CN111458698B - 一种被动声纳稀疏阵位优化方法 - Google Patents
一种被动声纳稀疏阵位优化方法 Download PDFInfo
- Publication number
- CN111458698B CN111458698B CN202010253459.8A CN202010253459A CN111458698B CN 111458698 B CN111458698 B CN 111458698B CN 202010253459 A CN202010253459 A CN 202010253459A CN 111458698 B CN111458698 B CN 111458698B
- Authority
- CN
- China
- Prior art keywords
- array
- sparse
- detection
- relative position
- domain
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
- G01S7/523—Details of pulse systems
- G01S7/526—Receivers
- G01S7/53—Means for transforming coordinates or for evaluating data, e.g. using computers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明提供一种被动声纳稀疏阵位优化方法,本发明属于声纳阵列信号处理领域。本发明是这样是实现的:(1)构建任意形状阵列,自适应选取探测阵元;(2)对探测阵元稀疏表示,应用改进遗传算法;(3)编码域变换,交叉算子改进(4)迭代优化,干扰抑制能力分析,输出最优阵位;本发明优点在于(1)有效减少探测阵元数量,降低数据冗余;(2)探测分辨力几乎不变,增强抗干扰能力;(3)增强算法稳健性。
Description
技术领域
本发明涉及的是一种水下声纳阵列信号处理算法,具体实施涉及一种基于被动探测场景下的稀疏阵稀疏阵位优化方法。可应用于无人水下平台的阵型优化,属于水声阵列信号处理领域。
背景技术
近年来水下声纳基阵平台应用越来越广泛,对于一般声纳来说,水声换能器数量是目标探测结果的重要保障之一,为追求水下目标高分辨,探测声纳设计趋于大孔径、多阵元,这便导致较高的硬件成本以及快速增长的数据处理负担。如何用更少的阵元实现探测目标的高分辨同时兼顾阵列抗干扰能力,是国内外学者一直关心的问题。
遗传算法基于生物进化理论利用随机搜索方法被应用在优化、设计、深度学习以及分类等领域。近几年,遗传算法等智能优化算法也广泛应用于阵列波束形成领域,尽管遗传算法可以较好解决非线性和非凸优化的难题,但也存在计算量大收敛速度慢的问题。在众多改进优化算法中,交叉算子是遗传算法中最主要的遗传算子,对种群的搜索性能起着重要的作用。因此对交叉算子改进引起人们的普遍关注。
稀疏阵元比标量声压传感器提供了更完备的声场信息,不仅包含声压信息,还包含2到3个具有正交特性的振速信息。和普通声压阵元相比,稀疏阵元具有优越的***性能:较强的抗干扰能力,较高的分辨力以及多址能力。
发明内容
本发明目的在于提供一种能够提高水下阵列实时感知水下环境以及目标方位的矢量稀疏阵位优化方法。
本发明的目的是这样实现的:步骤如下:
步骤一:构建任意形状阵列,自适应选取探测阵元;
步骤二:对探测阵元稀疏表示,构建相对位置域;
步骤三:编码域变换,完成一次交叉;
步骤四:生成子代执行低概率变异操作和选择操作,完成一次迭代优化与干扰抑制能力分析;
步骤五:多次迭代,当干扰抑制能力不再增强即认为优化收敛,退出迭代,输出最优阵位。
本发明还包括这样一些结构特征:
1.步骤一中的自适应选取探测阵元是指根据目标来向左右60°扇角内选取探测阵元。
2.步骤二具体是:按照预设稀疏率对探测阵元进行稀疏表示0,1编码,构建相对位置域,对探测开机阵元相对位置进行实数表示,通过编码域变换即稀疏表示的0,1编码映射到相对位置域的实数编码。
3.步骤三具体是:通过编码域变换即稀疏表示的0,1编码映射到相对位置域的实数编码,对实数码进行非均匀次序交叉处理,随后逆映射得到子代稀疏表示,完成一次交叉过程。
与现有技术相比,本发明的有益效果是:本发明提出了一种基于稀疏水声阵列的阵位优化方法。不同于其他的线性阵位权值优化方法,本发明利用任意阵列稀疏特性,(1)自适应的根据预设目标来向有效减少探测阵元数量,降低数据冗余,提高实时感知海洋环境和目标方位能力。(2)本发明利用探测阵元编码-解码交叉处理方法有效克服交叉生成病态子代问题,同时丰富子代容量,增强算法稳健性。(3)稀疏阵最优阵位具有分辨率几乎不变且较强干扰抑制能力的特点。
附图说明
图1是稀疏阵阵位优化方法流程图;
图2是非均匀两点次序交叉处理;
图3是优化稀疏表示、对称子阵、全阵元分布图;
图4是标量、矢量波束图分析;
图5是优化后性能平均收敛曲线。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
本发明的步骤如下:
步骤1:构建任意阵列,自适应选取探测阵元:对假设目标来向左右60°扇角内选取探测阵元;
步骤2:对探测阵元稀疏表示,应用改进遗传算法:对探测阵元稀疏表示(0,1表示),构建相对位置域,对探测开机阵元相对位置进行实数表示,通过编码域变换即稀疏表示的0,1编码映射到相对位置域的实数编码;
步骤3:编码域变换,交叉算子改进:在相对位置域中进行非均匀次序交叉处理,得到子代相对位置域实数表示,通过逆映射得到子代的稀疏表示,完成一次完整交叉操作;
步骤4:生成子代执行低概率变异操作和选择操作,完成一次迭代优化与干扰抑制能力分析;
步骤5:迭代优化,干扰抑制能力分析,输出最优阵位,也即:当干扰抑制能力不再增强结束迭代优化过程,同时多次独立试验,验证算法稳健。
下面结合具体数值给出本发的实施例:
本发明是基于遗传算法的迭代稀疏阵位优化方法,包括共形阵列的矢量波束形成算法和改进交叉算子的增强遗传算法两部分。
步骤1:对假设目标来向的方向左右60°扇角内选取探测阵元,预设稀疏率,确定最终探测开机阵元个数;
对步骤1需要说明的是,本发明针对预设目标来向的抗干扰的高分辨感知,通常为保证减少近处及自身强干扰,探测扇角为120°,因此当预设方向先验已知,即可进行第一次减少探测阵元工作。
步骤2:构建稀疏表示域,对探测阵元采用二进制编码(0,1表示);构建相对位置域,对探测开机阵元相对位置进行实数表示,通过编码域变换即稀疏表示的0,1编码映射到相对位置域的实数编码;
在步骤2中,通过稀疏表示(0,1编码)到相对位置域(实数编码)变换,高效稳健解决了0,1编码在单点、多点交叉过程中常出现子代病态问题(多1少1问题)。同时,在相对位置域内进行次序交叉操作,进一步扩充子代丰富度,提高算法全局搜索能力。最后,将逆映射得到子代稀疏表示,完成改进交叉操作。
父代稀疏表示域到相对位置域变换形式为【1】。在稀疏表示域,parent1的染色体排序为[1001001101],parent2的染色体排序为[1101001010],0表示探测阵元关机,1表示探测阵元开机。经过域变换即将父代染色体中1的位置表示出来,因为1的位置(探测开机阵元位置)在基阵上不是绝对位置,而是相对位置,因此变换到相对位置域,parent1的染色体为[1,4,7,8,10],parent2的染色体为[1,2,4,7,9]。
步骤3:对相对位置域中的基因组进行非均匀两点次序交叉处理,得到新子代,并通过域逆变换得到子代的稀疏表示域,完成一次完整交叉操作;
在步骤3中对相对位置域中的父代染色体执行非均匀两点次序交叉操作,两个基因点采取随机选取,这样可以有效增大两交叉点间基因个数,丰富子代容量。次序交叉操作为:选定两个交叉点point1、point2,将交叉点间基因进行交叉,parent1和parent2的其他基因按次序且不重复原则进行填充得到child1和child2,如图2所示。最终将子代相对位置域染色体逆变换得到子代稀疏表示域染色体,如【2】所示。
步骤4:将生成子代进行低概率变异操作和选择操作,完成一次迭代优化与干扰抑制能力分析;
对于步骤4,首先设置pm(变异概率)=0.1,在满足变异条件下对稀疏表示域(0,1编码)的染色体中随机选出一组0和1基因进行位置对调,完成变异操作。对优化的阵位进行标量、矢量信号波束图分析,其中指向性函数为:
其中,k=2π/λ,λ是窄带信号波长,pn(φn)是稀疏表示的第n号阵元实际位置,γ(θ)表示单位波达矢量,θ表示探测区域扫描角。将最低旁瓣级(PSL)定义为性能函数,
其中,θs表示预设目标来向。
步骤5:当扰抑制能力不再增强结束迭代优化过程,同时多次独立试验,验证算法稳健;
在步骤5,独立重复进行步骤1到步骤4,将所得阵位性能优化曲线加权平均得平均阵位优化性能收敛曲线,如图5所示。
综上,本发明目的在于提供一种基于被动探测场景下的稀疏阵阵位优化方法。本发明属于声纳阵列信号处理领域。本发明是这样是实现的:(1)构建任意形状阵列,自适应选取探测阵元;(2)对探测阵元稀疏表示,应用改进遗传算法;(3)编码域变换,交叉算子改进(4)迭代优化,干扰抑制能力分析,输出最优阵位;本发明优点在于(1)有效减少探测阵元数量,降低数据冗余;(2)探测分辨力几乎不变,增强抗干扰能力;(3)增强算法稳健性。
Claims (2)
1.一种被动声纳稀疏阵位优化方法,其特征在于:步骤如下:
步骤一:构建任意形状阵列,自适应选取探测阵元;
步骤二:对探测阵元稀疏表示,构建相对位置域;
按照预设稀疏率对探测阵元进行稀疏表示0,1编码,构建相对位置域,对探测开机阵元相对位置进行实数表示,通过编码域变换即稀疏表示的0,1编码映射到相对位置域的实数编码;
步骤三:编码域变换,完成一次交叉;
通过编码域变换即稀疏表示的0,1编码映射到相对位置域的实数编码,对实数码进行非均匀次序交叉处理,随后逆映射得到子代稀疏表示,完成一次交叉过程;
步骤四:生成子代执行低概率变异操作和选择操作,完成一次迭代优化与干扰抑制能力分析;
步骤五:多次迭代,当干扰抑制能力不再增强即认为优化收敛,退出迭代,输出最优阵位。
2.根据权利要求1所述的一种被动声纳稀疏阵位优化方法,其特征在于:步骤一中的自适应选取探测阵元是指根据目标来向左右60°扇角内选取探测阵元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010253459.8A CN111458698B (zh) | 2020-04-02 | 2020-04-02 | 一种被动声纳稀疏阵位优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010253459.8A CN111458698B (zh) | 2020-04-02 | 2020-04-02 | 一种被动声纳稀疏阵位优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111458698A CN111458698A (zh) | 2020-07-28 |
CN111458698B true CN111458698B (zh) | 2022-07-15 |
Family
ID=71681585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010253459.8A Active CN111458698B (zh) | 2020-04-02 | 2020-04-02 | 一种被动声纳稀疏阵位优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111458698B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117010132B (zh) * | 2023-09-27 | 2023-12-26 | 中国船舶集团有限公司第七一九研究所 | 一种水下多基地声纳***的空间阵位优化方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105572658A (zh) * | 2016-01-19 | 2016-05-11 | 苏州桑泰海洋仪器研发有限责任公司 | 基于改进遗传算法的三维成像声纳接收平面阵阵元稀疏优化方法 |
CN109711046A (zh) * | 2018-12-26 | 2019-05-03 | 电子科技大学 | 基于多智能体遗传算法的大型稀疏阵列高效综合方法 |
EP3492944A1 (en) * | 2017-12-01 | 2019-06-05 | Origin Wireless, Inc. | Apparatus, systems and methods for event detection and recognition based on a wireless signal |
-
2020
- 2020-04-02 CN CN202010253459.8A patent/CN111458698B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105572658A (zh) * | 2016-01-19 | 2016-05-11 | 苏州桑泰海洋仪器研发有限责任公司 | 基于改进遗传算法的三维成像声纳接收平面阵阵元稀疏优化方法 |
EP3492944A1 (en) * | 2017-12-01 | 2019-06-05 | Origin Wireless, Inc. | Apparatus, systems and methods for event detection and recognition based on a wireless signal |
CN109711046A (zh) * | 2018-12-26 | 2019-05-03 | 电子科技大学 | 基于多智能体遗传算法的大型稀疏阵列高效综合方法 |
Non-Patent Citations (3)
Title |
---|
"A Novel Mating Approach for Genetic Algorithms";Severino Galan;《IEEE》;20131231;全文 * |
"Grate lobes/side lobes suppression for sparse array design by using genetic algorithms";S Li等;《2011 Second International Conference on Innovations in Bio-inspired Computing and Applications》;20120103;全文 * |
"基于稀疏布阵的实时三维成像声纳***";王朋 等;《仪器仪表学报》;20160430;第37卷(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111458698A (zh) | 2020-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103675799B (zh) | 一种相控阵声纳***换能器稀疏面阵优化方法 | |
CN105572658B (zh) | 基于改进遗传算法的三维成像声纳接收平面阵阵元稀疏优化方法 | |
CN109725294B (zh) | 基于改进遗传算法的雷达阵列稀疏优化方法 | |
CN107561484B (zh) | 基于内插互质阵列协方差矩阵重建的波达方向估计方法 | |
CN111160556B (zh) | 一种基于自适应遗传算法的阵列稀疏优化方法 | |
CN107944133B (zh) | 基于多目标量子蜘蛛群演化机制的环形天线阵列稀疏方法 | |
CN111695233B (zh) | 一种基于改进鲸鱼优化算法的阵元失效校正方法 | |
CN107658573B (zh) | 一种基于量子搜寻者搜索机制的圆环阵方向图综合方法 | |
CN111458698B (zh) | 一种被动声纳稀疏阵位优化方法 | |
CN113311397B (zh) | 基于卷积神经网络的大型阵列快速自适应抗干扰方法 | |
CN114399044A (zh) | 一种子阵级稀疏阵列发射波束旁瓣电平优化方法 | |
CN105842666B (zh) | 基于差分算法的雷达子阵划分优化方法 | |
CN111353605A (zh) | 基于改进遗传算法的新型平面分子阵天线阵列综合布阵方法 | |
CN110376557B (zh) | 一种基于非均匀嵌套mimo雷达的栅瓣抑制方法 | |
CN105652233A (zh) | 一种随机稀疏声阵列超指向结构生成方法 | |
CN113792492A (zh) | 基于免疫遗传算法的希布阵天线的优化设计方法 | |
CN108845304B (zh) | 一种五维台阵mimo雷达波形设计方法 | |
CN106886648B (zh) | 一种三元矢量合成控制优化方法 | |
CN112698337B (zh) | 一种宽带三维成像声呐稀疏布阵方法 | |
CN112016662B (zh) | 基于混合差分进化算法与加权总体最小二乘法的阵列方向图综合法 | |
CN109506763B (zh) | 一种基于教与学优化的矢量水听器稀疏布阵方法 | |
CN106372726B (zh) | 一种基于gasa的mimo雷达正交编码信号优化方法 | |
CN110427669B (zh) | 一种相控阵扫描辐射波束的神经网络模型计算方法 | |
CN111487594A (zh) | 一种基于粒子群优化的圆阵列波束形成方法 | |
CN116882147A (zh) | 基于混合麻雀搜索算法的阵列天线合成方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |