阅读说明：本技术 分布式声学定位网络中多目标分类方法 (Multi-target classification method in distributed acoustic positioning network ) 是由 兰华林 王泽华 师俊杰 吕云飞 梅继丹 靳建嘉 于 2019-10-22 设计创作，主要内容包括：本发明提供一种分布式声学定位网络中多目标分类方法,解决了现有目标分类方法并不能有效的提高定位效率和定位准确度问题,属于声学被动定位领域多目标定位技术。本发明包括：S1、将3个以上节点布放在空间不同的位置,每个节点包括一个声传感器阵列,用于接收目标辐射的信号；根据该信号对目标进行方位估计,得到每个节点不同方位对应的信号能量和频谱特征；对每个节点的信号能量的空间方位特性进行排序,得到每个节点N个信号能量大的方位和频谱特征组成的目标；以第一个节点的各目标和对应的目标频谱特征作为参考,确定其余各节点的N个目标与第一个节点的各目标的对应关系；将相同目标的方位信息结合各节点的位置信息,解算出各目标的位置。(The invention provides a multi-target classification method in a distributed acoustic positioning network, solves the problem that the existing target classification method cannot effectively improve the positioning efficiency and the positioning accuracy, and belongs to the multi-target positioning technology in the field of acoustic passive positioning. The invention comprises the following steps: s1, more than 3 nodes are arranged at different positions in space, and each node comprises an acoustic sensor array used for receiving signals radiated by a target; carrying out azimuth estimation on the target according to the signal to obtain signal energy and spectrum characteristics corresponding to different azimuths of each node; sequencing the spatial orientation characteristics of the signal energy of each node to obtain N targets consisting of orientation with large signal energy and frequency spectrum characteristics of each node; determining the corresponding relation between N targets of the rest nodes and each target of the first node by taking each target of the first node and the corresponding target spectrum characteristic as reference; and combining the azimuth information of the same target with the position information of each node to calculate the position of each target.)

分布式声学定位网络中多目标分类方法

技术领域

本发明涉及一种分布式声学定位网络中多目标分类方法，属于声学被动定位领域多目标定位技术。

背景技术

目标分类是多目标被动探测与定位不可回避的一个问题。目标的特征是目标分类的基础，如何寻找并确认目标的特征是多目标分类的关键。较为有效的声学目标特征通常都具有明确的物理意义：信号的时域特征、频域特征和空域特征(目标的水平位置和深度特征)。目标的分类的方法有机器学习的方法。分布式声学定位网络的问题在于目标的声学特征。

多目标被动定位中，需要去除虚假目标，进而提高定位效率和定位准确度，而关于去除虚假目标，现有技术中有一种基于冗余信息的虚假点消除算法及三站交叉定位虚假点消除算法研究，通过有选择性地利用多站测量的方位角或时差冗余信息进行关联，达到去除虚假点的目的。现有技术还有一种结合时差信息的测向定位虚假点消除算法，在利用测向方位角信息进行交叉定位的基础上,再结合到达时差信息,根据测向站之间测向数据的相似度来进行最优匹配,可以在无需其它先验信息下实现数据的正确关联，消除虚假点。但是应用这些去除虚假目标算法的目标分类方法并不能有效的提高定位效率和定位准确度。

发明内容

针对现有目标分类方法并不能有效的提高定位效率和定位准确度问题，本发明提供一种分布式声学定位网络中多目标分类方法。

本发明的一种分布式声学定位网络中多目标分类方法，所述方法包括：

S1、将M个节点布放在空间不同的位置，每个节点包括一个声传感器阵列，用于接收目标辐射的信号，M取大于等于3的正整数，所述目标与各节点的声传感器阵列位于同一个水平面内；

S2、根据从每个节点接收的信号，对目标进行方位估计，得到每个节点不同方位对应的信号能量和频谱特征；

S3、对每个节点的信号能量的空间方位特性进行排序，得到每个节点N个信号能量大的方位和频谱特征组成的目标；

S4、以第一个节点的各目标和对应的目标频谱特征作为参考，确定其余各节点的N个目标与第一个节点的各目标的对应关系，所述对应关系表示两个目标为相同目标；

S5、将相同目标的方位信息结合各节点的位置信息，解算出各目标的位置。

作为优选，所述S4包括：

求第i个节点的N个目标的频谱特征与第一个节点的第j个目标的频谱特征的相关系数，N个相关性数中最大值所对应的目标与第一个节点的第j个目标为相同目标，所述最大值需要大于设定门限值，i＝2,…M，j＝1,2…N。

作为优选，所述S2包括：

对从每个节点接收的信号进行傅立叶变换，在各频带对目标进行方位估计，对方位估计结果进行直方图估计，得到每个节点不同方位对应的信号能量和频谱特征。

作为优选，所述每个节点的传感器阵列为四元十字阵、圆环阵、圆柱阵或矢量传感器阵。

本发明的有益效果，本发明在分布式声学定位网络中，采用多个节点对目标进行探测，每个节点的声传感器阵列对目标进行探测，根据探测到的声信号频谱特征进行处理，根据频谱特征的相关系数，找出每个节点探测到相同目标，剔除分布式多基站被动定位中的虚假目标，提高定位效率和定位准确度，根据相同目标的方位信息，及各节点的位置信息，解算出各目标的位置。

附图说明

图1为本发明的分布式声学定位网络中多目标分类方法的原理示意图；

图2为各节点进行直方图法方位估计示意图；

图3为第1节点第1目标特征频谱示意图；

图4为第2节点各目标特征频谱示意图；

图5为计算出的相关系数r_21j1(j)的示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。

本实施方式的分布式声学定位网络中多目标分类方法，在以下假设条件下实现：

(1)入射声信号满足远场平面波条件；

(2)各节点的传感器阵列可以是对入射声信号具有水平方位测量能力的任意阵列，包含但不限于，四元十字阵，圆环阵，圆柱阵和矢量传感器阵。。

(3)各节点均能接收到目标的信号。

(4)目标声信号具有不同的频谱特征。

(5)目标辐射声信号满足自由场条件，不考虑多途和反射信号；

(6)目标与各节点的声传感器阵列位于同一个水平面内。

(7)各节点之间保持严格时间同步。

本实施方式的方法包括：

S1、将M个节点布放在空间不同的位置，每个节点包括一个声传感器阵列，用于接收目标辐射的声信号，声传感器将声信号转换为电信号，M取大于等于3的正整数，所述目标与各节点的声传感器阵列位于同一个水平面内；本实施方式采用四元十字阵，如图1所示。

S2、根据从每个节点接收的信号，对目标进行方位估计，得到每个节点不同方位对应的信号能量和频谱特征；

本步骤对从每个节点接收的信号进行傅立叶变换，在各频带对目标进行方位估计，对方位估计结果进行直方图估计，得到每个节点不同方位对应的信号能量和频谱特征。

S3、对每个节点的信号能量的空间方位特性进行排序，得到每个节点N个信号能量大的方位和频谱特征组成的目标；

对各节点进行直方图法方位估计，如图2所示，将直方图估计结果信号功率R(A)与门限C比对，通过门限的方位判定有目标，第i个节点的j号目标(i＝1，2，…M；j＝1，2，…N_i)对应的频谱为S_ij(f)。

S4、以第一个节点的各目标和对应的目标频谱特征作为参考，确定其余各节点的N个目标与第一个节点的各目标的对应关系，所述对应关系表示两个目标为相同目标；

本步骤找相同目标的方法为：求第i个节点的N个目标的频谱特征与第一个节点的第j个目标的频谱特征的相关系数，N个相关性数中最大值所对应的目标与第一个节点的第j个目标为相同目标，所述最大值需要大于设定门限值，i＝2,…M，j＝1,2…N，具体如下：

首先固定第1节点的目标序号，然后进行第2节点目标挑选：

将第2节点各目标的特征频谱S_2j(f)分别与第1节点第1目标特征频谱S₁₁(f)计算相关系数R_21j1(j)，求出j₀＝argmax_j|r_21j1(j)|，j₀与门限C_r比对，若超过门限，则j₀对应的目标为第2节点对应第1节点第1目标，即：为相同目标，第1节点第1目标特征频谱S₁₁(f)如图3所示，第2节点各目标特征频谱S_2j(f)如图4所示，计算出的相关系数r_21j1(j)如图5所示；

第2节点各目标特征频谱S_2j(f)分别与第1节点第2目标特征频谱S₁₂(f)计算相关系数r_21j1(j)，求出j₀＝argmax_j|r_21j2(j)|，j₀与门限C_r比对，若超过门限，则j₀对应的目标为第2节点对应第1节点第2目标，即：为相同目标；

直到第1节点的每个目标均经过计算，即直到第2节点各目标特征频谱S_2j(f)分别与第1节点第N₁目标特征频谱

计算相关系数求出

j₀与门限C_r比对，若超过门限，则j₀对应的目标为第2节点与第1节点第N₁目标相同的目标。

再进行第3节点目标挑选：

将第3节点各目标的特征频谱S_3j(f)分别与第1节点第1目标特征频谱S₁₁(f)计算相关系数r_31j1(j)，求出j₀＝argmax_j|r_31j1(j)|，j₀与门限C_r比对，若超过门限，则j₀对应目标为第3节点与第1节点第1目标相同的目标；

第3节点各目标特征频谱S_3j(f)分别与第1节点第2目标特征频谱S₁₂(f)计算相关系数r_31j2(j)，求出j₀＝argmax_j|r_31j2(j)|，j₀与门限C_r比对，若超过门限，则j₀对应目标为第3节点与第1节点第2目标相同的目标；

直到第1节点的每个目标均经过计算，即直到第3节点各目标特征频谱S_3j(f)分别与第1节点第N₁目标特征频谱

计算相关系数

求出

j₀与门限C_r比对，若超过门限，则j₀对应目标为第M节点与第1节点第N₁目标相同的目标。

同理，各节点依次进行目标挑选，直到进行第M节点目标挑选：

将第M节点各目标的特征频谱S_Mj(f)分别与第1节点第1目标特征频谱S_M1(f)计算相关系数r_M1j1(j)，求出j₀＝argmax_j|r_M1j1(j)|，j₀与门限C_r比对，若超过门限，则j₀对应目标为第M节点与第1节点第1目标相同的目标；

第M节点各目标特征频谱S_Mj(f)分别与第1节点第2目标特征频谱S₁₂(f)计算相关系数r_M1j2(j)，求出j₀＝argmax_j|r_M1j2(j)|，j₀与门限C_r比对，若超过门限，则j₀对应目标为第M节点与第1节点第2目标相同的目标；

直到第1节点的每个目标均经过计算，即直到第M节点各目标特征频谱S_Mj(f)分别与第1节点第N₁目标特征频谱

计算相关系数

求出

j₀与门限C_r比对，若超过门限，则j₀对应目标为第M节点与第1节点第N₁目标相同的目标。

S5、将相同目标的方位信息结合各节点的位置信息，解算出各目标的位置。

虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其他所述实施例中。