[发明专利]一种多声音阵列移动目标检测定位方法

权利要求书

1.一种多声音阵列移动目标检测定位方法,其特征在于方法具体包括：

(1).建立模型；

(1-1).建模背景：

对于多目标，k时刻目标的状态和传感器测量可用随机有限集表示为：X_k＝{x_k,1,…,x_k,N(k)}∈Ε_s，其中Ε_s表示目标的状态空间，Ε_o表示传感器观测的测量空间，N(k)为k时刻目标存活个数，M(k)为k时刻观测到的目标个数，q为传感器组的编号；X_k和表示k时刻的目标状态矢量和观测量测矢量的有限集合；

其中的单个目标状态表示为：其中x为目标状态，l为目标标签，且目标状态的变换不会影响标签；

(1-2).系统建模，包括建立状态方程和观测方程；

状态方程为：X_k＝AX_k-1+Bω_k；其中，A是目标状态转移矩阵，B是噪声矩阵，ω_k为过程噪声，服从标准的高斯分布；

其中T＝1，表示采样时间；

X_k＝{x_k,1,…,x_k,i,…,x_k,N(k)}为多目标的状态集合，i∈[1,N(k)]，N(k)为k时刻目标存活个数，表示第k时刻第i个目标的存在状态向量，其中x_k,i表示x方向坐标，表示x方向速度；y_k,i表示y方向坐标，表示y方向速度；

观测方程为：q＝1,2,…,Q；其中，为一对传感器观测到的时差，δ_q为一对传感器接收信号的角度差，q为传感器序号，共有Q组传感器；为量测噪声，服从均值为0的标准高斯分布；

(1-3).模型环境：

在检测范围内有Q组传感器阵列，表示为S_1:Q＝{s₁,…,s_q,…,s_Q}，q∈[1,Q]；其中s_q＝{s_q,1,…,s_q,j,…,s_q,N}，表示第q组中的所有j个传感器阵列，j∈[1,N]；s_q,j为每个传感器阵列的位置坐标，s_q,j＝(x_q,j,y_q,j)；假设目标位置状态表示为x_i＝(x,y)；

每对阵列的时间差表示为：X_i为坐标位置，s_q,j为第q组传感器的每个传感器坐标位置，均为笛卡尔直角坐标系下的位置；||·||表示2范数，v为声速；

每对阵列的角度差表示为：δ_q＝|arctan(x_i-s_q,1)-arctan(x_i-s_q,2)|；δ_q表示目标与两个传感器的方位角之差；

(1-4).计算声音信号时差：

针对传感器观测到的信号用数学模型表示为：

z₁(t)＝α₁s(t)+n₁(t)，z₂(t)＝α₂s(t-τ₁:₂)+n₂(t)；其中，z₁(t)和z₂(t)分别为传感器接收到信号，s(t)是真实信号，n₁(t)和n₂(t)分别为环境噪声，τ₁:₂为两个传感器检测到信号的时间差，α₁和α₂为信号接收到的幅值；

通过卷积计算来估计求得时间差：τ₁:₂＝argmaxR_1:2(τ_1:2)；其中，R_1:2(τ_1:2)是卷积计算，当R_1:2(τ_1:2)最大的时候对应的τ_1:2即为相同信号对应不同传感器接收到的时间差；

对接受信号进行傅里叶变换，将时域转化为频域简化了问题处理，两个信号见的互相关函数R_gcc(τ_q)表示为：

R_gcc(τ_q)定义为广义互相关函数，其中Z₁(ω)和Z₂(ω)分别为z₁(t)和z₂(t)的傅里叶变化，*为共轭复数，ψ_1,2(ω)为广义互相关的相位变换(phase transform,path)加权函数；

(2).吉布斯-广义标签多伯努利滤波；

广义标签多伯努利随机有限集是状态空间为标签空间为的标签随机有限集，其分布为：其中ξ是离散下标集合，ω^(ξ)(L)和p^(ξ)满足：∫p^(ξ)(x,l)dx＝1；式中的权重仅依赖于多目标状态标签集合，多目标指数依赖于整个多目标状态；

给定多目标状态X，其中每个目标满足(x,l)∈X，X的检测概率为p_D,m(x,l)，每个状态产生的观测状态z用似然函数g(z|x,l)表示；多传感器和多目标的映射关系定义为函数如果θ(i)＝θ(i′)＞0，有i＝i′，θ(i,l)表示θ(i)中的第l对关联成员，集合Θ表示多传感器的全体向量映射集合，其子集I用Θ(I)表示；假设目标和杂波的生成均为独立检测，那么多传感器多目标似然函数为：

其中，表示泊松分布的杂波函数，p_D,m(x,l)为编号为m传感器的概率检测；

δ-GLMB滤波器满足：其中Ξ是离散空间集合；

所述δ-GLMB滤波器为基于广义标签多伯努利分布的多目标贝叶斯滤波器，δ-GLMB的前向传播表达式为：

给定k时刻的前向传播，通过联合更新步和预测步的下一时刻k+1表达式定义为：

其中ξ∈Ξ,θ₊∈Θ₊,且：

其中是新生目标的标签空间，是目标的标签空间，I₊下一时刻目标轨迹的标签集合，r_B,+(l₊)表示标签为l₊的出生概率，p_B,+(x₊,l₊)是运动状态分布，f₊(x₊|·,l₊)是马尔卡夫种状态转移方程，是由先验概率p^(ξ)(·,l)得到的存活目标的概率密度；总表达式将所有的情况出生、死亡和存活都通过新的量测假设标签列举出；

(3).吉布斯采样估计：

在已知协方差数据和参数的分布条件下，假设目标状态为X_k＝{x_k，1,…,x_k,N(k)}，其满足概率分布π，通过吉布斯采样获得，具体方法如下：

初始化：X₁＝{x_1,1,…,x_1,N(1)}；

采样：x_2,1～π(·|x_1,2:N(1))；

采样：x_2,2～π(·|x_2,1,x_1,3:N(1))；

······

采样：x_2,n～π(·|x_2,1:n,x_1,n+1:N(1))；

由此实现X₁＝{x_1,1,…,x_1,N(1)}到X₂＝{x_2,1,…,x_2,n}的采样；

重复上述步骤，得到第k时刻的目标状态分布状态X_k＝{x_k,1,…,x_k,N(k)}。