环境扰动约束下的稀疏贝叶斯定位方法

发布时间：2024-03-07 00:18

　　针对匹配场被动定位技术对海洋环境扰动敏感的问题,提出了一种基于稀疏贝叶斯学习的稳健匹配场处理方法。该方法通过分析环境扰动情况下的声场构成,建立了海洋环境扰动模型,同时结合水下定位问题的稀疏性,将匹配场被动定位问题表述为稀疏信号重构问题。然后,使用稀疏贝叶斯学习方法迭代更新目标位置及模型失配权向量,收敛至最优稀疏解作为目标定位结果。最后使用仿真数据和北厄尔巴岛的海试数据对算法进行了验证,仿真和实验结果表明:该算法在海洋环境模型失配情况下也能够准确定位,且能分辨水平间距为100 m的两个目标。因此,基于稀疏贝叶斯学习的稳健匹配场处理方法能够有效利用海洋环境扰动声场结构和水下定位稀疏特性,以增强匹配场处理的稳健性和定位精度,并且具有应对多源定位问题的能力。

【文章页数】：11 页

【部分图文】：

图５?ＲＳＣ－ＳＬＭ和ＭＦＰ－ＳＢＬ的多源定位结果对比??表４存在模型失配时不同匹配场处理器的性能??Ｐｒｏｃｅｓｓｏｒ??ｒｍｚｍｍｅｓ

王奇等：环境扰动约束下的稀疏贝叶斯定位方法??４８３??４期??一个目标的信噪比为３?ｄＢ．第二个目标的信噪比为??０?ｄＢ。在仿真过程中发现其余４种处理器都不能成??功定位这两个声源，只有ＲＳＣ－ＳＬＭ处理器和ＭＦＰ－??ＳＢＬ处理器能够正确定位，因此下面仅对这两种处??理器的....

图６使用海试数据时不同匹配场处理器的定位结果??表５使用海试数据时不同匹配场处理器的性能对比??Ｐｒｏｃｅｓｓｏｒ??Ａｒ?（ｍ）??Ａｚ?（ｍ）??ＰＢＲ?（ｄＢ）??ＬＳＬ?（ｄＢ）??Ｔｉｍｅ?（ｓ）??ＭＶ－ＥＰＣ??－４００??＋２??１２．７４??－２．６１???

４８４??２０２０?年??声?学学报??ＳＬＭ的ＰＢＲ大于ＯＵＦＰ．主要是因为ＳＢＬ算法在??处理过程中不仅对环境空间进行了积分，而且使用??了迭代的方式不断更新主要参数的概率分布，使环??境模型更逼近实际环境，ＲＳＣ－ＳＬＭ则是由于选用了??零或一的策略使得目标和背景十分易于区....

图1MFP-SBL的分层分布图形模型

其中,是噪声功率的倒数,a>0,b>0。根据式(10),能够得到如下高斯似然函数:

图2浅海环境模型

1993年10月SACLANT研究中心在意大利西海岸的北厄尔巴岛附近的海域开展了一次水下声源定位实验[19],该海域是比较典型的浅海海域,SACLANT曾在该海域进行过多次实验,对该海区的环境特性掌握的较全面。根据以前记录的实验数据[19-20],环境参数基线模型及统计平均的海洋....

本文编号：3921097