一种基于差分进化机理的目标船舶方位估计方法
【专利摘要】本发明公开一种基于差分进化机理的目标船舶方位估计方法，其包括以下步骤：步骤1：将多变异策略融入差分进化优化算法形成改进后的差分进化机理，多变异策略包括变异、杂交和选优三个过程；步骤2：将步骤1的改进后的差分进化机理和似然函数相结合应用于估计目标船舶的DOA方位。本发明首先将多变异策略和“优胜劣汰”机制融入差分进化优化算法，然后将改进的差分进化机理和似然函数相结合应用于估计目标船舶的DOA方位。实验证明，本发明的方法不仅表明了改进的差分进化方案的合理性，且它比其他一些算法具有更好的优化性能；另外，该改进的差分进化方案应用于目标船舶方位估计方法中，不仅具有有效性，且它具有比其它传统的方法更好的鲁棒性。
【专利说明】一种基于差分进化机理的目标船舶方位估计方法
【技术领域】
[0001] 本发明属于信号处理领域，具体涉及一种基于差分进化机理的船舶定位方法。
【背景技术】
[0002] 船舶是海上交通的一种重要载体，由于海洋环境的"复杂"和气候的"善变"，船舶 的安全运行不可避免受到影响，甚至因船舶本身受到损伤而造成海损事故，一旦事故发生， 航行船舶的方位信息将为安全保障部门做出准确的维护或搜救决策提供至关重要的科学 支持；不仅如此，为了保证船舶安全航行，船舶方位更是海上智能交通自动定位识别和船舶 避碰系统做出决策的重要依据。
[0003] 信号处理领域中的波达方位（Direction of Arrival, D0A)估计（例如文献：张 贤达.现代信号处理[M].北京：清华大学出版社，2002.)，是一种广泛应用于雷达、声 纳、导弹制导和无线通信系统等方面的目标方位估计方法，其原理是通过对天线阵列接收 的信号进行分析得到目标源的方位。现有的DOA估计方法主要可分为三类：多重信号分 类（multiple signal classification, MUSIC)法（参见文献：Zhang X D. Modern Signal Processing[M]. Bei jing: Tsinghua University Press, 2002.以及文献：Zhang Y. , Ng B. P. MUSIC-Iike DOA Estimation without Estimating the Number of Sources[J]. IEEE Transcations on Signal Processing, 2010, 58(3): 1668-1669.)、旋转不变技术 (estimating signal parameter via rotational invariance techniques, ESPRIT)(参 见文献：Jensen J. R.，Christensen M. G.，Jensen S. H. Nonlinear Least Squares Methods for Joint DOA and Pitch Estimation[J]. IEEE Transactions on Audio, Speech, and Language Processing, 2013, 21 (5) :923-9333?以及文献：Stoica P.，Gershman A. B. Maximum-likelihood DOA Estimation by Data-supported Grid Search[J]. IEEE Signal Processing Letters, 2009, 6 (10) :273-275.)和最大似然估计法。
[0004] 其中，多重信号分类MUSIC方法对噪声具有很好的鲁棒性，但它需要接收信号的 快拍数足够多，并且它的估计精度和待定位目标源之间的方位差互相制约。旋转不变技术 ESPRIT能适用于方位差较大的情况下，但它不仅对噪声抑制能力差外，并且像MUSIC估计 方法一样要求信号的快拍数足够多。最大似然估计法是一种具有优秀统计特性和鲁棒性的 技术（参见文献：Volodymyr V. Improved Beamspace ESPRIT-based DOA Estimation via Pseudo-noise Resampling[C]. EuMW&EuRAD 2012, Amsterdam, 2012:238-241.),理论上已 经证明通过最大似然法可以得到最优的目标DOA方位；与子空间分解的MUSIC法和ESPRIT 法比较，基于最大似然的DOA估计法的估计精度不仅不受快拍数的约束，并且在阈值区域 内的渐近性相对较好。然而，由于似然函数是一个非线性的多模函数，要优化这个目标函数 是一个很困难和复杂的问题。
[0005] 为此，本发明提出一种基于差分进化算法的目标船舶方位估计方法。差分进 化算法是Storn R.和Price K.提出的一种模拟生物进化的群体寻优算法（参见文 献：Storn R. , Price K. Differential evolution-A simple and eff icent adaptive scheme for global optimization over continuous spaces[R]. Berkeley:University of California, 1996.)。该优化算法容易实现,而且受控参数少,这也是我们选择差分进 化算法的一个主要原因。利用其求解优化问题时，那么待优化参数就相当于进化的生物， 而生物进化一次相当于对于待求解的参数完成一次优化迭代。模拟生物进化机理来进行 一次参数的优化迭代，其过程包括变异、杂交和选优等三个阶段。虽然众多的数值优化分 析实例都验证了 DE比遗传算法（genetic algorithm, GA)和粒子群优化算法（particle swarm optimization, PS0)算法具有更好的优化和收敛性能（参见文献：Wang R.J., Zhu Y. Nonlinear dynamic system identification based on FLANN[J]? Journal of Jimei University (Natural Science) ,2011, 16(2) :128-134);但它依然与其它传统智能群体优 化算法一样存在收敛速度慢和收敛的"过早熟"不足。原型的DE算法中单一变异策略增加 了算法限入局部最优或早熟收敛的概率，解决此问题的思路就是使变异策略多样化。
【发明内容】
[0006] 因此，针对上述的问题，本发明提出一种基于差分进化机理的目标船舶方位估计 方法，其对目前的最大似然估计法进行优化，利用基于改进的差分进化机理来求解最大似 然函数的问题，改进的差分进化机理使变异策略多样化，解决了收敛速度慢和收敛的"过早 熟"等不足；同时，改进的差分进化机理使整个求解过程简化并易于实现，进而将它应用于 目标船舶方位估计。
[0007] 令m和d分别表示阵元数和阵元间距，接收阵列位于n艘船舶位置的远场区，且 m彡n。假设n艘目标船舶发送的源信号s(t) = [^(。，^(。，…，^(^^为彼此互相独立 且零均值的窄带信号，并记它们到达第1个阵元直射线与阵列法线方向之间的夹角为e i (i =1，2,…，n)，称这个夹角为波到方位（角），即DOA方位。若将第1个阵元视为参考阵列， 则目标源到达非参考阵元都会存在延迟，即非参考阵元接收到的信号与目标源信号存在一 个相位差，记第i个目标源到达第2个阵元引起的相位差为Coi, %与Si之间的关系为：
【权利要求】
1. 一种基于差分进化机理的目标船舶方位估计方法，包括以下步骤： 步骤1:将多变异策略融入差分进化优化算法形成改进后的差分进化机理，多变异策 略包括变异、杂交和选优三个过程； 步骤2 :将步骤1的改进后的差分进化机理和似然函数相结合应用于估计目标船舶的 DOA方位。
2. 根据权利要求1所述的目标船舶方位估计方法，其特征在于：所述步骤1中，将待优 化解参数记为3，其具体包括以下过程： 过程11 :多变异策略搜索下一个优化解的迭代计算式为式（5)，由式（5)迭代式得到变 异阶段的更新解
式（5)中，为模拟生物变异搜索下一个新的解，Pbest为至目前为止的最优解；1 = 1，…，Ns，Ns为进化生物的规模；d= 1，…，D，D为待求解参数的维数，Pmax (d)和Pmin(d) 分别为可能解的第d维的最大值和最小值；F为[0 2]之间的随机数，为[-1 1]之间 的随机数；A、r2和r3为在[I Ns]之间随机产生与i相邻解的序号，注意!T1尹r2尹i, A尹r2尹r3尹i ;p(i)和分别为与目标函数值成正比的不同可能优化解的概率和平均概
式（6)中的fit (P1)为衡量第1个解P1优化效果的目标函数； 过程12 :杂交：由式（7)迭代式得到杂交阶段的更新解@。，并根据式（9)-(10) 计算它们相应的目标函数J ;
式（7)中的匕为[I NJ之间的随机整数；9为[0 1]之间产生的随机数，Ck为杂交率， 它的取值范围在[〇 1]; /ML =trace{P^Rx) (9) 式（9)为估计n个DOA方位0i的似然函数，式（9)中，PaI为噪声子空间的投射矩阵， 它具体式为枚=1-?^，I为HiXn维的单位矩阵，A#= (A11Ar1AH为复数矩阵A的的广义伪逆 矩阵，左上标的"H"和"-1"分别表示Hermitian转置和求逆运算符；trace (?)为矩阵求 秩运算符，Rx = E[X(t)xH(t)]为x(t)的空域协方差矩阵，E[ ?]为求期望运算符；将目标
则估计最优e i (i = 1，~，n)的代价函数为式（10):
式（10)中，I ? I为求绝对值运算符；C>0为任意常数，当J - C时，ft =6^ i=u 八，n); 过程13:选优：根据目标函数J值大小关系，从上次迭代的P和过程12计算的P。中 选出新的优化解；如果新的优化解选择为上次迭代的0，则相应的进化生物的Ic(I)ramt = 让(1)。。_+1，对于k(l)_t>klimit的P根据式⑶产生它的新解；否则，置Ic(I) raunt = 0 ; & (I, d) = ^ max (d) + ^ min (d) - ^ (I, d) (8)。
3. 根据权利要求2所述的目标船舶方位估计方法，其特征在于：所述步骤2中，具体包 括以下过程： 过程21 :从P中选取到目前为止最优的可能解Pbest ;如果到达收敛条件，则跳入步骤 22 ;否则，跳回过程11 ; 步骤22:根据式（10)从P中选出全局最优的可能解，则它的元素为估计得到目标船 舶的方位。
4. 根据权利要求2所述的目标船舶方位估计方法，其特征在于：所述过程13中，还包 括将优胜劣汰机制融入差分进化优化算法的过程，该过程对klimit次没有得到更新的P，按 式（8)对它的元素进行重新赋予可能的新解： 3 (1，d) = @ max(d) + 3 min(d)_@ (1，d) (8)。
【文档编号】G01S3/14GK104360306SQ201410658603
【公开日】2015年2月18日 申请日期:2014年11月18日 优先权日:2014年11月18日
【发明者】王荣杰 申请人:集美大学