文摘
基于特点的数组浮标和水下目标定位和跟踪的研究领域,研究结合了高度自适应非线性滤波算法无味卡尔曼滤波器的非线性规划多站数组浮标定位系统。按照不连续的目标位置的模型,研究利用无味转换更新测量误差和状态误差协方差矩阵,针对估计状态变量的筛选和获取对象的当前状态的运动。研究分析了算法的定位性能,追求的道路,target-relevant参数的收敛性及其他性能指标通过数值模拟实验。从结果,结论,多站数组浮标可以完成的任务跟踪目标跟踪可以达到很好,为把算法提供理论基础为工程实践。
1。介绍
在综合航空反潜声纳浮标是一个非常重要的部分,主要用于大型探索性搜索敌人的潜艇。声纳浮标是体积小、可以在短时间内探索大面积海域。声纳浮标要求较低的安装对象:它们可以进行数量的飞机和直升机装备,水上飞机或其他固定翼飞机。声纳浮标漂浮在海洋和略受航母的噪音的影响。因此,声纳浮标得到最佳的检测效果。
浮标的主要任务之一是有效的水下目标定位和跟踪(1]。浮标的任务是利用水声传感器进行连续测量和估计目标的运动参数,如方向、速度和方向。
传统的浮标主要采用衬管阵列传感器形成波梁在水平或垂直方向。许多浮标排列在水中形成探索水下目标几何形状。传统的方法定位精度较低和高要求的浮标之间的相对位置。当前随机性浮标的洋流会影响定位精度,导致错误。
新数组浮标采用平面阵列,可以形成波梁在水平和垂直方向,使空间增益和降低工作频率。接收数组和浮标的结合可以极大地改善浮标系统的噪声检测,获得准确的测量信息。从理论上讲,单一阵列浮标可以测量目标的位置。然而,由于任务的复杂性和多样性,需要优化性能指标的单一阵列浮标不能满意。因此,研究开始安排多站按照一定的形态和集成数据数组浮标从多传感器节点定位水下目标准确(2- - - - - -6]。与检测单点阵列感浮标的结果相比,多站数组浮标配备声孔径,可以获得更加可靠和准确的评估信息。
集中式融合结构模型结合了来自不同传感器的测量数据融合中心的融合中心将处理所有测量数据。由于巨大的数据量,集中式结构中央节点的处理能力有很高的要求。然而,相比之下,分布式和多传感器系统,集中式结构具有较高的准确性由于原始数据的统一处理。中央处理单元的快速发展,目标估计和跟踪问题是基于集中式多传感器系统中,在多传感器信息融合的一个基本问题,从研究受到越来越多的关注。
集中式实时处理和融合模型的时间序列信息,浮标会传送目标信号的观测数据来自各自的浮标融合处理中心。然而,在复杂的海上通道传输过程,按顺序测量(OOSM)由于运输延迟问题会发生。例如,对于同一个对象,测量的更早的时间晚于以后的测量。按顺序测量将负面影响多平台融合系统的可靠性和准确性。为了解决OOSM的问题,Bar-Shalom et al。7,8提出了一系列的次优算法;目的是使用按顺序测量当前时刻更新目标状态,为了获得更精确的状态估计误差协方差矩阵。周et al。9]分析了理论上Bar-Shalom提出的最优算法,指出其最优性与过程噪声的离散化模型,并提出一种改进的算法基于离散时间模型,提高过滤的准确性。Bar-Shalom et al。10)使用等效的方法观测数据在最初的文学扩展one-step-lag OOSM多步OOSM滞后。本文由张et al。11)提出了基于OOSM的最佳线性无偏估计准则。沈et al。12和玉等。13)提出了解决多传感器的数据融合问题OOSM基于one-step-lag OOSM。
在现实的问题跟踪水下目标,高斯假设的线性系统模型和噪声不能满足。因此,水下目标定位与跟踪问题是一个非线性系统过滤的问题。无味卡尔曼滤波(UKF)算法,基于无香味的转换(UT)和卡尔曼滤波技术,选择一些采样点和接近均值和方差的非线性变化。UKF不仅使非线性系统滤波器达到精度高,而且适应噪声非常好。因此,UKF可以用来优化OOSM滤波融合的问题。OOSM发生时,采用OOSM算法基于UT进行当前状态估计和更新协方差会得到一个更精确的状态估计和协方差。为了提高该算法的鲁棒性手术期间,出现平方根无味卡尔曼滤波算法。为了添加噪声分布的非线性变换状态估计过程中,吴et al。14)给无味卡尔曼滤波算法的一个维度扩展形式。单(15,16推导出一个无味卡尔曼滤波算法的平滑算法。导演在交互式目标运动模型,先生et al。17和徐和汉18]介绍了UKF的痕量分析的机动目标被动声呐。
本文组织如下。我们讨论的定位原理和UKF滤波算法multiarray浮标的部分2和3。部分4派生的非连续性融合UKF算法。节5,仿真结果简要描述部分6是一个结论。
2。多站定位技术数组浮标
2.1。几何模型
站点的位置和系统设备multiarray浮标如图所示1。目前,至于sonarmen的操作命令,完成目标的三维坐标的测量是通过二维声纳和高程测量声纳的合作。二维声纳可以测量目标的位置和距离。高程测量声纳可以进行补充测量高度,这是准确的,简单,易于控制,成本低。
在图1的定位系统多站浮标由数组单点阵列感浮标。代表了发射台代表了接收站。是。
2.2。定位原理
的电台多站数组浮标相互合作;在测量目标的方向,方位角信息可以简单地用于定位。参见图2。
系统模型采用两个浮标之间的基线设在,让中点坐标原点,并建立直角坐标系。定位方程 解决(1)获得目标位置,
2.3。定位误差分析
在假定条件下,角度测量误差的两个浮标站测量误差,,。保持常数,定位误差方程(3)如下所示区别于(2): 在 方程(3)写成矩阵形式: 在,,, 解决(5)获得目标位置的误差向量:
之间的关系在直角坐标系中目标位置误差测角误差测量误差,火车站和可以从(7)。
上述定位误差的协方差矩阵 在。
2.4。定位精度的几何解释
任何定位系统有不同的定位精度为目标在不同的空间位置,这意味着目标位置的定位误差的几何关系密切相关的目标相对于定位站。定位站为不同的几何分布有不同的定位错误的目标相同的空间位置。因此,定位误差之间的关系和定位站的几何分布研究。与此同时,在这一条件下,定位站的几何分布决定,知道这个定位系统的定位误差分布对不同空间位置所必需的有效使用定位系统和准确定位和跟踪目标。
为了描述定位误差之间的关系和几何和测量几何位置定位性能的影响,一个名词,“几何精度因子(GDOP的简称),定义,可以在一个二维表面表达如下:
几何精度因子描述了定位误差之间的关系和基站参与定位的几何分布。它可以成为一个标准的研究定位误差的分布规律在不同的几何分布,它也可以成为一个参考时选择一个基站的位置建立一个新的浮标系统。
3所示。基于UKF滤波算法
3.1。UT变换原理
传统方法(19定位精度较低和高要求的浮标之间的相对位置。当前随机性浮标的洋流会影响定位精度,导致错误。
UKF滤波算法(20.结合UT(无味转换)和卡尔曼滤波技术。通过专门选择一些σ采样点和更好的近似后随机变量的均值和方差的非线性变换,UKF不仅能使非线性系统过滤器到达一个更高的精度,但也能很好的适应噪声。
UKF滤波器首先UT适用于状态方程,然后估计滤波器的转换状态变量。UT选择一些点在一个初始状态分布根据一定的规则进行协方差矩阵和这些点等于初始状态分布的均值和协方差,并把这些点代入一个非线性系统函数;因此获得的数据点相关的非线性函数;最后评估转换后的均值和协方差按点集。
假设有一个维随机向量;维随机向量是一个非线性函数的,;的统计特性是;的统计特性,通过一个非线性函数吗。
转换正在制定一定数量的点 基于数量的信息,这些点称为点。计算点的结果, ,通过,计算基于 ,一般点的数量是;也就是说,。转换为以下两个步骤。
3.1.1。评估分和他们的体重
考虑 在;状态向量的维数吗;一个尺度参数确定点的离散程度;和通常是一个小的正数。为了确保协方差矩阵是正定矩阵,通常是0。描述状态的分布信息(如果状态的分布信息的最优值服从高斯分布是0)。代表了柯列斯基的线分辨率。 和 代表一个一阶统计特性的权重和二阶统计特性,分别。
3.1.2。计算点的结果,(),通过和收购(11)
考虑
但不同于蒙特卡罗方法。前者是选择几个点从给定的分布根据一定的规则但不确定随机抽样点。此外,加权的UT不是一个常见的方法,这也不是一个抽样统计。
3.2。UKF滤波算法
如果使用UT取代当地的线性化意味着卡尔曼滤波器算法,UKF滤波算法可以获得。UKF滤波器方程如下:(一)对于一个给定的国家和协方差矩阵,很容易获得一步预测价值和协方差矩阵基于目标运动模型预测一个错误: (B)评估信息和点的通过应用UT,计算和点的传输的非线性测量方程,并通过传播有以下方程通过测量方程, 计算测量一步预测协方差的测量误差,以及cross-covariance矩阵状态之间的误差和测量误差UT之后,也就是说, (C)后获得一个新的测量值,更新过滤器和获取的更新值滤波和估计误差的协方差矩阵, 在是一个增益矩阵的过滤器。
4所示。不连续的融合UKF算法
4.1。融合模型
集中式融合结构发送所有给出的测量值不是固定的编码传感器观测目标融合中心后,让中心处理器统一处理这些测量信息。信息融合中心的观测平台的传感器连续编号加上一个序贯融合的想法。
首先,预测和更新状态的传感器。明确第一传感器不是一个单一的传感器,但指的是第一个处理节点,是不一定相同的传感器在每一个处理时间。然后输入的更新结果第一传感器的状态更新第二传感器,继续更新。同样,更新状态估计的值使用许多传感器的测量值,并确保传感器的更新顺序不会影响最终结果的融合过程中更新。的目的是为了确保精度估计结果基于某些计算的复杂性。至于乱序执行集中式融合结构,见图3。
4.2。按顺序UKF算法
水下多站浮标的状态方程和测量方程的非线性系统模型可以表示如下: 在是状态转换函数,是测量函数,过程噪声和是测量噪声,也是创新。与彼此无关,这两种噪声是零均值高斯噪声。
当使用UKF算法,首先,我们需要定义扩展状态和协方差矩阵 根据公式(10)采样点和采样点的权重分配。
通过使用UT转换、信息预测方程可以得到公式(14)。定义是信息和国家贡献的协方差矩阵是吗作为 在雅可比矩阵,过程噪声协方差,是测量噪声协方差和。
因此可以更新信息的贡献值
多站浮标观测条件,没有的信息贡献的价值。 浮标是 因此,我们可以获得多站的综合结果数组浮标如下:
5。数值模拟和结果分析
根据原则,双工位数组浮标使用角度信息进行二维定位部分中描述3所示。1我们进行了模拟定位算法的性能。以下的参数进行仿真时:目标走向方向转向±20公里方向20公里,水声速度的坐标站,站,测角误差,、车站测量误差蒙特卡罗:500次。我们可以得到二维定位误差图和三维GDOP图,如图4和5,分别。
从上述两个图,我们可以看到,当使用双工位数组浮标定位,定位误差的分布如下:整个图形是一个常规蝴蝶的形状,包括三个方面:基线区域(两个数组浮标连接部分),宽板面积(扩展的基线以外的部分),和边板区域(扩展部分有两个车站顶点)。定位精度基线地区更糟;宽板区域的典型特征是双基地声纳系统平衡误差分布;GDOP等值线慢慢从基线精度下降外延伸,覆盖大部分地区;边板面积是最严重的区域定位精度。
在分析基于上述定位和UKF滤波部分中描述的步骤3所示。2我们进行了数值模拟,双工位数组浮标的跟踪效果。模拟的参数如下:声速:1500 m / s,采样间隔:1 s,模拟采样长度为1000次,浮标测向误差的均方偏差:5π/ 180,频率测量误差的均方偏差:0.1赫兹,目标初始位置:速度:10 m / s,课程:3π/ 4,和频率:1000 Hz,干扰噪声的均方偏差速度,当然,和频率都是定义为0.1。数据6和8显示仿真结果的模拟矩阵的行列式,双工位和四站数组浮标是垂直目标的课程。数据7和9显示估计收敛性曲线的相关参数包括速度、频率和课程。
为了获得关于目标的变化频率数据随着时间的推移,我们使用短时傅里叶变换方法来估计频率。每个FFT变换的长度256采样点与50%重叠长度比和1024算法。
在获得每个时间间隔的FFT,选择最大的频率点的测量频率区间。进行平滑滤波的计算频率信号使用32-pecking-order-number FIR低通滤波器低通截止频率100赫兹。
从数据6和9,我们可以看到,本文算法可以跟踪目标轨迹和参数,如目标速度、频率、和过程可以有效地聚集。对比数据7和9从500年到200年,迭代的数量减少。结果表明,多站数组浮标能有效提高计算效率。
在工业应用中,成本下降浮标是我们必须考虑的因素之一。因此,它是合理的平衡精度要求和计算时间是非常必要的。
6。结论
本文研究水下运动目标的定位和追踪利用双工位数组浮标和分析相关性能的框架下无味卡尔曼滤波(UKF)理论。结果表明,合理的数值模拟方法能完成的任务跟踪目标轨迹仿真条件下的非常好,相关的参数,比如速度,当然,和频率有涩味。本文的结论旨在为将算法转化为工程实践提供理论基础。
在目标跟踪过程中,一些假警报和解雇概率从测量数据可能发生因为复杂的海洋环境的影响。在这种情况下,OOSM问题将变得更加复杂,需要更多的未来研究非线性按顺序滤波问题。
相互竞争的利益
作者宣称没有利益冲突。
确认
这项工作是支持的青年科学家基金中国国家自然科学基金(批准号5130919)。