本发明涉及运动声源目标定位领域，特别涉及一种基于K均值聚类迭代的无人机声源目标定位方法。
背景技术：
近年来，无人机市场迅速发展，无人机的数量呈现井喷式的增长；与此同时，无人机“黑飞”、“滥飞”的事件层出不穷，对公共安全和个人隐私带来了严重的影响，因此，无人机的监管与防御成了各国学术界和工业界研究的重点。
目前用于无人机的检测手段主要有雷达、音频、视频以及射频。雷达成本较高，同时由于小型无人机飞行高度低，速度慢，多普勒频移效应不明显，因此检测检测难度较大；视频可以用于无人机的识别，但是却无法实现定位，同时现实环境复杂，容易受建筑物遮挡，且用于图像识别的样本需求量高，难以收集；射频装置主要用于检测无人机发出图传信号和遥控器的控制信号，虽然其拥有检测距离远和能定位的优点，但是当无人机设定为GPS自动导航时，射频无法检测该目标，同时环境中WI-FI信号较多，与很多无人机的通信频段处于同一频段，干扰较大；音频则可以同时实现无人机的检测定位，虽然距离短，但是通过增加声阵列的数量可以大大提升定位的距离，因此本发明采用声音传感器对无人机进行检测定位。
在基于时延的定位技术中，通过计算两两声音传感器之间的时间延迟，然后利用时延信息进行定位；当声阵列系统中存在冗余的时延信息时，如果能够正确利用，可以大大提升系统定位的准确度和精确度。因此本发明在融合声阵列系统的各个时延信息基础上，提出一种定位方法，能够大大提升无人机声源定位的可靠性与精确性。
技术实现要素：
本发明的目的在于针对现有技术的不足，提供一种基于K均值聚类迭代的无人机声源定位方法，该方法在声阵列系统能够提供冗余时延估计信息的基础上，充分利用多组时延结果，进行融合定位，以提供更加稳定、准确的无人机声源定位结果。
本发明的目的是通过以下技术方案来实现的：一种基于K均值聚类迭代的无人机声源定位方法，包括以下步骤：
(1)在声音传感器覆盖的范围内，仅有一架无人机飞行，且其声音信号强度能够被声音传感器接收；保证每个声阵列的所有声音传感器的采集时间同步，计算声音传感器之间的时延估计结果tmn，m＝1,2…M，n＝1,2…M且m≠n，其中M表示单个声阵列中声音传感器的数量；
(2)根据声音到达不同声音传感器的时间不同有以下约束关系：
dmn＝||Sm-S0||-||Sn-S0||
其中dmn＝ctmn，利用该关系得到以下线性方程组：
等式中各参数的含义为：Sm、Sn分别表示声阵列中第m个和第n个声音传感器的空间三维坐标，S0表示三维空间中无人机声源的坐标，dn0表示三维空间中无人机声源和第n个声音传感器之间的距离，c表示声速；
以第n个声音传感器作为参考节点，依次取m＝1,2…M且m≠n，共得到M个不同的线性方程组；对于P个声阵列，依次取每个声阵列的一个线性方程组进行组合，共得到MP个组合后的定位方程，分别求解出MP个无人机声源目标的三维坐标；
(3)采用K均值聚类方法对MP个坐标进行聚类分析，得到无人机的最佳初始坐标点S；
(4)将最佳初始坐标点S作为牛顿迭代的初始点，利用牛顿迭代计算出无人机声源坐标。
进一步地，所述步骤(1)中，利用基于相位变换PHAT的广义互相关函数GCC计算出声音传感器之间的时延估计结果tmn。
进一步地，所述步骤(2)中，在遍历组合不同的线性方程组时，每次以一个声音传感器为参考节点，同一组时延变量仅重复两次。
进一步地，所述步骤(2)中，对于定位方程，利用最小二乘法求解出无人机声源目标的三维坐标。
进一步地，所述步骤(3)中，根据MP的大小和实际噪声情况确定聚类簇的个数，类别最多的簇的中心点作为无人机的最佳初始坐标点S。
进一步地，所述步骤(3)中，利用迭代计算出无人机声源的坐标，式中fS为dmn对S0的偏导数，为迭代后的最终结果。
进一步地，所述步骤(4)中，针对得到的无人机声源坐标位置，建立无人机匀速运动的系统状态方程，利用卡尔曼滤波进行滤波处理，得到最终的无人机运动轨迹坐标。
本发明提出的基于K均值聚类迭代的无人机声源定位方法，可以充分融合声阵列系统的时延估计信息，更加准确的定位无人机声源目标，本发明具有以下优势：
1、能够充分利用整个声阵列系统的时延估计冗余信息，结合多声音传感器的优势，更加准确、可靠地定位出无人机声源目标的位置；
2、解决迭代算法中对初始值较敏感的缺点，利用线性方程组求解的结果作为迭代的初始值，加快了收敛的速度，同时保证了收敛结果的准确性；
3、不增加声阵列系统的声音传感器数量，整个计算过程快速高效，可以保证实时性的要求。
附图说明
图1为声阵列具体模型图；
图2为无人机坐标的聚类结果图；
图3为无人机坐标迭代计算结果图；
图4为卡尔曼滤波结果图；
图5为定位轨迹与真实GPS轨迹对比图。
具体实施方式
以下结合附图对本发明的实施作如下详述：
附图1是声阵列具体模型图，声音传感器采用声传科技的CHZ-213，同时配置前置放大器。声阵列系统由2个四面体阵型的声阵列组成，每个声阵列安装4个声音传感器，每个声音传感器距离四面体底部中心点的距离为1m；声音信号通过NI-9234四通道数据采集卡进行采集，每个采集卡保证单个阵列上的4个声音传感器信号采集同步，采集频率为25600Hz。以该模型为基础，我们推导出系统的定位方程组。假设8个声音传感器的空间三维坐标为Sn(xn,yn,zn)，n＝1,2…8，且空间只存在一架无人机，其坐标为S0(x0,y0,z0)，空间中无人机声音到达任意两个声音传感器之间的声程差为dmn，m＝1,2…8，n＝1,2…8且m≠n，无人机距离任意一个声音传感器的距离为di0，i＝1,2…8，以声音传感器1，2为例，可以写出以下等式：
d21＝||S2-S0||-||S1-S0||
两边同时取平方可得：
整理可得：
即：
改写成矩阵的形式为：
同理可以写出下列等式：
其中p＝2,3,4，q＝6,7,8，将以上6个方程整理成如下矩阵的形式：
AX＝B
并带入各个坐标为：
求解其最小二乘解可以得到如下形式：
X＝(ATA)-1ATB＝[x0 y0 z0 d10 d50]T
等式中dmn＝ctmn，c为声速，tmn为两个声音传感器之间的时延估计，可由广义互相关函数计算得到。针对该图中的声阵列模型，可以写出16中不同方程组组合形式，因此可以计算出16个无人机的空间三维坐标。
附图2是对16种无人机空间坐标的聚类结果图，可以看出针对无人机声源的16个位置坐标，总共被分成了3种情况，图中多数的坐标点均集中在中间的位置；在K均值聚类算法中，设定为7个簇类别，采用欧拉距离进行度量；以最大簇的中心点作为无人机声源的最佳初始坐标估计结果。
附图3是将聚类得到的结果作为无人机声源的位置初始坐标，利用公式：
迭代计算出无人机声源的坐标，式中参数的含义为：S为无人机初始三维坐标，为最终坐标，fS为dmn对x，y，z的偏导数；可以看出，通过迭代算法，明显降低了系统中的噪点，大大提升了系统的定位精度。
附图4展示了卡尔曼滤波结果图，首先将对无人机声源建立一个匀速运动的模型，然后利用卡尔曼滤波进行平滑处理，得到最终无人机声源的位置坐标。
附图5展示了采用本发明定位方法计算出的轨迹与真实GPS轨迹对比图，可以看出通过该方法可以有效地估计出无人机声源的位置坐标。