基于双BP神经网络数据融合的水声定位研究

　　水声定位可广泛应用于海洋勘探、海洋试验、海洋军事等领域。但是,环境因素的干扰、电子设备之间的干扰以及测量误差等均给精确定位带来困难,因此基于多传感器实现水声定位已渐渐成为水声信号处理领域的重要技术[1-2]。该技术通过增加传感器阵列数,优化布阵、增强试验数据获取的有效性,同时实现多传感器阵列单元之间的数据融合,从而提高定位精度[3]。水下环境的复杂性和不确定性,造成了单个传感器或者同一目标的不同特征信息,将多信息融合处理,则能够得到更全面的信息,进而做出更精确的判断,从而达到对目标的精确定位[4]。神经网络因其具有非线性映射、自学习、自适应、鲁棒较强等优点,非常适合解决目标融合定位问题[5-6]。但是传统单BP神经网络的数据融合方法,将传感器采集回来的数据直接输入到神经网络的输入层,这样某些异常值往往会给神经网络的收敛性带来一定的影响,同时数据全部输入也会影响神经网络的收敛速度。鉴于单BP神经网络的应用局限性,人们开始尝试双神经网络的研究。该方法是将所检测到的数据输入判断网络1进行判断、识别和剔除,再将处理后数据输入网络2训练,得出所要的结果。目前该方法主要运用在故障诊断研究上[7]。

　　本文以多传感器水声定位为应用背景,研究双BP神经网络在水声定位数据融合中的应用,以提高定位精度。首先将传感器采集回来的数据依次输入到网络1(异常点剔除网络),进行识别,剔除异常数据点,再将训练得到的有效点数据输入到网络2(有效点融合网络)。该方法能够显著减少网络的学习时间,提高诊断准确率,具有一定的使用价值。

　　1 BP神经网络

　　人工神经网络是一个非线性动力学系统,它由许多并行运算的处理单元所组成,其特色在于信息的并行存储和并行协同处理。虽然单个神经元的结构极其简单,功能有限,但大量的神经元组成的神经网络系统所能实现的功能却是极其丰富的。神经网络系统具有集体运算能力和自适应的学习能力,同时还具有很强的容错性和鲁棒性,善于联想、综合和推广。由于人工神经网络特有的优点,已经在许多领域成功运用。BP神经网络是一种常见和使用范围很广的神经网络。

　　BP神经网络的算法是一种监督学习的算法,他的学习训练过程可分2步进行:信息的正向传播和误差的反向传播。在正向传播过程中,输入信息经过隐含层神经元逐层处理并传向输出层,如果输出层不能得到期望的输出值,则转入反向传播过程,将期望值与网络输出值之间的误差沿原来的连接通路返回,通过修改各层神经元的连接权重使误差减小然后再转入正向传播过程,如此反复计算,直至误差达到所设定的门限值为止。