[发明专利]基于分布式浮标探测的多源信息融合方法

说明书

本发明公开了基于分布式浮标探测的多源信息融合方法，所述多源信息融合方法包括以下步骤：步骤一：对含有噪声和杂波的观测数据的有效性进行判断，选择一个阈值，根据所述阈值去除掉环境干扰造成的有过大误差的数据值；步骤二：选择合适的神经网络类型，构建多层神经网络模型，通过对输入数据的学习、训练，经过调整系统的参数和反馈信息，得出最佳估计的融合模型；步骤三：将经过预处理的观测数据输入经过样本培训过的多层神经网络模型，得出最佳判决。本发明实现了可观的信息压缩，有利于实时处理，能最大限度地给出决策分析所需要的特征信息，有效应对复杂水声环境和安静型目标所导致的杂波率高、目标声源级微弱以及多目标航迹交叉情况。

技术领域

本发明涉及基于分布式浮标探测的多源信息融合方法，属于海洋声学目标探测领域。

背景技术

海洋声学目标探测技术对于维护国家主权，保障国家海洋环境安全，促进海洋探索与开发至关重要。在现阶段的声纳探测领域，尽管用于潜艇和水下航行器监测的传感器系统取得了进展，但对于广阔的海洋环境，由于近年来水下目标隐身技术不断进步，给水声探测技术带来了巨大挑战。传统单站声纳探测在空间上的覆盖以及多站声纳在探测精度与信息处理上仍然存在很大的缺陷。

在传统的探测方式中，探测设备在海洋环境中工作时由于信道是海水介质，水下信道的低信息传输率给连续检测、跟踪和识别目标带来困难。色散效应包括空间扩展损失和海水吸收损失，引起信号能量的衰减和波形畸变。浅海声速剖面不稳定、不规则，随季节、时间和纬度而变化。声速剖面可导致声线弯曲及混叠干涉，会产生声影区。海水本身的不均匀性、海水中的流砂粒子和海洋生物等引起的体积混响，海面的不平整性和波浪形成的气泡层对声波的散射所形成的海面混响，将影响声纳探测目标的稳定性。多径传播产生信号起伏、信号畸变和去相关，直接影响空间和时间处理增益，使探测性能下降。

鉴于声纳探测在海战中的重要作用，世界各国在重视发展声纳探测技术的同时，十分重视发展反侦察的技术，即水下目标隐身技术。海上试验和海战都证明，这些隐身技术能有效地降低单站声纳探测能力。针对水下目标隐身技术的发展，探测隐身目标的多源声学网络也应运而生。多个固定和移动节点通过水下网络联接形成有机整体，利用其进行稳健、高效的跟踪对于提高目标探测性能至关重要。然而，复杂水声环境和安静型目标所导致的杂波率高、目标声源级微弱以及多目标航迹交叉对多源信息的处理带来很大挑战。

针对这一挑战，低频、移动、多节点水声探测技术日益受到重视，由此可见，通过水声通信组网技术将主被动探测节点连接成水声探测网络，并对获取的多源信息进行融合，是海洋声学目标探测技术发展的一个重要途径。因此，本文提出一种基于分布式浮标探测的多源信息融合方法，对多浮标探测的目标声纳信息采用神经网络模型算法进行特征级融合，实现了可观的信息压缩，有利于实时处理，并且由于所提取的特征直接与决策分析有关，因而融合结果能最大限度地给出决策分析所需要的特征信息。

发明内容

本发明提出了基于分布式浮标探测的多源信息融合方法，其目的是为了解决在复杂水声环境下多浮标水声探测容易受环境影响，探测精度不高等问题。

本发明通过以下技术方案实现：基于分布式浮标探测的多源信息融合方法，所述多源信息融合方法包括以下步骤：

步骤一：对含有噪声和杂波的观测数据的有效性进行判断，选择一个阈值，根据所述阈值去除掉环境干扰造成的有过大误差的数据值；

步骤二：选择合适的神经网络类型，构建多层神经网络模型，通过对输入数据的学习、训练，经过调整系统的参数和反馈信息，得出最佳估计的融合模型；

步骤三：将经过预处理的观测数据输入经过样本培训过的多层神经网络模型，得出最佳判决。

进一步的，步骤一中，具体的，设当表示第i-1点的坐标滤波值，表示第i-1点的速度滤波值，ΔS_wx,i-1表示第i-1点至i点的目标航程在X轴上的分量，ΔT表示滤波采样间隔时间，那么表示第i-1点对i点的线性外推值为