基于多级神经网络的被动声定位算法研究

    0 引言

    被动声定位技术具有通视条件好、不受烟雾阻挡、隐蔽性强等特点,可以弥补雷达、主动声纳等有源探测手段的不足,因此被作为一种重要的军事侦察手段,国外已广泛应用于炮位侦测、直升机跟踪预警、新型智能雷弹研制以及弹着点定位等领域[1]。但是,在定位过程中,由于传声器接收的声信号受风速、气压、空气湿度、温度梯度、有限地面阻抗、大气湍流等多种环境因素以及传声器电气特性的影响,是非线性、非对称的,造成传声器输出电量与位置的关系难以用精确的数学模型描述[2]。此外,在定位算法中,对位置方程组进行求解时会引入非线性问题,大大降低了定位精度,成为实际工程运用中的难题。

    人工神经网络提供了解决复杂非线性问题的方法,并已经成功地运用于解决语音识别、声目标识别和图像识别等领域[3]。其中,RBF神经网络具有很强的非线性逼近能力和自学习功能,收敛速度快、鲁棒性好、无局部极小点,已广泛应用于函数逼近、非线性预测和补偿[4, 5]。影响RBF神经网络泛化能力的主要因素有网络结构复杂性、样本复杂性、样本质量等。虽然RBF神经网络能实现任意非线性映射,但采用单RBF神经网络,一次性实现初次定位和数据融合两个复杂映射过程无疑增加了映射的难度即增加了结构的复杂性,降低了网络的泛化能力;同时,由于传感器故障、大的外界扰动等因素可能存在无效数据,如果不剔除这些数据,直接进入网络,将导致网络性能急剧下降,甚至失效。基于此,本文提出基于多级神经网络的被动声定位算法,通过第一级RBF神经网络解决建模和非线性问题,得到初次定位坐标,并将其中的失效数据剔除;第二级RBF神经网络对有效数据进行融合得到置信度更高的位置坐标。该算法不仅定位精度高、速度快、鲁棒性好,而且在部分传感器失效时还能取得较好的定位效果,并为检测定位故障传感器提供了依据。

    1 被动声定位模型

    假设目标声源来自空中目标S,具有三个自由度,其空间坐标为(X,Y,Z),根据TDOA定位要求至少需要三个独立时延Si,因此本系统采用平面四元十字阵,四个传声器分别为A、B、C、D,其空间分布如图1所示。

    根据TDOA定位原理可得如下方程:

    其中:SA、SB、SC、SD分别为声源到传感器A、B、C、D的距离:

    其中:T为声速,T为摄氏温度。计算由式(1)(2)构成的非线性方程组可得到目标声源的位置,但计算量大、表达式极为复杂,同时数学模型是在忽略复杂非线性环境影响的条件下建立的理想模型,误差较大,很难满足工程实践需要。

    目前,对于精确数学模型难以建立问题主要采用基于数据驱动的方法解决,而神经网络作为一种有效工具被广泛应用。其中BP神经网络是目前应用较为广泛和成熟的网络,但存在训练速度慢、容易陷入局部极小值和算法收敛等问题。对于非线性问题的解决方法有加权最小二乘法、Chan算法、Taylor算法以及增加副站传感器将非线性问题转换为线性问题[6]等,虽然这些算法提高了定位精度,取得了一定的效果,但都是基于理想数学模型之上的改进,定位效果不能很好地满足实际运用需要。