一种基于基追踪降噪的水下传感器定位方法和系统

本发明属于信号处理，涉及一种基于基追踪降噪的水下传感器定位方法和系统。

背景技术：

1、水下海洋环境是安全和经济发展的重要基础，现如今在各方各面起着越来越重要的作用。充分认识水下海洋环境是海洋资源合理利用和海洋自然灾害有效预防的重要保障。水下无线传感器网络定位技术及水下无线传感器网络的研究持续进行，水下无线传感器网络节点定位是水下无线传感器网络相关应用的基础和关键。对于大多数应用场景下传感器采集的数据，如果无法获得这些数据来源的位置，那么所采集的这些数据可能是没有任何利用价值的。

2、对于许多水下传感器定位场景，传统的基于距离的定位技术，包括到达时间(toa)、到达时差(tdoa)、到达角(aoa)和接收信号强度(rssi)仍然适用。然而，基于距离的定位在很大程度上依赖于信号传播模型的准确性，水下环境通常更加多样化和复杂，在这一领域出现了许多算法。匹配场定位(mfp)技术是二十世纪初提出的一种目标定位方法，该方法用所有环境参数、信道参数共同构建出一个场源模型，然后与采集到的真实的基本阵列数据相比较，以此来寻找一个与实际测试时采集到的信号特征最相似的点作为定位的位置。该方法实质是通过建模，寻求和实际测量之间的相关来获得目标位置信息。虽然这种方法得到的信号传播模型很精准，作用范围大，精度较之前的方法也有提升；但是建模时的计算量庞大且计算时要用到的传播模型容易受环境参数影响，所以该方法不能进行实时测量。这几年来在这一领域，开始出现将基于深度学习的回归算法应用于水下定位领域，并且用真实的实验数据来模拟，得到的结果表明深度学习算法在这一领域有一定的研究前景。许多机器学习算法，如前馈神经网络(fnn)、支持向量机(svm)、随机森林(rf)都得到了广泛的应用，将深度学习应用于水下传感器定位领域受到越来越多的关注，例如，深度神经网络(dnn)、卷积神经网络(cnn)和递归神经网络(rnn)已被提出用于水下传感器定位。

3、目前进行的大部分水下传感器定位研究都是在深度学习的网络模型上面进行改进或者更换模型，这类研究主要集中在深度学习上，待定位传感器向锚节点发送信号，提取出锚节点接收到的信号的特征，用神经网络实现对待定位传感器的定位，而忽略了锚节点接收到的信号本身，在锚节点接收到的信号预处理方面研究并不够充分。但是水下环境十分复杂，水声信道中由于各种生物和海洋环境会存在许多不可估计的噪声，对于水下锚节点接收到的原始信号，由于信号在水声信道中传播存在的干扰，收到的信号中混杂着噪声，因此会造成因为信号本身在水声信道中传播而造成的误差，这一误差在整个定位过程中是不可忽视的。将含噪声的数据用于深度学习达到水下传感器定位的目的，在一些情况下会对最终定位精度产生较大的偏差，这些偏差是改进深度学习网络所弥补不了的，因为这些偏差来源于数据本身。例如前馈神经网络和随机森林被证明，在分类问题中，如果数据存在较大的噪声，且存在需要划分多类的变量，前馈神经网络和随机森林的预测效果都会降低。

技术实现思路

1、本发明的目的在于克服上述现有技术的缺点，提供一种基于基追踪降噪的水下传感器定位方法和系统，以解决现有技术中水下传感器定位容易受噪声影响导致定位效果差的缺陷，从而对水下传感器定位的性能做出提升。

2、为达到上述目的，本发明采用以下技术方案予以实现：

3、一种基于基追踪降噪的水下传感器定位方法，包括以下步骤：

4、s1，在锚节点接收待定位传感器的节点信号，所述节点信号由无噪信号和噪声信号组成；所述无噪信号由水下传感器发出，噪声信号在水声信道中生成；

5、s2，通过基追踪降噪算法求解稀疏去噪问题，从节点信号中获取无噪信号；

6、s3，将无噪信号做离散傅里叶变换，获得频域声压数据，将频域声压数据归一化处理后，获得采样协方差矩阵，基于采样协方差矩阵，获得无噪信号对应的数据特征；将数据特征输入至定位神经网络模型，获得水下传感器的位置。

7、本发明的进一步改进在于：

8、优选的，s2中，所述去噪问题的公式为：

9、

10、其中，λ为系数，a为n×n的傅里叶逆变换矩阵，y是长度为n的向量，x是长度为n的向量，u为辅助变量。

11、优选的，采用admm算法，通过迭代下式(7)，获得辅助变量u；

12、

13、将获得的辅助变量u，带入至s(n)＝au，获得无噪信号。

14、优选的，s2后，还包括以下步骤，分别以时域和频域判断获得的无噪信号是否满足要求；

15、时域的判断方法为：比较无噪信号和节点信号，判断无噪信号相对于节点信号的毛刺是否减少；

16、频率的判断方法为：比较无噪信号和节点信号，判断无噪信号相对于节点信号，是否有频点上的值变为0或1。

17、优选的，s3中，数据归一化的公式为：

18、

19、其中，q(f)为频域声压数据，f为选择的频率点，l为接收到信号的锚节点个数。

20、优选的，s3中，将协方差矩阵中上三角矩阵和对角线元素的实部和虚部，拼成一个l(l+1)维的向量，获得无噪信号对应的数据特征。

21、优选的，s3中，所述神经网络模型输出k维列向量，通过k维列向量获得水下传感器的位置。

22、优选的，s3中，k维的列向量中，第k个数据为1，对应标记向量为izk，对应获得rk，为水下传感器的位置。

23、优选的，s3中，所述神经网络模型通过损失函数训练；所述损失函数通过比较神经网络输出的水下传感器节点位置和实际水下传感器节点位置的获得；损失函数为mse函数。

24、一种基于基追踪降噪的水下传感器定位系统，包括：

25、采集单元，用于在锚节点接收待定位传感器的节点信号，所述节点信号由无噪信号和噪声信号组成；所述无噪信号由水下传感器发出，噪声信号在水声信道中生成；

26、去噪单元，用于通过基追踪降噪算法求解稀疏去噪问题，从节点信号中获取无噪信号；

27、确定位置单元，用于将无噪信号做离散傅里叶变换，获得频域声压数据，将频域声压数据归一化处理后，获得采样协方差矩阵，基于采样协方差矩阵，获得无噪信号对应的数据特征；将数据特征输入至定位神经网络模型，获得水下传感器的位置。

28、与现有技术相比，本发明具有以下有益效果：

29、本发明提出了一种基于基追踪降噪的水下传感器定位算法，用于基于深度学习的水下传感器定位。相较于之前在这领域的研究，本发明并没有着重于改进深度学习的网络模型，而是着重于水下锚节点接收到的信号数据预处理过程，更关注于信号数据本身。由于水下待定位传感器发射的信号频率是固定的一些频率，所以水下传感器发射的信号在频域上具有稀疏的性质，锚节点接收到的信号也应在频域上具有稀疏的性质。借助稀疏约束性质，构建稀疏信号l1范数惩罚项最小二乘法优化问题，用基追踪降噪算法处理恢复出无噪信号，完成信号的去噪处理。后续在通过神经网络进行定位，以此来提高水下传感器定位精度。利用真实海试数据实验证明，本发明提出的基于基追踪降噪的水下传感器定位算法在定位精度方面取得了良好的性能提升，显示了基于基追踪降噪的水下传感器在基于深度学习的水下定位中的潜力

30、通过真实的海试数据实验证明，本发明提出的水下传感器定位方法在定位准确度方面取得了良好的性能，显示了基于基追踪降噪的水下传感器在基于深度学习的水下定位中的潜力，相较于之前在这领域的研究，本发明并没有着重于改进深度学习的网络模型，而是着重于水下锚节点接收到的信号数据预处理过程，更关注于信号数据本身，利用水下锚节点接收到的信号在频域上的稀疏性质，通过去除信号在水声信道中传播而产生的噪声来提高水下传感器定位精度，减小定位误差。