針對匹配場被動定位技術對海洋環(huán)境擾動敏感的問題,提出了一種基于稀疏貝葉斯學習的穩(wěn)健匹配場處理方法。該方法通過分析環(huán)境擾動情況下的聲場構成,建立了海洋環(huán)境擾動模型,同時結(jié)合水下定位問題的稀疏性,將匹配場被動定位問題表述為稀疏信號重構問題。然后,使用稀疏貝葉斯學習方法迭代更新目標位置及模型失配權向量,收斂至最優(yōu)稀疏解作為目標定位結(jié)果。最后使用仿真數(shù)據(jù)和北厄爾巴島的海試數(shù)據(jù)對算法進行了驗證,仿真和實驗結(jié)果表明:該算法在海洋環(huán)境模型失配情況下也能夠準確定位,且能分辨水平間距為100 m的兩個目標。因此,基于稀疏貝葉斯學習的穩(wěn)健匹配場處理方法能夠有效利用海洋環(huán)境擾動聲場結(jié)構和水下定位稀疏特性,以增強匹配場處理的穩(wěn)健性和定位精度,并且具有應對多源定位問題的能力。

【文章頁數(shù)】：11 頁

【部分圖文】：

圖５?ＲＳＣ－ＳＬＭ和ＭＦＰ－ＳＢＬ的多源定位結(jié)果對比??表４存在模型失配時不同匹配場處理器的性能??Ｐｒｏｃｅｓｓｏｒ??ｒｍｚｍｍｅｓ

王奇等：環(huán)境擾動約束下的稀疏貝葉斯定位方法??４８３??４期??一個目標的信噪比為３?ｄＢ．第二個目標的信噪比為??０?ｄＢ。在仿真過程中發(fā)現(xiàn)其余４種處理器都不能成??功定位這兩個聲源，只有ＲＳＣ－ＳＬＭ處理器和ＭＦＰ－??ＳＢＬ處理器能夠正確定位，因此下面僅對這兩種處??理器的....

圖６使用海試數(shù)據(jù)時不同匹配場處理器的定位結(jié)果??表５使用海試數(shù)據(jù)時不同匹配場處理器的性能對比??Ｐｒｏｃｅｓｓｏｒ??Ａｒ?（ｍ）??Ａｚ?（ｍ）??ＰＢＲ?（ｄＢ）??ＬＳＬ?（ｄＢ）??Ｔｉｍｅ?（ｓ）??ＭＶ－ＥＰＣ??－４００??＋２??１２．７４??－２．６１???

４８４??２０２０?年??聲?學學報??ＳＬＭ的ＰＢＲ大于ＯＵＦＰ．主要是因為ＳＢＬ算法在??處理過程中不僅對環(huán)境空間進行了積分，而且使用??了迭代的方式不斷更新主要參數(shù)的概率分布，使環(huán)??境模型更逼近實際環(huán)境，ＲＳＣ－ＳＬＭ則是由于選用了??零或一的策略使得目標和背景十分易于區(qū)....

圖1MFP-SBL的分層分布圖形模型

其中,是噪聲功率的倒數(shù),a>0,b>0。根據(jù)式(10),能夠得到如下高斯似然函數(shù):

圖2淺海環(huán)境模型

1993年10月SACLANT研究中心在意大利西海岸的北厄爾巴島附近的海域開展了一次水下聲源定位實驗[19],該海域是比較典型的淺海海域,SACLANT曾在該海域進行過多次實驗,對該海區(qū)的環(huán)境特性掌握的較全面。根據(jù)以前記錄的實驗數(shù)據(jù)[19-20],環(huán)境參數(shù)基線模型及統(tǒng)計平均的海洋....

本文編號：3921097