毕设汇总王振强答辩

1、基于神经网络的的双基地声呐定位算法基于神经网络的的双基地声呐定位算法 信息工程学院 通信工程系 王振强 指导老师：刘若辰 01 02 03 04 绪 论 双基地声呐定位算法及误差分析 神经网络 计算机仿真 目录目录 01 01 绪 论 introduction PART ONE 02 研究的背景意义 声 呐 系 统 分 类 主动声呐 被动声呐 声呐主动发射声波“照射”目 标，而后接收水中目标反射的 回波以测定目标的参数 声呐被动接收舰船等水中目标产 生的辐射噪声和水声设备发射的 信号，以测定目标的方位 03 海洋是地球上覆盖面积最大的区域，海洋的控制权无论从军事还是经 济上都具有了非常重要的意

2、义。而对于海洋的控制权争夺，最重要的 一点即是对水下信息的获取和控制。它也是进行水下目标探测，定位， 跟踪的基础，其中最有效的方法即为水下声呐系统。因此，研究声呐 系统的工作体制，特点和性能具有重要的意义。 声呐的工作方式 04 单基地声呐 特点：接收站主要接收来 自目标背向散射的回波， 且与发射站之间的距离要 比声波的作用距离小得多， 极易暴露自身位置。 双基地声呐 特点: 接收机和发射机分开 一定距离配置在不同位置， 接收机接收到的声波信号 来自目标散射到达，且为 非入射方向。 02 双基地声呐定位算法及误差分析 Bistatic Sonar Positioning Algorithm a

3、nd Error Analysis PART TWO 05 双基地声呐系统的定位原理 06 T表示的是发射器 R 是接收端 S为目标 rT为距离 rS为距离 D 为长度 为了方便，我们建立如下图所示坐标系对双基地声呐系统进行研究。 发射站与接收站连线为x轴，基 线中点为坐标原点； 在双基地条件下,在发射和接收 站可分别测得目标的距离和方 位角,因而可分别利用距离信息 和方位测量信息对目标进行定 位。 定位原理 07 当发射站和接收站之间的 距离D一定时，通过计算声 波从发射站发射到目标后 反射到接收站的时间与声 波直接从发射站传到接收 站的时间两者差值，目标 的可能位置所构成的轨迹 就是一个椭

4、圆，这个椭圆 我们称为等时到达椭圆。 双基地声呐系统对目标定位时，需要考虑接收站和发射站之间的几 何关系，通过选取不同的定位参数，主要有两种基本的定位方式： （1）几何定位法 （2）统计定位法 双基地声呐误差表示方法 08 双基地声呐 误差表示方 法 平均定 位误差 均方误差 （MSE）与均 方根误差 （RMSE） 等概率误 差椭圆 定位精度的 几何解释 （GDOP） 定位精度的几何解释描述了定位误差与参与定位的基站几何布局 的关系,它既可以作为研究不同几何布局下定位误差分布规律的一个标 准,又可以作为建立新的声呐系统时选择基站位置的参考。所以我们在 本文中选用GDOP作为衡量双基地声呐定位误

5、差一个标准。 两种定位算法 09 基于波达时间的定位算法 （TOL） 基于波达方向的定位算法 （BOL） 03 神 经 网 络 Neural Networks PART THREE 10 神经元与神经网络 11 生物神经元 由轴突、树突、 突触、细胞体 构成 人工神经元 由连接强度、 累加器、限制 函数组成 神经网络 通过一定的拓 扑结构把大量 神经元联系起 来 效仿联结 神经网络分为两类： （1）划分层次的神经网络 （2）相互关联的神经网络 神经网络的三种学习模式 12 既有输入样本， 也有输出样本数 据。 只含有输入数 据而不具有输出 样本。 输出结果不满 意时，可以强制 学习。 有照看的

6、学习无照看的学习鼓励学习 径向基神经网络（RBF） 13 径向基函数网络是由三层构成的前向网络：第一层为 输入层，节点个数等于输入的维数；第二层为隐含层， 节点个数视问题的复杂度而定；第三层为输出层。径 向基网络的隐含层是非线性的，采用径向基函数作为 基函数，将输入空间转换到隐含层空间，使原来线性 不可分问题变得线性可分，输出层是线性的。 基于径向基网络的双基地声呐定位算法 14 对于双基地声呐定位,根据定位方程的非线性,可以将双基 地声呐的定位问题转化为一种输入到输出的映射。测量数据,即 声呐在发射和接收站所测量的目标距离和方位角信息,作为网络 的输入。水下目标的空间位置作为网络输出。神经网

7、络进行定 位的过程可分为网络训练和网络估计两个阶段。 首先，根据双基地声呐定位的非线性模型产生神经网络的输入 数据为： 其中：i为输入数据的样本数 为了使训练的数据符合径向基函数的定义域，对输入数据进行 归一化处理，可得： 基于径向基网络的双基地声呐定位算法 15 网络的期望输出为： 对目标的位置估计为： 利用输入和输出数据,对径向基函数网络进行训练。由于样 本点较多,在进行网络训练时,采用离线训练方法。通过一定 时间的训练,使神经网络的输出误差达到一定的精度。训练 好的网络,其权值便固定下来,利用该网络,就可以进行双基地 声呐定位。在定位时,将每一点所对应的测量数据输入到网 络,则网络的输出

8、即为目标位置的估计。 目标函数 16 通过对双基地声呐系统的分析，我们可以得到如下目标函数： 令 此函数即为RBF网络需要进行非线性函数拟合的目标函数 04 计 算 机 仿 真 Computer Simulation PART FOUR 17 仿真参数设置 20kmx20km 海域面积： （-7.5,0）（7.5,0） 基站位置： 基线连线方向坐标 x轴： 垂直基线方向 坐标 y轴 : 18 利用神经网络进行双基地声呐定位主要分为两步： 1.训练神经网络 2.利用训练好的神经网络进行误差分析，得出结果 Vc=1.5km/s 水中声速 : =0.2 相关系数 : TOL仿真结果分析 基于距离的误

9、差GDOP图 GDOP等高线图 19 分析仿真图,我们可以看出： （1）用双基地TOL算法进行水下目标定位,在探测的大部分区域,定位精度较高,但是在 发射站和接收站的两侧区域,定位精度较差,约在0.51 km的范围,越靠近基线,定位误差 越大。 （2）在基线附近,其定位性能相对较差,越靠近基线,定位性能越差,在基线区,误差为无 穷大,即在基线区,为双基地声呐探测的盲区。 BOL仿真结果分析 基于角度的误差GDOP图 GDOP等高线图 20 分析仿真图,我们可以看出： 在利用双基地BOL算法进行水下目标定位,在探测的大部分区域,定位精度较高,但 是在发射站和接收站的两侧区域,定位精度较差;在基线

10、区,误差为无穷大,即在基线区,为 双基地声呐探测的盲区。 仿真结果 基于径向基网络分布图： 21 首先对网络进行训练，训练 时我们每隔1km设置一个 样本点，这样就有41*41个 样本点对网络进行训练，随 后将训练好的网络保存下来。 每隔0.2km选取一个点，在 20kmx20km海域上得到 了201*201个样本点，送 入神经网络得到误差，分布 如图所示。 仿真结果 基于径向基网络等高线误差分布图： 22 从图中我们可以看出，在 201*201个点的误差分布 图上，存在极少点误差 GDOP达到0.25，其余大 部分点误差均为0.2以下， 与前面TOL以及BOL两种 经典算法相比较，神经网 络

11、算法得到的误差明显小 于经典算法，证明此类定 位算法对目标进行定位时 很精确，在理论层面值得 推广，实际应用层面还需 要考虑实际成本，人员等 不确定因素，需要进一步 研究。 心得体会 通过本次毕业设计，我感触颇多，归纳起来主要有以下几点： 任何理论的提出必须用事实进行检验。在进行双基地声呐算法优 化时，我们可以看到只有在验证大量样本点的误差确确实实小于 经典算法的误差时，我们才可以推断出神经网络算法优于传统经 典算法。 随着时代进步，对于数据的准确度要求越来越高。声呐从之前的 误差几百米到现在定位精度几米之间，随着科技不断发展，对定 位的精度要求也越来越高。 对于科学要有一丝不苟的态度。不论是算法模型，还是数据的处 理，失之毫厘谬