一种基于神经网络的水下多磁性目标定位方法

文档序号:26001272发布日期:2021-07-23 21:18阅读:198来源:国知局
一种基于神经网络的水下多磁性目标定位方法

本发明涉及水下目标探测定位领域,更具体地,涉及一种基于神经网络的水下多磁性目标定位方法。



背景技术:

我国海洋面积辽阔,对海洋资源和水下航行器等的探测和定位具有重要意义。由于水下光学环境的局限性及其作业平台的机动限制,使得对水下目标物进行探测和定位相对来说比较困难。与陆地或空中的定位方法有所不同,海水特殊的环境条件使得水上的定位手段运用在水下时受到很多限制。对于陆地或空中目标物定位导航的研究通常是基于无线电波或光信号,然而无线电波在水中传播时信号强度会快速衰减从而导致信号传播的距离会大大缩短,难以满足水下作业的要求;而光信号在水中传播时不仅会快速衰减而且还会出现散射现象,难以追踪信号源的具体位置。目前,水下目标物的定位通常是使用声学探测和定位技术。但是传统声学探测定位系统较为复杂、造价成本也比较高,对其进行使用或维护时都不是很方便。声学探测是主动探测方式,受水声环境影响明显,而且要求被探测对象相对于周边环境具有明显的声学可识别特性。在浅海或近海环境下,明显的声学背景噪声将会严重影响对目标的定位,同时海水盐度和温度也会降低声学探测系统对目标的定位精度。

与传统的声学定位技术相比,利用磁性目标的铁磁性质来进行定位具有其独特的优势。首先是受到的影响较少,除了磁暴等极少数情况外,地磁场和磁性目标的磁场分布都比较稳定,即使是对于非合作的运动目标,其产生的磁场也相对稳定,能很好地测量出磁场值。对于海底的沉船和其它作业机器,利用声学定位技术很难判断是否为目标,容易将其和海底地形混在一起,而利用目标的磁性来对其定位则能很好地解决这个问题。特别是对于被海底淤泥覆盖住的沉船或黑夹子等磁性目标,利用其磁性来定位将是一个很好的选择。虽然磁性探测技术要求被探测目标相比于周边环境具有明显的独立磁性特点,但对于水下的目标而言,这个要求是很容易满足的,因为水下并不像陆地上有很多其他磁场的干扰。

目前,对磁性目标定位的研究大多都是研究单一的磁性目标,也就是把目标当做理想化的单一磁源。由于多磁性目标同时反演会明显增加待解参数数量,且混叠磁场不具备标准的空间分布模型,使得对多磁性目标定位的研究困难增加,相关研究成果比较少。对多磁性目标进行定位时,随着目标数量的增多,定位的难度和误差也就越大。根据磁偶极子模型,磁性目标越远磁场强度会迅速减少,在反演时可能会把这些弱磁场当成噪声而过滤掉;在进行定位时,来往船只或水下航行器的存在、地磁背景场和其他干扰磁场等也会对定位的精度造成很大的影响。但是在现实环境中,理想的单一磁源是比较少的,更多是存在多个磁性目标的情况,而在不考虑其他磁性物体的情况下对单一磁性目标进行定位将存在较大的误差。



技术实现要素:

本发明提供一种基于神经网络的水下多磁性目标定位方法,该方法克服现有的水下磁性目标定位技术局限于对单磁性目标定位的问题。

为了达到上述技术效果,本发明的技术方案如下:

一种基于神经网络的水下多磁性目标定位方法,包括以下步骤:

s1:建立多磁性目标磁场模型和生成多磁性目标磁场数据;

s2:建立神经网络模型;

s3:对多磁性目标进行反演定位。

进一步地,所述步骤s1中,建立多磁性目标磁场模型,并根据多磁性目标磁场模型生成目标周围磁场强度的数据;多磁性目标磁场模型将单磁性目标磁场模型进行叠加,目标周围某一点处的磁场强度为各个磁性目标在该点产生的磁场强度的矢量之和,在生成磁性目标磁场数据时可生成不同数量的磁性目标磁场数据,如单磁性目标、双磁性目标和三磁性目标等,最后计算生成的磁场数据的磁场梯度张量;当测点到磁性目标的距离大于目标自身最大物理尺寸的2.5倍时,利用磁偶极子模型来代替磁性目标来进行分析处理,磁场看作为磁偶极子群产生的叠加磁场,所述步骤s1的具体过程是:

磁偶极子模型的向量表达式为:

其中,磁偶极子模型表示位于原点的磁性目标在距离为r的点p(x,y,z)产生的磁感应强度,μ0表示磁偶极子在真空中的磁导率,其值为μ0=4π×10-7h/m,在空气中μ≈μ0,在研究磁偶极子时介质磁导率近似当成μ0,而在有些研究中有时也把4π省略掉,直接取μ=10-7h/m,m为磁矩;

令bx、by和bz为b在x、y和z方向上的分量,mx、my和mz为m在x、y和z方向上的分量,则b可用矩阵表示为:

磁场梯度张量所表示在笛卡尔坐标系下,磁场矢量b的三个分量在相互垂直的三个方向上的空间变化率。对与磁场m来说,其完整的磁场梯度张量表示为:

由于磁场在无源空间内,其散度和旋度均为0,即:

因此可得:

bxx+byy+bzz=0

bxy=byx

bxz=bzx

byz=bzy

其中,bxx与g11均表示分量bx对x求偏导,其它类似;

将磁场梯度中的各分量分别表示为:

其中,i、j代表笛卡尔坐标系的三个分量(即i,j=1,2,3),当i=j时有δij=1,当i≠j时,δij=0;磁梯度张量共有9个分量,但是独立分量只有5个,在生成磁场梯度数据时,只需生成5个独立的磁场梯度张量而不需要生成全部的磁梯度张量数据;由磁偶极子模型的向量可知,只要给出磁偶极子与测点的相对位置(x,y,z)以及磁矩(mx,my,mz),就可求出磁场三个分量的大小(bx,by,bz),在制作数据时,可将计算得到的磁场数据单位转化为与地磁场相一致的单位;磁导率系数μ可取其近似值为10-7h/m,生成磁场强度数据时,所设的磁矩(mx,my,mz)的大小为(100000,200000,300000),磁偶极子与测点的相对位置可随机生成,生成磁场数据之后,再根据梯度张量公式来求磁场梯度张量,最后得到磁场及其梯度的数据集,步骤s2的具体过程是:

使用matlab来建立磁性目标神经网络模型所用函数为newff函数,对生成的数据用load函数导入,再将训练数据做归一化处理;输入层的节点数一般由解决问题的数据数量决定,反演磁性目标的位置用到磁场及其梯度数据,共有9个,因此输入层节点设为9;隐藏层层数设为两层,第一层节点数为20,第二层节点数为40,隐藏层层数及其节点数过多反而会影响反演的精度和效率;根据数据的传输,层间传递函数分别为“tansig”、“logsig”和“tansig”函数;最后的输出为磁性目标的位置共三个分量,因此设输出维数为3;创建训练网络,所用到的训练函数为“trainlm”;设置每间隔50步就显示一次训练结果,最大训练步数设置为8000次,训练所要达到的精度为10-4,学习速率设为0.01,训练次数越多、所设精度越高则神经网络所形成的映射关系越准确,而学习效率过大则会影响反演效率。

进一步地,所述步骤s3中,利用生成的磁场数据和神经网络模型,分别对单磁性目标、双磁性目标和三磁性目标进行反演定位,得到磁性目标的位置结果,所述步骤s3的具体过程是:

分别对单磁性目标、双磁性目标和三磁性目标三种情况反演出磁性目标的相对位置,生成磁性目标相对位置和真实位置的三维图,并计算出生成的磁性目标相对位置的相对误差,用γ来表示相对误差,r为测点与磁性目标之间的距离,则相对误差的计算公式为:

与现有技术相比,本发明技术方案的有益效果是:

本发明首先对磁场模型进行建模,利用单磁性目标建模方法对每个磁性目标分别进行建模,再将它们融合相加即可得到多磁性目标的磁场模型;其次,利用磁场模型制作出磁场数据;然后,分析磁场模型,并根据磁场模型建立合适的神经网络模型;最后,利用所制作的磁场数据测试和改进神经网络模型,从而得到能够对水下多磁性目标定位的神经网络模型,实现对水下多磁性目标的快速高精度定位。本发明方案适用于水下多磁性目标的定位,能够保持高精度定位的同时极大提高对多磁性目标的定位效率,而且不用对磁场模型进行求解。

附图说明

图1为本发明方法流程图;

图2为本发明构建的神经网络模型参数设定;

图3(a)为单磁性目标定位结果;

图3(b)为双磁性目标定位结果;

图3(c)为三磁性目标定位结果。

具体实施方式

附图仅用于示例性说明,不能理解为对本专利的限制;

为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;

对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

如图1所示,一种基于神经网络的水下多磁性目标定位方法,包括以下步骤:

第一步,建立多磁性目标磁场模型和生成多磁性目标磁场数据;

当测点到磁性目标的距离大于目标自身最大物理尺寸的2.5倍时,通常利用磁偶极子模型来代替磁性目标来进行分析处理,而这在实际中容易满足,因此磁场可看作为磁偶极子群产生的叠加磁场。

磁偶极子模型的向量表达式为:

其中,磁偶极子模型表示位于原点的磁性目标在距离为r的点p(x,y,z)产生的磁感应强度。μ0表示磁偶极子在真空中的磁导率,其值为μ0=4π×10-7h/m,在空气中μ≈μ0,在研究磁偶极子时介质磁导率也可近似当成μ0,而在有些研究中有时也把4π省略掉,直接取μ=10-7h/m,m为磁矩。

令bx、by和bz为b在x、y和z方向上的分量,mx、my和mz为m在x、y和z方向上的分量,则b可用矩阵表示为:

磁场梯度张量所表示在笛卡尔坐标系下,磁场矢量b的三个分量在相互垂直的三个方向上的空间变化率。对与磁场m来说,其完整的磁场梯度张量表示为:

由于磁场在无源空间内,其散度和旋度均为0,即:

因此可得:

bxx+byy+bzz=0

bxy=byx

bxz=bzx

byz=bzy

其中,bxx与g11均表示分量bx对x求偏导,其它类似。

将磁场梯度中的各分量分别表示为:

其中,i、j代表笛卡尔坐标系的三个分量(即i,j=1,2,3),当i=j时有δij=1,当i≠j时,δij=0;

从磁场梯度张量的推导过程可发现,磁梯度张量共有9个分量,但是独立分量只有5个。因此,在生成磁场梯度数据时,只需生成5个独立的磁场梯度张量而不需要生成全部的磁梯度张量数据。

由磁偶极子模型的向量可知,只要给出磁偶极子与测点的相对位置(x,y,z)以及磁矩(mx,my,mz),就可求出磁场三个分量的大小(bx,by,bz)。在制作数据时,可将计算得到的磁场数据单位转化为与地磁场相一致的单位;磁导率系数μ可取其近似值为10-7h/m。生成磁场强度数据时,所设的磁矩(mx,my,mz)的大小为(100000,200000,300000),磁偶极子与测点的相对位置可随机生成。生成磁场数据之后,再根据梯度张量公式来求磁场梯度张量,最后得到磁场及其梯度的数据集。

第二步,建立神经网络模型;

使用matlab神经网络工具箱建立神经网络模型,基本思路为导入训练数据使神经网络自动学习并形成输入到输出的映射关系,再根据测试数据反演出磁性目标的相对位置。

使用matlab来建立磁性目标神经网络模型所用函数为newff函数,对生成的数据用load函数导入,再将训练数据做归一化处理。输入层的节点数一般由解决问题的数据数量决定,反演磁性目标的位置用到磁场及其梯度数据,共有9个,因此输入层节点设为9。隐藏层层数设为两层,第一层节点数为20,第二层节点数为40,隐藏层层数及其节点数过多反而会影响反演的精度和效率。根据数据的传输,层间传递函数分别为“tansig”、“logsig”和“tansig”函数。最后的输出为磁性目标的位置共三个分量,因此设输出维数为3。创建训练网络,所用到的训练函数为“trainlm”。设置每间隔50步就显示一次训练结果,最大训练步数设置为8000次,训练所要达到的精度为10-4,学习速率设为0.01。训练次数越多、所设精度越高则神经网络所形成的映射关系越准确,而学习效率过大则会影响反演效率。图2为本发明的神经网络,部分参数以及用时可在界面显示。多次试验发现,训练数据在500组以上、训练次数有一千次以上时,反演所得的磁性目标的位置误差基本能控制在5%以内。单磁性目标、双磁性目标和三磁性目标的测试数据均为50组,它们的实际位置和反演位置之间的相对误差如附表1所示(只取前25组数据)。从附表1可看出,无论是单磁性目标还是多磁性目标,本发明所得的位置误差均在5%以内,说明本发明所得到的定位结果有较高的精度,能够满足实际中对目标物的定位要求。

第三步,对多磁性目标进行反演定位;

在此步骤中,分别对单磁性目标、双磁性目标和三磁性目标三种情况反演出磁性目标的相对位置,生成磁性目标相对位置和真实位置的三维图,并计算出生成的磁性目标相对位置的相对误差。

用γ来表示相对误差,r为测点与磁性目标之间的距离,则相对误差的计算公式为:

获得的单磁性目标、双磁性目标和三磁性目标的定位结果如图3和表1所示:

表1本发明所得磁性目标位置的相对误差

相同或相似的标号对应相同或相似的部件;

附图中描述位置关系的用于仅用于示例性说明,不能理解为对本专利的限制;

显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。

当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1