,网络将直接输出目标的坐标。使用Adam优化器,网络的初始学习率为0.01。使用L2损耗作为重量衰减,并将值设置为5×10-4。此外,为了在一定程度上避免网络神经元的死亡,每层神经元的激活函数都使用了Relu函数,输出层选取Softmax函数作为激活函数。
性能验证阶段。将测试集数据输入步骤4保存的网络模型中,得到水下传感器的预测位置对应的所属类别,再根据分类准则倒推来得到水下传感器的预测位置,与实际位置进行对比。
为了便于分析水下传感器的定位准确度,本发明认为当预测位置和实际位置的绝对误差或相对误差小于某个值l时该传感器位置预测准确,l值的确定取决于具体的应用场景,视具体情况定夺。使用未进行BPD算法去噪的信号与经过BPD算法去噪的信号分别进行上述步骤3、4、5,然后分别得到预测准确率和预测误差,将两个结果进行对比分析,验证BPD算法对于水下传感器定位的性能提升。结果发现利用所述基追踪降噪方法对信号去噪最终得到的水下传感器定位效果更好。
实施例1
下面结合附图和具体的实施例对本发明作进一步详细说明。
实验中,选用的数据集为SWell96Ex试验,该水声试验由美国海洋物理实验室(Marine Physical Lab)等单位于San Diego附近海域进行的一个75分钟的实验。测试船拖曳着一个传感器从VLA阵列的一侧沿直线匀速驶向另一侧,该传感器在整个过程中一直发射若干频率的信号,频率都在0~400Hz范围内。该水声试验总共部署了4个位置已知的传感器阵列组用来接收信号,即为锚节点,分别是VLA、TLA、HLANorth、HLASouth,其采样频率皆为1500Hz,满足奈奎斯特采样定理。图2为该实验示意图。数据集中还包含了这4个传感器阵列接收的声源发出的信号。本实例选用的是垂直阵列VLA接收到的数据,该阵列总共包含21个传感器元素,即步骤3中L=21。
选取该实验中任意1s的数据进行BPD算法去噪的性能分析。图3和图4是时域图,相比较可以看出BPD算法在信号时域上的去噪效果,可以发现信号更加平滑了,噪声变少了。图5和图6是频域图,可以看出BPD算法在信号频域上的去噪效果,可以看到多数噪声被消除掉了,频点上的值变成了0,去噪后的频谱留下了有用信号的频点。可以看到对于水下锚节点接收到的信号,BPD算法有着良好的去噪性能。
选用上述数据集整个过程中的第9分钟到第59分钟总共3000秒的数据进行水下传感器定位性能分析。取每一秒的数据进行步骤2,步骤3中频点选择109Hz和198Hz两个频点,最终得到步骤4中神经网络输入向量为462维。由于在该实验中船的航线是固定的,根据船到VLA传感器阵列的距离即可确定出船的位置,即待定位传感器位置。所以过程中将船到VLA传感器阵列的距离划分为300类,所以输出层神经元节点为300。将每个时间对应的位置对应到类别中。所以总共获得3000组数据。
将上述的3000组数据随机划分成训练集和测试集,其中90%为训练集,剩下的10%为测试集。将训练集输入前馈神经网络训练,训练结束后保存模型参数。然后用测试集验证定位性能。
在对比性能时,分别用未进行BPD算法去噪的信号与经过BPD算法去噪的信号进行上述步骤,来验证基追踪降噪方法对信号去噪最终得到的水下传感器定位效果。为了便于分析定位准确度,本发明认为预测的位置到锚节点的距离在实际位置到锚节点距离的90%到110%都认为是预测准确,认为水下传感器的定位成功;在这个范围之外的认为是预测错误,即认为水下传感器的定位失败。另外将定位失败的时刻的预测的位置到锚节点的距离和该时刻实际位置到锚节点距离求得绝对距离误差,将所有定位失败的时刻的绝对误差求和再除以定位失败的时刻个数得到平均绝对误差,将平均绝对误差也作为一个评估基追踪降噪方法对信号去噪最终得到的水下传感器定位性能提升的参考量。
图7为信号不经过BPD去噪的预测结果,其在阴影部分内则认为预测准确,在阴影部分外则认为预测错误,图7的预测准确率为70%,预测错误的时刻平均绝对误差为3.47km;图8为信号经过BPD去噪的预测结果,图8的预测准确率为77%,预测错误的时刻平均绝对误差为1.73km。
从上述结果来看,基追踪降噪算法对于水下传感器定位效果有着明显的提升,通过对锚节点接收到的信号去噪处理来减小噪声带来的误差,且在预测失败的情况下,经过BPD算法处理的绝对误差比没经过BPD算法处理的绝对误差也更小,这一结果验证了用所述基追踪降噪方法对信号去噪最终得到的水下传感器定位效果更好。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于基追踪降噪的水下传感器定位方法,其特征在于,包括以下步骤:
S1,在锚节点接收待定位传感器的节点信号,所述节点信号由无噪信号和噪声信号组成;所述无噪信号由水下传感器发出,噪声信号在水声信道中生成;
S2,通过基追踪降噪算法求解稀疏去噪问题,从节点信号中获取无噪信号;
S3,将无噪信号做离散傅里叶变换,获得频域声压数据,将频域声压数据归一化处理后,获得采样协方差矩阵,基于采样协方差矩阵,获得无噪信号对应的数据特征;将数据特征输入至定位神经网络模型,获得水下传感器的位置。
2.根据权利要求1所述的一种基于基追踪降噪的水下传感器定位方法,其特征在于,S2中,所述去噪问题的公式为:
其中,λ为系数,A为N×N的傅里叶逆变换矩阵,y是长度为N的向量,x是长度为N的向量,u为辅助变量。
3.根据权利要求2所述的一种基于基追踪降噪的水下传感器定位方法,其特征在于,采用ADMM算法,通过迭代下式(7),获得辅助变量u;
initialize:μ>0,d
repeat:
d←d-(u-x)
end (7)
将获得的辅助变量u,带入至s(n)=Au,获得无噪信号。
4.根据权利要求1所述的一种基于基追踪降噪的水下传感器定位方法,其特征在于,S2后,还包括以下步骤,分别以时域和频域判断获得的无噪信号是否满足要求;
时域的判断方法为:比较无噪信号和节点信号,判断无噪信号相对于节点信号的毛刺是否减少;
频率的判断方法为:比较无噪信号和节点信号,判断无噪信号相对于节点信号,是否有频点上的值变为0或1。
5.根据权利要求1所述的一种基于基追踪降噪的水下传感器定位方法,其特征在于,S3中,数据归一化的公式为:
其中,q(f)为频域声压数据,f为选择的频率点,L为接收到信号的锚节点个数。
6.根据权利要求1所述的一种基于基追踪降噪的水下传感器定位方法,其特征在于,S3中,将协方差矩阵中上三角矩阵和对角线元素的实部和虚部,拼成一个L(L+1)维的向量,获得无噪信号对应的数据特征。
7.根据权利要求1所述的一种基于基追踪降噪的水下传感器定位方法,其特征在于,S3中,所述神经网络模型输出K维列向量,通过K维列向量获得水下传感器的位置。
8.根据权利要求7所述的一种基于基追踪降噪的水下传感器定位方法,其特征在于,S3中,K维的列向量中,第k个数据为1,对应标记向量为izk,对应获得rk,为水下传感器的位置。
9.根据权利要求2所述的一种基于基追踪降噪的水下传感器定位方法,其特征在于,S3中,所述神经网络模型通过损失函数训练;所述损失函数通过比较神经网络输出的水下传感器节点位置和实际水下传感器节点位置的获得;损失函数为MSE函数。
10.一种基于基追踪降噪的水下传感器定位系统,其特征在于,包括:
采集单元,用于在锚节点接收待定位传感器的节点信号,所述节点信号由无噪信号和噪声信号组成;所述无噪信号由水下传感器发出,噪声信号在水声信道中生成;
去噪单元,用于通过基追踪降噪算法求解稀疏去噪问题,从节点信号中获取无噪信号;
确定位置单元,用于将无噪信号做离散傅里叶变换,获得频域声压数据,将频域声压数据归一化处理后,获得采样协方差矩阵,基于采样协方差矩阵,获得无噪信号对应的数据特征;将数据特征输入至定位神经网络模型,获得水下传感器的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311556865.1A CN117451055A (zh) | 2023-11-21 | 2023-11-21 | 一种基于基追踪降噪的水下传感器定位方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311556865.1A CN117451055A (zh) | 2023-11-21 | 2023-11-21 | 一种基于基追踪降噪的水下传感器定位方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117451055A true CN117451055A (zh) | 2024-01-26 |
Family
ID=89585400
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311556865.1A Pending CN117451055A (zh) | 2023-11-21 | 2023-11-21 | 一种基于基追踪降噪的水下传感器定位方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117451055A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117761678A (zh) * | 2024-02-22 | 2024-03-26 | 成都鹰谷米特科技有限公司 | 一种基于v频段的复杂环境目标探测方法及芯片 |
-
2023
- 2023-11-21 CN CN202311556865.1A patent/CN117451055A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117761678A (zh) * | 2024-02-22 | 2024-03-26 | 成都鹰谷米特科技有限公司 | 一种基于v频段的复杂环境目标探测方法及芯片 |
CN117761678B (zh) * | 2024-02-22 | 2024-04-26 | 成都鹰谷米特科技有限公司 | 一种基于v频段的复杂环境目标探测方法及芯片 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109993280B (zh) | 一种基于深度学习的水下声源定位方法 | |
CN110807365B (zh) | 一种基于gru与一维cnn神经网络融合的水下目标识别方法 | |
CN109522857B (zh) | 一种基于生成式对抗网络模型的人数估计方法 | |
CN103439688B (zh) | 一种用于分布式麦克风阵列的声源定位系统及定位方法 | |
CN111160176B (zh) | 基于融合特征的一维卷积神经网络地面雷达目标分类方法 | |
CN109782231B (zh) | 一种基于多任务学习的端到端声源定位方法及系统 | |
CN112349297B (zh) | 一种基于麦克风阵列的抑郁症检测方法 | |
CN112526451B (zh) | 基于麦克风阵列成像的压缩波束形成及系统 | |
CN110705525A (zh) | 一种诊断滚动轴承故障的方法及装置 | |
CN111401565B (zh) | 一种基于机器学习算法XGBoost的DOA估计方法 | |
CN110501122A (zh) | 一种基于聚类的压力容器自适应泄漏检测方法 | |
CN117451055A (zh) | 一种基于基追踪降噪的水下传感器定位方法和系统 | |
CN112014791B (zh) | 存在阵列误差的阵列pca-bp算法的近场源定位方法 | |
CN110933633A (zh) | 一种基于csi指纹特征迁移的船载环境室内定位方法 | |
CN113518307A (zh) | 基于csi与众包迁移自校准更新的位置指纹定位方法 | |
CN112990082A (zh) | 一种水声脉冲信号的检测识别方法 | |
CN114487129B (zh) | 基于声发射技术的柔性材料的损伤识别方法 | |
CN116304546A (zh) | 基于声音信号的供热系统热力站故障诊断方法及系统 | |
CN117521512A (zh) | 一种基于多尺度贝叶斯卷积Transformer模型的轴承剩余使用寿命预测方法 | |
CN115547347A (zh) | 基于多尺度时频特征提取的鲸类声信号识别方法与系统 | |
CN112415467B (zh) | 一种基于神经网络的单矢量潜标目标定位实现方法 | |
CN111859241B (zh) | 一种基于声传递函数学习的非监督声源定向方法 | |
Bagwe et al. | Automated Radar Signal Analysis Based on Deep Learning | |
CN113721194B (zh) | 一种基于mwcs的近场语音信号三维定位方法 | |
CN115097378A (zh) | 一种基于卷积神经网络的非相干散射源检测与定位方法 |
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 |