基于人工智能智慧城市传感器阵列的目标方位估计方法

1.本发明属于人工智能定位处理技术领域，具体涉及一种基于人工智能智慧城市传感器阵列的目标方位估计方法。


背景技术：

2.由于智慧城市环境影响复杂多变，在传感器作业时会遇到人流、大雨、大风、车流等干扰，且有时会有脉冲噪声存在，复杂的噪声环境使得传统方法的测向精度降低，无法处理多种噪声同时影响的情况。在城市环境探测中，通过多种传感器构成阵列观测或接收定位信号，完成对目标的方位估计。传统方法，不足以满足高精度需求，已经具有高分辨率的方位估计，还需要信源数目等作为先验信息。


技术实现要素：

3.本发明的目的是为了提供一种多种噪声联合影响下的基于人工智能智慧城市传感器阵列的目标方位估计方法。
4.本发明的目的是这样实现的：
5.基于人工智能智慧城市传感器阵列的目标方位估计方法，包括如下步骤：
6.(1)以城市传感器搭建均匀阵列，确认传感器阵列接收的数据阵列l；
7.(1.1)测量阵列接收信号长度y,以及遍历方位空间的网格数a；
8.(1.2)构建传感器阵列流型矩阵
9.(1.3)采集传感器探测后的期望信号矩阵k；
10.(1.4)采集传感器阵列各通道脉冲噪声出现状态矩阵m；
11.(1.5)采集传感器阵列各阵元的非均匀噪声矩阵i；
12.(1.6)采集传感器阵列各阵元处的脉冲噪声矩阵r；
13.(1.7)确认传感器阵列接收的数据阵列；
[0014][0015]1y
×z为y
×
z维单元矩阵；y
×
z为数据阵列的维数；
[0016]
(2)构建数据阵列中各个变量的先验分布，并对数据阵列信号进行分层先验分布；
[0017]
(2.1)构建系统真理第y时刻控制脉冲噪声uy以及隐变量矩阵τy，采集第z个阵元在第y时刻控制脉冲噪声u
z,y
以及隐变量矩阵τ
z,y
；
[0018]
(2.2)检测人工智能系统阵列的非均匀噪声方差向量ο以及第z个阵元探测的非均匀噪声方差向量οz、形状参数tz、逆尺度参数uz、流型矩阵
[0019]
(2.3)采集阵列中第a个扫描方位时，期望信号的方差矩阵ξa；
[0020]
(2.4)采集第y时刻阵列接收的数据ly，以及第z个阵元在第y时刻接收的数据l
z,y
以及第y时刻发射的数据ky；ly组成数据矩阵l；
[0021]
(2.5)采集第y时刻的噪声的状态向量zy；
[0022]
(2.6)采集第z个阵元在第y时刻m
z,y
的脉冲噪声；
[0023]
(2.7)构建第y时刻传感器阵列接收信号的分层先验分布：
[0024][0025]
cn代表复高斯分布；
[0026]
(2.8)构建非均匀噪声方差向量ο的分层伽马分布：
[0027][0028]
g代表伽马分布；
[0029]
(2.9)对期望信号的方差矩阵ξa、第y时刻的隐变量矩阵τy和控制脉冲噪声uy分别构建分层gamma分布：
[0030][0031][0032][0033][0034]
其中，na、σ
z,y
/3、π
z,y
、p
z,y
为对应分布的形状参数，oa、q
z,y
、δ
z,y
为对应分布的逆尺度参数，σ1为约束隐变量矩阵元素τy的方差向量；
[0035]
(2.10)构建对第y时刻的噪声状态向量zy构建伯努利分布为：
[0036][0037]
γy为zy发生的概率向量；
[0038]
(2.11)对γy构建分层beta分布：
[0039][0040]cz,y
和d
z,y
分别为第z个阵元在第y时刻服从的beta分布参数。
[0041]
(2.12)求解各变量的后验概率：
[0042][0043]
(2.13)将步骤构建的分布矩阵依次代入下式求解各个变量的后验概率：
[0044]
lnq(k)＝《lnp(l|k,m,u,τ,ο) lnp(l|ξ)》
q(ν≠l)
const
[0045]
lnq(ξ)＝《lnp(l|ξ) lnp(ξ)》
q(ν≠l)
const
[0046]
lnq(u)＝《lnp(l|k,m,u,τ,ο) lnp(u)》
q(ν≠l)
const
[0047]
lnq(k)＝《lnp(l|k,m,u,τ,ο) lnp(τ|α)》
q(ν≠l)
const
[0048]
lnq(ο)＝《lnp(l|k,m,u,τ,ο) lnp(ο)》
q(ν≠l)
const
[0049]
lnq(α)＝《lnp(τ|α) lnp(α)》
q(ν≠l)
const
[0050]
lnq(m)＝《lnp(l|k,m,u,τ,ο) lnp(m|γ)》
q(ν≠l)
const
[0051]
lnq(γ)＝《lnp(m|γ) lnp(γ)》
q(ν≠l)
const
[0052]
ν＝(k,ξ,u,τ,α,ο,m,γ)
[0053]
其中，q()为变量的后验概率，ln为取对数，《》代表取期望，p(∣)代表其中元素的概率，q(ν≠l)为对集合中不含变量的部分进行计算，const为常数项；
[0054]
(3)根据步骤(2)变量的概率分布，计算系统变量的均值和方差；
[0055]
(3.1)参数初始化：
[0056]
设置初始迭代为1，初始化最大迭代次数、遍历方位空间的网格数a期望信号分布方差的形状参数n0，期望信号分布方差的逆尺度参数ο0,噪声方差分布的形状参数p0、t0、π0，噪声方差分布的逆尺度参数q0，u0，δ0，控制发生概率c0、d0；
[0057]
(3.2)更新期望信号的方差和均值
[0058][0059][0060]qδ
＝diag(zy·
οy (1y×z zy)
·
τy·
uy)
[0061]
diag为对角运算；
[0062]
(3.3)更新各分布参数：
[0063][0064][0065][0066][0067][0068][0069]
[0070][0071][0072][0073]
(3.4)更新各变量的均值
[0074][0075][0076][0077][0078][0079]
(4)更新迭代次数加1；判断是否满足迭代终止条件，当满足迭代终止条件时，跳出迭代并输出
[0080][0081]
toul为终止门限，ξ为期望信号方差，te为迭代次数；若不满足迭代终止条件，继续步骤(3.2)-(3.4)；
[0082]
(5)进行方位估计，输出方位估计结果：
[0083][0084]
其中，‖
·
‖1，‖
·
‖
∞
为对矩阵的无穷范数运算。
[0085]
本发明的有益效果在于：
[0086]
本发明提供基于人工智能智慧城市传感器阵列的目标方位估计方法在充分考虑到多种噪声的影响，利用通过伯努利分布控制多重噪声的分布特性，通过贝叶斯模型更加接近实际智慧城市的环境，实现准确的方位估计，具备超高的区别能力和多目标分辨能力，更适合复杂城市环境中的波达方位估计。
附图说明
[0087]
图1为本发明方位估计流程图；
[0088]
图2为本发明构建的模型图；
[0089]
图3为本发明与传统稀疏方法、基于脉冲噪声的稀疏方法根均方误差对比结果；
[0090]
图4为本发明与传统稀疏方法、基于脉冲噪声的稀疏方法的检测概率结果。
具体实施方式
[0091]
下面结合附图对本发明作进一步详细描述。
[0092]
结合图1和图2所示，基于人工智能智慧城市传感器阵列的目标方位估计方法，包括如下步骤：
[0093]
(1)以城市传感器搭建均匀阵列，确认传感器阵列接收的数据阵列l；
[0094]
(1.1)测量阵列接收信号长度y,以及遍历方位空间的网格数a；
[0095]
(1.2)构建传感器阵列流型矩阵
[0096]
(1.3)采集传感器探测后的期望信号矩阵k；
[0097]
(1.4)采集传感器阵列各通道脉冲噪声出现状态矩阵m；
[0098]
(1.5)采集传感器阵列各阵元的非均匀噪声矩阵i；
[0099]
(1.6)采集传感器阵列各阵元处的脉冲噪声矩阵r；
[0100]
(1.7)确认传感器阵列接收的数据阵列；
[0101][0102]1y
×z为y
×
z维单元矩阵；y
×
z为数据阵列的维数；
[0103]
(2)构建数据阵列中各个变量的先验分布，并对数据阵列信号进行分层先验分布；
[0104]
(2.1)构建系统真理第y时刻控制脉冲噪声uy以及隐变量矩阵τy，采集第z个阵元在第y时刻控制脉冲噪声u
z,y
以及隐变量矩阵τ
z,y
；
[0105]
(2.2)检测人工智能系统阵列的非均匀噪声方差向量ο以及第z个阵元探测的非均匀噪声方差向量οz、形状参数tz、逆尺度参数uz、流型矩阵
[0106]
(2.3)采集阵列中第a个扫描方位时，期望信号的方差矩阵ξa；
[0107]
(2.4)采集第y时刻阵列接收的数据ly，以及第z个阵元在第y时刻接收的数据l
z,y
以及第y时刻发射的数据ky；ly组成数据矩阵l；
[0108]
(2.5)采集第y时刻的噪声的状态向量zy；
[0109]
(2.6)采集第z个阵元在第y时刻m
z,y
的脉冲噪声；
[0110]
(2.7)构建第y时刻传感器阵列接收信号的分层先验分布：
[0111][0112]
cn代表复高斯分布；
[0113]
(2.8)构建非均匀噪声方差向量ο的分层伽马分布：
[0114][0115]
g代表伽马分布；
[0116]
(2.9)对期望信号的方差矩阵ξa、第y时刻的隐变量矩阵τy和控制脉冲噪声uy分别构建分层gamma分布：
[0117][0118][0119][0120][0121]
其中，na、σ
z,y
/3、π
z,y
、p
z,y
为对应分布的形状参数，oa、q
z,y
、δ
z,y
为对应分布的逆尺度参数，σ1为约束隐变量矩阵元素τy的方差向量；
[0122]
(2.10)构建对第y时刻的噪声状态向量zy构建伯努利分布为：
[0123][0124]
γy为zy发生的概率向量；
[0125]
(2.11)对γy构建分层beta分布：
[0126][0127]cz,y
和d
z,y
分别为第z个阵元在第y时刻服从的beta分布参数。
[0128]
(2.12)求解各变量的后验概率：
[0129][0130]
(2.13)将步骤构建的分布矩阵依次代入下式求解各个变量的后验概率：
[0131]
lnq(k)＝《lnp(l|k,m,u,τ,ο) lnp(l|ξ)》
q(ν≠l)
const
[0132]
lnq(ξ)＝《lnp(l|ξ) lnp(ξ)》
q(ν≠l)
const
[0133]
lnq(u)＝《lnp(l|k,m,u,τ,ο) lnp(u)》
q(ν≠l)
const
[0134]
lnq(k)＝《lnp(l|k,m,u,τ,ο) lnp(τ|α)》
q(ν≠l)
const
[0135]
lnq(ο)＝《lnp(l|k,m,u,τ,ο) lnp(ο)》
q(ν≠l)
const
[0136]
lnq(α)＝《lnp(τ|α) lnp(α)》
q(ν≠l)
const
[0137]
lnq(m)＝《lnp(l|k,m,u,τ,ο) lnp(m|γ)》
q(ν≠l)
const
[0138]
lnq(γ)＝《lnp(m|γ) lnp(γ)》
q(ν≠l)
const
[0139]
ν＝(k,ξ,u,τ,α,ο,m,γ)
[0140]
其中，q()为变量的后验概率，ln为取对数，《》代表取期望，p(∣)代表其中元素的概率，q(ν≠l)为对集合中不含变量的部分进行计算，const为常数项；
[0141]
(3)根据步骤(2)变量的概率分布，计算系统变量的均值和方差；
[0142]
(3.1)参数初始化：
[0143]
设置初始迭代为1，初始化最大迭代次数、遍历方位空间的网格数a期望信号分布方差的形状参数n0，期望信号分布方差的逆尺度参数ο0,噪声方差分布的形状参数p0、t0、π0，噪声方差分布的逆尺度参数q0，u0，δ0，控制发生概率c0、d0；
[0144]
(3.2)更新期望信号的方差和均值
[0145][0146][0147]qδ
＝diag(zy·
οy (1y×z zy)
·
τy·
uy)
[0148]
diag为对角运算；
[0149]
(3.3)更新各分布参数：
[0150][0151][0152][0153][0154][0155][0156][0157][0158][0159][0160]
(3.4)更新各变量的均值
[0161][0162][0163]
[0164][0165][0166]
(4)更新迭代次数加1；判断是否满足迭代终止条件，当满足迭代终止条件时，跳出迭代并输出
[0167][0168]
toul为终止门限，ξ为期望信号方差，te为迭代次数；若不满足迭代终止条件，继续步骤(3.2)-(3.4)；
[0169]
(5)进行方位估计，输出方位估计结果：
[0170][0171]
其中，‖
·
‖1，‖
·
‖
∞
为对矩阵的无穷范数运算。
[0172]
本发明的区别特征在于充分考虑到脉冲噪声及其影响大小，构建的定位模型更加符合智慧城市实际嘈杂的环境，能够获得更好的估计结果。
[0173]
实施例1，下面进行数据模拟，使用单频脉冲信号矩阵作为入射信号，入射方位分别是-45
°
和-30
°
，每个阵元的噪声方差在[0.2,7]之间随机变化，令广义信噪比在[-15,30]区间变化，将传统稀疏方法、基于脉冲噪声的稀疏方法和本发明提出的方法进行对比分析。
[0174]
如图3为各方法在脉冲噪声环境下随gsnr变化时的均方根误差变化曲线。通过对比可以发现传统稀疏方法失效比较严重；基于脉冲噪声的稀疏方法虽然也有下降趋势，但是当多种噪声交替出现时，有跳变趋势出现，这会带来估计结果不稳定；本发明方法rmse最低，且最稳定，得到三种方法中最好的估计结果，且偏差最小。
[0175]
图4为三种方法在脉冲噪声环境下随gsnr变化时的检测成功概率曲线，定义目标偏差0.5
°
以内为检测成功。通过比较可知，传统稀疏方法脉冲噪声和非均匀噪声背景下无法及时准确发现目标方位；基于脉冲噪声的稀疏方法检测成功的概率有所增加，但是估计结果不稳定；本发明方法对目标的估计成功水平最高。因此仿真实验也充分验证了本发明的有效性和可行性。
[0176]
综上，本发明提供一种多种噪声联合影响下的基于人工智能智慧城市传感器阵列的目标方位估计方法，实现了非均匀噪声和脉冲噪声混合情况下的高精度doa估计，更加符合实际应用场景。在脉冲噪声混合情况下的高精度波达方向估计方法，与目前存在的同类方法相比，精度更高，适应性更强。